[go: up one dir, main page]

CN113450564B - 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法 - Google Patents

一种基于narx神经网络和c-v2x技术的交叉路口的通行方法 Download PDF

Info

Publication number
CN113450564B
CN113450564B CN202110559099.9A CN202110559099A CN113450564B CN 113450564 B CN113450564 B CN 113450564B CN 202110559099 A CN202110559099 A CN 202110559099A CN 113450564 B CN113450564 B CN 113450564B
Authority
CN
China
Prior art keywords
vehicle
speed
data
neural network
intersection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110559099.9A
Other languages
English (en)
Other versions
CN113450564A (zh
Inventor
张云顺
郜铭磊
谢锜帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202110559099.9A priority Critical patent/CN113450564B/zh
Publication of CN113450564A publication Critical patent/CN113450564A/zh
Application granted granted Critical
Publication of CN113450564B publication Critical patent/CN113450564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/091—Traffic information broadcasting
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Atmospheric Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种基于NARX神经网络和C‑V2X技术的交叉路口的通行方法，涉及车路协同与5G通信领域。包括：采集车速预测所需相关参数的历史数据，数据处理并按比例划分为训练数据、测试数据，将训练数据输入到NARX神经网络中进行训练；将测试数据输入到训练好的NARX神经网络中，并将输出值处理，得到实际预测值；根据本车实际预测车速、前车实际车速、车辆与交叉路口之间的距离与信号灯所剩时长判断车辆是否可以减少启停次数顺利通过路口，并向驾驶员广播经济行驶的建议车速。该模型预测精度高，传输效率快，可用于城市道路车辆。本发明可以有效地提升驾驶安全、改善交通拥挤和环境污染。

Description

一种基于NARX神经网络和C-V2X技术的交叉路口的通行方法
技术领域
本发明涉及车路协同和5G通信领域，主要涉及一种通过人、车、路的信息融合实现智慧出行的方案。
背景技术
2020年3月，美国交通部发布《智能交通系统(Intelligent Traffic System,ITS)战略规划 2020-2025》，明确“加速应用智能交通系统，转变社会运行方式”的愿景，以及“领导智 能交通系统的合作与创新研究、开发和实施，以提供人员通勤和货物运输的安全性和流动 性”的使命，描述美国未来五年智能交通发展的重点任务和保障措施。近年来，我国充分 发挥技术优势和制度优势，设立了车联网产业发展委员会，跨行业协调通信、汽车、交通、 公安等领域共同推进产业发展，支持江苏无锡、天津西青等重点地区建设国家级车联网先 导区，积极推动基于移动通信技术演进形成的车联网无线通信技术车联网部署，取得了较 好的成效。
网联交通与智能驾驶技术的发展与应用，对提升驾驶安全、改善交通拥挤与环境污染 等问题带来了新的机遇，同时也为新交通形态下交通控制理论与技术提出了新的挑战。随 着信息技术的不断进步，用户的需求也越来越大，为了更好地满足用户多功能、多元化的 体验需求。5G网络技术具有高稳定性能、高传输速率、低延时以及网络架构灵活的特点。 基于5G网络技术的车联网通信体系结构正在不断地发生着变化，以此来满足各项需求。 5G网络技术的应用，将使得传统的车联网通信模式发生改变，车联网通信体系结构更加智 能、更加灵活，系统元素也更加多样化。C-V2X通信技术将是未来智能交通系统发展的重 要组成部分，允许车辆与其他车辆、基础设施以及弱势交通参与者能够深度通信互联，构 建真正的人、车、路、云全方位的网络，为未来交通的智能化、网联化提供了技术支持，为车辆使用者实现行车安全提供了保障。
近年来，人工神经网络在时间序列预测、能量评估和模式重组方面已经被证明是一种 很有前途的技术。在时间序列预测的应用中，采用了几种神经网络类型，如非线性自回归 外生神经网络(NARX)、非线性自回归神经网络(NAR)和递归神经网络(RNN)。由于车速发 生的事件是动态的，并且联系并受影响于它所处系统的历史状态，包括驾驶员的驾驶习惯、 发动机运转性能、执行机构以及行驶路况等。在这种动态和非线性的情况下，使用神经网 络结构如动态递归神经网络(RNN)、非线性自回归神经网络(NAR)和非线性自回归外生神经 网络(NARX)作为处理工具是非常有利的，它们可以接收由时间序列集表示的动态输入。
车速预测是指对汽车未来一段时间的车速轨迹序列进行估计推理，在汽车智能化和新 能源汽车等领域均具有广阔的应用空间。
在城市道路上准确的预测行车车速情况能够有效帮助解决城市交通拥堵问题，也有助 于驾驶员平稳驾驶通过复杂路口，减少因频繁急刹车急加速情况造成的安全问题等情况。 在汽车智能化领域，车辆安全辅助驾驶、智能车辆行为决策分析需要对车辆行驶数据加以 分析来制定相应的策略，数据预测越提前越精确，其决策的精度越高。通过车速预测算法 可以根据当前时刻前一段时间的数据对未来一段时间的车速行驶数据进行预测，并传递给 决策机构，通过分析处理，可以提升其决策的效率及精度。
通过预测城市道路行驶车速并加以分析处理，驾驶员借助数据处理结果以最佳行驶工 况平稳通过信号灯路口，可以有效减少在行驶过程中的启停次数，来提高车辆的燃油经济 性。对于混合动力汽车，可以帮助驾驶车辆达到车辆最佳的分配发动机和电机的功率；对 于纯电动新能源汽车，可通过车速预测合理安排电池能量消耗，计算车辆的最佳续驶里程。
汽车的车速能够反映驾驶员行为、道路环境、道路设施对实际行车的影响，因此它受 人、车、路、环境等多种因素的影响，精确预测非常困难，则对预测时间的长短以及预测精度的高低的研究有着重要的意义。
发明内容
本系统是在5G网络环境下，通过路侧单元(RSU,Road Side Unit)、车载单元(OBU,On board Unit)与边缘服务器(Edge computing)之间信息交换并加工处理，为驾驶员平稳通过交 叉路口提供最经济的行驶方案。其技术方案具体内容如下：
一种基于NARX神经网络和C-V2X技术的交叉路口的通行方法，包括以下步骤：
步骤一：路侧单元RSU获取信号灯信息并发送至边云服务器Edge与车载单元OBU，同时获取该方向上路口停止线位置信息；
步骤二：车载单元获取车辆行驶信息，包括位置、车速、加速度、发动机转速、节气门位置、加速踏板位置，并发送至边缘服务器；
步骤三：在边缘服务器端，利用NARX神经网络训练适合网络结构，并预测未来60s内的可能行驶车速；
步骤四：根据车辆与路口停止线之间的距离与信号灯的相位信息判断是否可以减少启 停次数，并顺利通过路口；
步骤五：若在单车通行或车辆跟驰的情况下可以顺利通过路口时，将给出建议车速区 间，若需要停车等待，将给出警示信息；
步骤六：将提示信息或警示信息发送至车载单元，并以汽车中控屏幕、HUD抬头显示、 语音播报的不同形式展示。
进一步，所述路侧单元包括依次相连的定位模块、路侧处理模块、5G通信模块，定位 模块获取信号灯位置信息和停止线位置信息；路侧处理模块负责获取信号灯的相位及所剩 时间，并为行驶车辆编号；5G通信模块则负责建立与车载单元和边缘服务器之间的实时通 讯，实现路侧端与车载端和服务器端的信息交互。
进一步，所述车载单元包括定位模块、车载处理模块、5G通信模块、展示模块、语音单元，所述定位模块、车载处理模块、展示模块、语音单元依次相连接，同时，车载处理 模块还和5G通信模块相连；定位模块负责定位车辆，提供本车的位置信息，用于判断本 车处于哪个路口、向什么方向行驶；车载处理模块负责获取车辆行驶数据以及历史行驶数 据；5G通信模块负责车辆端与路侧端、车辆端和服务器端之间的实时通信，交换所需信息； 展示模块负责将信号灯相位和所剩时间、以及服务器端综合处理的建议或警示展示在车内， 供驾驶员做出合理的驾驶决策；语音单元则是将得到的建议或警示通过语音播报的方式传递给驾驶员。
进一步，所述边缘服务器包括数据库、数据处理单元、5G通信模块，所述数据库和数 据处理单元相连后还与基站、5G通信模块相连；数据库储存由车辆端发送的车辆行驶数据、 车辆编号以及通过NARX神经网络训练好的神经网络结构；数据处理单元负责训练NARX神经网络、车速预测、根据车速建议数学模型和车速预测结果作出合理行驶建议；5G通讯模块负责服务器端与车辆端和路侧端的实时通讯，进行数据传递。
进一步，所述神经网络模型中，将CAN总线分析仪接入车辆OBD接口即可将汽车内部部分传感器的实际数值解析，提取训练网络需要的参数，包括：车速、车辆加速度、发 动机转速、节气门位置、加速踏板位置，实时生成Excel文件，并将文件发送至边缘服务 器。
进一步，步骤3-5的具体过程为：
数据获取，即接收车载单元发送来的相关参数的数据，车速数据以行向量y(t)储存， 如式(3-1)，其他相关参数数据以X(t)矩阵的形式，如式(3-2)，储存在服务器中。
y(t)＝[y(t-1)，y(t-2)，…，y(t-n)] (3-1)
Figure BDA0003078231020000041
通过相关性分析来筛选数据，选择对车速影响权重值较高的参数数据作为外生输入；
根据式3-3将数据归一化处理
Figure BDA0003078231020000042
其中，xn指各组成行向量中每个元素，xmax指各行向量中的最大值，xmin指各行向量中的最小值；
将样本数据划分为三部分：训练数据、测试数据、验证数据，其样本容量分别设置为 70％、15％、15％，作为输入层以备训练神经网络；
接下来选定延时阶数、隐藏层神经元个数、激励函数，进行神经网络的训练、验证，确定最优网络结构；
根据训练好的神经网络结构进行车速预测，预测该时间点后60s的车速，将数据反归 一化，最终将车速预测结果储存为向量ypredict(t)，并拟合速度-时间曲线：
ypredict(t)＝[y(t)，y(t+1)，y(t+2)，…，y(t+60)] (3-4)
根据获取的信号灯信息和速度-时间曲线等信息分析并计算建议车速；
将信号灯的周期时间分配分别记为：红灯T_red、绿灯T_green、黄灯T_yellow；这里将 信号灯总周期T设为60s，即：
T＝T_red+T_green+T_yellow＝60s (3-5)
标记路侧单元发送来的信号灯信息：当相位为红色时，记为sec_red；当相位为绿色时，记 为sec_green；当相位为黄色时，记为sec_yellow；
根据车辆位置信息与停止线位置信息计算本车距离停止线为distance_stop；
接下来判断是否可以顺利通过交叉路口；
当信号灯相位为红色时，得到红灯剩余时间为sec_red，根据速度时间曲线分别在[0，sec_red]、[0，(sec_red+T_green)]区间内对曲线积分得预计行驶距离distance0、distance1， 若distance_stop∈(distance0，distance1)时，即驾驶员正常驾驶可以顺利通过路口；若 distance_stop＞＝distance1时，可提示驾驶员可以适当加速行驶；若distance_stop＜＝ distance0，可提示驾驶员适当减速行驶，同时发送(V_min，V_max)至车载端，若V_max＞ V_limit道路限速值，则以限速值作为最大值发送至车载端；若V_min＞V_limit，需要提 醒驾驶员“您已超速，请减速慢行，并在停止线前停车等待”
V_min＝distance/(sec_red+T_green) (3-6)
V_max＝distance/sec_red (3-7)
当信号灯相位为绿色时，得到绿灯剩余时间为sec_green，根据速度时间曲线在[0，sec_green]区间内对曲线积分得预计行驶距离distance1，若distance1＞distance_stop时， 即驾驶员正常驾驶可以顺利通过路口；若distancel＜＝distance_stop时，可提示驾驶员可以 适当加速行驶，同时发送(V_min，V_max)至车载端。若V_min＞V_limit，需要提醒驾驶员 “您已超速，请减速慢行，并在停止线前停车等待”
V_min＝distance_stop/sce_green (3-8)
V_max＝V_limit (3-9)
当信号灯相位为黄色时，得到黄灯剩余时间为sec_yellow，需要向车载端发送“请减 速慢行，需在停止线前等待通行”
跟车巡航行驶：当在某一路段行驶时，本车前方有n辆车未越过停止线，此时，本车编号为n，将编号为n的车辆的当前速度作为V_max，并向车辆端发送信息“建议行驶车 速[V_min，V_max]，同时注意车距，保持跟车驾驶”，其中V_min为上述步骤中得出的数值， 若V_min＞＝V_max，则需要向车辆端发送“注意车距，保持跟车驾驶，前方路口处即将停 车等待”，并向编号为n+1的车辆端发送信息“注意前方车辆停车制动”
1.路侧单元
(1)在交叉路口的信号灯端搭载定位模块与5G通信单元，其中，定位模块提供信号灯 的位置信息，为该信号灯的用户车辆提供指引；5G通信单元是为了实现信号灯与车载端和 边缘服务器的实时通讯，将信号灯的相位信息及所剩时间传递至车载端与边缘服务器端， 提供数据支持；
(2)在相应的停止线一侧安装定位模块与通信单元，将停止线的位置信息传递至边缘服 务器端，提供数据支持；
(3)路侧处理模块为行驶车辆编号，从与停止线距离最近的车辆沿行驶方向的反方向开 始编号：0、1、2…，其中编号为0的车辆设置为头车，当头车越过停止线时，释放编号， 后车编号均递减。
2.车载单元
(1)同样搭载定位模块与5G通信单元，接收由路侧端传递来的信号灯信息，利用全息 投影技术将信号灯的相位以及剩余时间以图像的形式展示在玻璃屏上；
(2)采集车速预测所需相关参数的历史数据，相关参数包括车速、加速度、发动机转速、 油门、制动踏板、排档杆位置；
神经网络模型的训练需要大量的数据，所以需要进行采集大量数据。车载自诊断系统 通过连接车辆上的OBD接口读取车辆CAN总线信息。CAN总线是国际标准化的串行通信协议，由德国博世公司面向汽车开发，具有网络节点之间传递数据实时性强、可靠的特点，已成为汽车网络数据传输标准协议。将CAN总线分析仪接入车辆OBD接口即可将汽车内 部部分传感器的实际数值解析，提取训练网络需要的参数，包括：车速、车辆加速度、发 动机转速、节气门位置、加速踏板位置，实时生成Excel文件，并将文件发送至边缘服务 器。
(3)将本车的定位信息发送至边缘服务器。
(4)根据车辆编号，通过D2D(Device to Device)通信技术，实现V2V(Vehicle toVehicle) 信息互通，接收前车信息，向后车发送信息；
(5)接收由边缘服务器发送来的车速建议信息，并以文字的形式投影在玻璃屏上，同时 通过语音播报器，向驾驶员进行提示。
3.边缘服务器
(1)接收路侧单元发送来的信号灯信息(包括相位及所剩时间second)、信号灯位置信 息和停止线位置信息；
(2)接收车载单元发送来的车速预测相关参数的历史数据及本车当前位置，并储存在服务器中；
(3)人工神经网络具有非常优秀的非线性拟合能力，在处理非线性与时变性问题上有着 巨大的优势，目前已有多种神经网络应用到时间序列的分析预测中。
由于边缘服务器强大的计算能力，将车速预测以及车速建议决策部分放在服务器内进 行运算。与非线性自回归神经网络(NAR)相比，非线性自回归外生神经网络(NARX)增加了 相关影响因素的考虑，使数据拟合更加精确，效率更高。NARX基本结构分为输入层、输入延时、隐藏层及输出层，而且该网络结构具有记忆能力，可以将神经网络的输出通过外部反馈作为输入返回神经网络中，构成闭环系统。
本发明的技术效果为：根据本车实际预测车速、前车实际车速、车辆与交叉路口之间的距离与信号灯所剩时长判断车辆是否可以减少启停次数顺利通过路口，并向驾驶员广播经济行驶的建议车速。该模型预测精度高，传输效率快，可用于城市道路车辆。本发明可以有效地提升驾驶安全、改善交通拥挤和环境污染。
附图说明
图1为本发明所述的技术路线示意图；
图2为本发明所述中路侧单元、车载单元和边缘服务器之间的信息交互示意图；
图3为本发明所述车载单元模块组成示意图；
图4为本发明所述路侧单元模块组成示意图；
图5为本发明所述边缘服务器中模块组成示意图；
图6为本发明所述NARX神经网络结构图。
具体实施方式
本系统是在5G网络环境下，通过路侧单元(RSU,Road Side Unit)、车载单元(OBU,On board Unit)与边缘服务器(Edge computing)之间信息交换并加工处理，为驾驶员平稳通过交 叉路口提供最经济的行驶方案。
下面结合实施例中的附图1-6，对本发明实施例中的技术路线进行清晰、完整地描述， 阐述本发明的技术原理。如图1所示，
步骤一：路侧单元(RSU)获取信号灯信息并发送至边云服务器(Edge)与车载单元(OBU)， 同时获取该方向上路口停止线位置信息；
步骤二：车载单元获取车辆行驶信息，包括位置、车速、加速度、发动机转速、节气门位置、加速踏板位置，并发送至边缘服务器；
步骤三：在边缘服务器端，利用NARX神经网络训练适合网络结构，并预测未来60s内的可能行驶车速；
步骤四：根据车辆与路口停止线之间的距离与信号灯的相位信息判断是否可以减少启 停次数，并顺利通过路口；
步骤五：若在单车通行或车辆跟驰的情况下可以顺利通过路口时，将给出建议车速区 间，若需要停车等待，将给出警示信息；
步骤六：将提示信息或警示信息发送至车载单元，并以汽车中控屏幕、HUD抬头显示、 语音播报等不同形式展示。
本系统主要由三个单元组成：路侧单元、车载单元和边缘服务器。其中，路侧单元提 供信号灯相关信息以及停止线信息；车载单元提供车辆行驶数据，并将获得的信号灯信息 与信息综合处理结果展示在车内；边缘服务器作为计算单元，进行信息综合处理。
所述路侧单元包括定位模块、路侧处理模块、5G通信模块。定位模块获取信号灯位置 信息和停止线位置信息；路侧处理模块负责获取信号灯的相位及所剩时间，并为行驶车辆 编号；5G通信模块则负责建立与车载单元和边缘服务器之间的实时通讯，实现路侧端与车 载端和服务器端的信息交互。
所述车载单元包括定位模块、车载处理模块、5G通信模块、展示模块、语音单元。定位模块负责定位车辆，提供本车的位置信息，用于判断本车处于哪个路口、向什么方向行驶；车载处理模块负责获取车辆行驶数据以及历史行驶数据；5G通信模块负责车辆端与路侧端、车辆端和服务器端之间的实时通信，交换所需信息；展示模块负责将信号灯相位和所剩时间、以及服务器端综合处理的建议或警示展示在车内，供驾驶员做出合理的驾驶决策；语音单元则是将得到的建议或警示通过语音播报的方式传递给驾驶员。
所述边缘服务器包括数据库、数据处理单元、5G通信模块。数据库储存由车辆端发送 的车辆行驶数据、车辆编号以及通过NARX神经网络训练好的神经网络结构；数据处理单元负责训练NARX神经网络、车速预测、根据车速建议数学模型和车速预测结果作出合理 行驶建议；5G通讯模块负责服务器端与车辆端和路侧端的实时通讯，进行数据传递。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示 例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结 构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语 的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离 本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于NARX神经网络和C-V2X技术的交叉路口的通行方法，其特征在于，包括以下步骤：
步骤一：路侧单元RSU获取信号灯信息并发送至边缘服务器Edge与车载单元OBU，同时获取车辆正向行驶方向上路口停止线位置信息；
步骤二：车载单元获取车辆行驶信息，包括位置、车速、加速度、发动机转速、节气门位置、加速踏板位置，并发送至边缘服务器；
步骤三：在边缘服务器端，利用NARX神经网络训练适合网络结构，并预测未来60s内的可能行驶车速；
步骤四：根据车辆与路口停止线之间的距离与信号灯的相位信息判断是否可以减少启停次数，并顺利通过路口；
步骤五：若在单车通行或车辆跟驰的情况下可以顺利通过路口时，将给出建议车速区间，若需要停车等待，将给出警示信息；
步骤六：将提示信息或警示信息发送至车载单元，并以汽车中控屏幕、HUD抬头显示、语音播报的不同形式展示；
步骤三至五的具体过程为：
数据获取，即接收车载单元发送来的相关参数的数据，车速数据以行向量y(t)储存，如式(3-1)，其他相关参数数据以X(t)矩阵的形式，如式(3-2)，储存在服务器中，
y(t)＝[y(t-1)，y(t-2)，…，y(t-n)] (3-1)
Figure FDA0003668624620000011
通过相关性分析来筛选数据，选择对车速影响权重值较高的参数数据作为外生输入；
根据式3-3将数据归一化处理
Figure FDA0003668624620000012
其中，xn指各组成行向量中每个元素，xmax指各行向量中的最大值，xmin指各行向量中的最小值；
将样本数据划分为三部分：训练数据、测试数据、验证数据，其样本容量分别设置为70％、15％、15％，作为输入层以备训练神经网络；
接下来选定延时阶数、隐藏层神经元个数、激励函数，进行神经网络的训练、验证，确定最优网络结构；
根据训练好的神经网络结构进行车速预测，预测该时间点后60s的车速，将数据反归一化，最终将车速预测结果储存为向量ypredict(t)，并拟合速度-时间曲线：
ypredict(t)＝[y(t)，y(t+1)，y(t+2)，…，y(t+60)] (3-4)
根据获取的信号灯信息和速度-时间曲线信息分析并计算建议车速；
将信号灯的周期时间分配分别记为：红灯T_red、绿灯T_green、黄灯T_yellow；这里将信号灯总周期T设为60s，即：
r＝T_red+Tgreen+T_yellow＝60s (3-5)
标记路侧单元发送来的信号灯信息：当相位为红色时，记为sec_red；当相位为绿色时，记为sec_green；当相位为黄色时，记为sec_yellow；
根据车辆位置信息与停止线位置信息计算本车距离停止线为distance_stop；
接下来判断是否可以顺利通过交叉路口；
a)当信号灯相位为红色时，得到红灯剩余时间为sec_red，根据速度时间曲线分别在[0,sec_red]、[0,(sec_red+T_green)]区间内对曲线积分得预计行驶距离distance0、distance1，若distance_stop∈(distance0,distance1)时，即驾驶员正常驾驶可以顺利通过路口；若distance_stop>＝distance1时，可提示驾驶员可以适当加速行驶；若distance_stop<＝distance0，可提示驾驶员适当减速行驶，同时发送(V_min,V_max)至车载端，若V_max>V_limit道路限速值，则以限速值作为最大值发送至车载端；若V_min>V_limit，需要提醒驾驶员“您已超速，请减速慢行，并在停止线前停车等待”
Figure FDA0003668624620000021
Figure FDA0003668624620000022
b)当信号灯相位为绿色时，得到绿灯剩余时间为sec_green，根据速度时间曲线在[0,sec_green]区间内对曲线积分得预计行驶距离distance1，若distance1>distance_stop时，即驾驶员正常驾驶可以顺利通过路口；若distance1<＝distance_stop时，可提示驾驶员可以适当加速行驶，同时发送(V_min,V_max)至车载端，若V_min>V_limit，需要提醒驾驶员“您已超速，请减速慢行，并在停止线前停车等待”
V_min＝distance_stop/sce_green (3-8)
V_max＝V_limit (3-9)
c)当信号灯相位为黄色时，得到黄灯剩余时间为sec_yellow，需要向车载端发送“请减速慢行，需在停止线前等待通行”
跟车巡航行驶：当在某一路段行驶时，本车前方有u辆车未越过停止线，此时，本车编号为u，将编号为u的车辆的当前速度作为V_max，并向车辆端发送信息“建议行驶车速[V_min,V_max]，同时注意车距，保持跟车驾驶”，其中V_min为上述步骤中得出的数值，若V_min>＝V_max，则需要向车辆端发送“注意车距，保持跟车驾驶，前方路口处即将停车等待”，并向编号为u+1的车辆端发送信息“注意前方车辆停车制动”。
2.根据权利要求1所述的一种基于NARX神经网络和C-V2X技术的交叉路口的通行方法，其特征在于，所述路侧单元包括依次相连的定位模块、路侧处理模块、5G通信模块，定位模块获取信号灯位置信息和停止线位置信息；路侧处理模块负责获取信号灯的相位及所剩时间，并为行驶车辆编号；5G通信模块则负责建立与车载单元和边缘服务器之间的实时通讯，实现路侧端与车载端和服务器端的信息交互。
3.根据权利要求1所述的一种基于NARX神经网络和C-V2X技术的交叉路口的通行方法，其特征在于，所述车载单元包括定位模块、车载处理模块、5G通信模块、展示模块、语音单元，所述定位模块、车载处理模块、展示模块、语音单元依次相连接，同时，车载处理模块还和5G通信模块相连；定位模块负责定位车辆，提供本车的位置信息，用于判断本车处于哪个路口、向什么方向行驶；车载处理模块负责获取车辆行驶数据以及历史行驶数据；5G通信模块负责车辆端与路侧端、车辆端和服务器端之间的实时通信，交换所需信息；展示模块负责将信号灯相位和所剩时间、以及服务器端综合处理的建议或警示展示在车内，供驾驶员做出合理的驾驶决策；语音单元则是将得到的建议或警示通过语音播报的方式传递给驾驶员。
4.根据权利要求1所述的一种基于NARX神经网络和C-V2X技术的交叉路口的通行方法，其特征在于，所述边缘服务器包括数据库、数据处理单元、5G通信模块，所述数据库和数据处理单元相连后还与基站、5G通信模块相连；数据库储存由车辆端发送的车辆行驶数据、车辆编号以及通过NARX神经网络训练好的神经网络结构；数据处理单元负责训练NARX神经网络、车速预测、根据车速建议数学模型和车速预测结果作出合理行驶建议；5G通讯模块负责服务器端与车辆端和路侧端的实时通讯，进行数据传递。
5.根据权利要求1所述的一种基于NARX神经网络和C-V2X技术的交叉路口的通行方法，其特征在于，所述神经网络模型中，将CAN总线分析仪接入车辆OBD接口即可将汽车内部部分传感器的实际数值解析，提取训练网络需要的参数，包括：车速、车辆加速度、发动机转速、节气门位置、加速踏板位置，实时生成Excel文件，并将文件发送至边缘服务器。
CN202110559099.9A 2021-05-21 2021-05-21 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法 Active CN113450564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110559099.9A CN113450564B (zh) 2021-05-21 2021-05-21 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110559099.9A CN113450564B (zh) 2021-05-21 2021-05-21 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法

Publications (2)

Publication Number Publication Date
CN113450564A CN113450564A (zh) 2021-09-28
CN113450564B true CN113450564B (zh) 2022-08-23

Family

ID=77809990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110559099.9A Active CN113450564B (zh) 2021-05-21 2021-05-21 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法

Country Status (1)

Country Link
CN (1) CN113450564B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113611122B (zh) * 2021-10-09 2022-01-14 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 车速引导方法、装置及设备
CN116476828B (zh) * 2023-03-08 2024-07-30 华中科技大学 一种考虑前车影响和红绿灯信息的车速规划方法和系统
CN118665504B (zh) * 2024-05-15 2024-11-22 北京鼎昆嘉业科技有限公司 基于大数据车载智能驾驶系统的安全监控系统及方法
CN118366328B (zh) * 2024-06-14 2024-08-20 云南省交通科学研究院有限公司 一种轻污染车辆速度自适应控制方法、系统、终端及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100864451B1 (ko) * 2007-04-19 2008-10-22 학교법인 영광학원 차량-도로간 통신기반의 차량검지시스템과 이차량검지시스템을 이용한 교차로에서의 교통신호 제어방법
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置
CN109461320A (zh) * 2018-12-20 2019-03-12 清华大学苏州汽车研究院（吴江） 基于车联网的交叉路口车速规划方法
CN110444015A (zh) * 2019-07-08 2019-11-12 清华大学 基于无信号十字路口分区的智能网联汽车速度决策方法
CN111508254A (zh) * 2020-03-17 2020-08-07 宁波吉利汽车研究开发有限公司 一种高效通过交通路口的控制方法及控制系统
CN112289059A (zh) * 2020-10-22 2021-01-29 中电智能技术南京有限公司 一种车路协同道路交通系统
US10930146B1 (en) * 2019-12-23 2021-02-23 Continental Automotive Systems, Inc. Traffic control system and method for operating same
CN112466115A (zh) * 2019-12-30 2021-03-09 北京航空航天大学 一种基于边缘计算的公交车辆交叉口优先通行控制系统及方法
CN112509343A (zh) * 2020-10-26 2021-03-16 长沙理工大学 基于车路协同的路侧式导行方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112106124A (zh) * 2018-05-16 2020-12-18 诺特拉菲公司 用于使用v2x和传感器数据的系统和方法
CN111080018B (zh) * 2019-12-20 2024-02-20 南京航空航天大学 一种基于道路交通环境的智能网联汽车车速预测方法
CN112562326A (zh) * 2020-11-26 2021-03-26 上汽通用五菱汽车股份有限公司 车速引导方法、服务器及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100864451B1 (ko) * 2007-04-19 2008-10-22 학교법인 영광학원 차량-도로간 통신기반의 차량검지시스템과 이차량검지시스템을 이용한 교차로에서의 교통신호 제어방법
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置
CN109461320A (zh) * 2018-12-20 2019-03-12 清华大学苏州汽车研究院（吴江） 基于车联网的交叉路口车速规划方法
CN110444015A (zh) * 2019-07-08 2019-11-12 清华大学 基于无信号十字路口分区的智能网联汽车速度决策方法
US10930146B1 (en) * 2019-12-23 2021-02-23 Continental Automotive Systems, Inc. Traffic control system and method for operating same
CN112466115A (zh) * 2019-12-30 2021-03-09 北京航空航天大学 一种基于边缘计算的公交车辆交叉口优先通行控制系统及方法
CN111508254A (zh) * 2020-03-17 2020-08-07 宁波吉利汽车研究开发有限公司 一种高效通过交通路口的控制方法及控制系统
CN112289059A (zh) * 2020-10-22 2021-01-29 中电智能技术南京有限公司 一种车路协同道路交通系统
CN112509343A (zh) * 2020-10-26 2021-03-16 长沙理工大学 基于车路协同的路侧式导行方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network;Rong Xia Et al.;《ICC 2020 - 2020 IEEE International Conference on Communications (ICC)》;20200727;第1-6页 *
In-Vehicle Traffic Light based on Local Area Network;Yunshun Zhang Et al.;《2021 IEEE International Conference on Mechatronics (ICM)》;20210330;第1-6页 *
车路协同环境下信号交叉口速度引导策略;刘欢等;《重庆交通大学学报（自然科学版）》;20191231;第38卷(第12期);第8-17页 *

Also Published As

Publication number Publication date
CN113450564A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN113450564B (zh) 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法
Ersal et al. Connected and automated road vehicles: state of the art and future challenges
Sciarretta et al. Energy-efficient driving of road vehicles
Sun et al. Optimal eco-driving control of connected and autonomous vehicles through signalized intersections
CN106601002B (zh) 车联网环境下的入口匝道车辆通行引导系统及其引导方法
Barth et al. Dynamic ECO-driving for arterial corridors
Kamal et al. Model predictive control of vehicles on urban roads for improved fuel economy
Li et al. Traffic energy and emission reductions at signalized intersections: a study of the benefits of advanced driver information
CN111583693B (zh) 一种城市道路智能交通协同运行系统及智能车辆控制方法
Ye et al. Development and evaluation of a vehicle platoon guidance strategy at signalized intersections considering fuel savings
CN110363986B (zh) 一种集中式合流区车辆速度优化方法
CN111340289A (zh) 一种基于遗传算法的公交发车与车速调整优化方法及系统
Kim et al. Compact cooperative adaptive cruise control for energy saving: Air drag modelling and simulation
Stojčić Application of ANFIS model in road traffic and transportation: a literature review from 1993 to 2018
Kamalanathsharma et al. Agent-based simulation of ecospeed-controlled vehicles at signalized intersections
Zhou et al. Velocity prediction of intelligent and connected vehicles for a traffic light distance on the urban road
CN109559499A (zh) 车辆队列行驶管理平台、控制方法和车载终端
Li et al. Traffic-aware ecological cruising control for connected electric vehicle
CN104794265A (zh) 一种基于加速度信息的移动跟随模型设计方法
CN111754774B (zh) 一种高速路匝道口智能网联汽车安全自组织通行控制方法
CN115092139A (zh) 一种智能网联车辆交织区协同运动规划方法
Jing Vehicle fuel consumption optimization using model predictive control based on V2V communication
CN118629223A (zh) 基于cps的单交叉口信号配时与车辆速度协同控制方法
Marinelli et al. Assessing the Impact of Eco-ADAS Systems on Vehicle Fuel Consumption and Emissions at Signalised Intersections
Rios-Torres et al. An overview of driver feedback systems for efficiency and safety

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant