(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110217710.X (22)申请日 2021.02.26 (65)同一申请的已公布的文献号 申请公布号 CN 112977477 A (43)申请公布日 2021.06.18 (73)专利权人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 陈龙　王蛟　蔡英凤　孙晓强　 王海　熊晓夏　 (51)Int.Cl. G06F 30/27(2020.01) B60W 60/00(2020.01) G06N 3/04(2006.01)(56)对比文件 CN 110610611 A,2019.12.24 CN 112124310 A,2020.12.25 CN 105702019 A,2016.0 6.22 CN 109272748 A,2019.01.25 CN 110069894 A,2019.07.3 0 CN 109360409 A,2019.02.19 审查员 陈桂银 (54)发明名称 一种基于神经网络的混合车车协同汇流系 统和方法 (57)摘要 本发明提供了一种基于神经网络的混合车 车协同汇 流系统和方法， 属于自动驾驶汽车决策 系统技术领域。 本发明利用神经网络对汇流区场 景进行学习和分类， 根据不同的汇 流场景类型执 行相对应的汇流方法， 包括自适应巡航策略、 基 于最小安全距离策略、 最近智能网联汽车向内变 道策略、 后车减速策略、 后车补位策略、 前车减速 策略、 中间汇入补位策略和后车加速策略。 本发 明进一步完善了无人驾驶车辆和人类驾驶车辆 混行的汇流情况。 权利要求书1页 说明书4页 附图1页 CN 112977477 B 2022.03.22 CN 112977477 B 1.一种基于神经网络的混合车车协同汇流方法， 其特征在于， 利用神经网络对汇流区 场景进行 学习和分类， 根据不同的汇流场景类型 执行相对应的汇流方法， 具体为： 如果主道车队中存在非智能网联汽车， 对到达汇流 区之前的非智能网联汽车是否进行 换道操作进行判断； 若主道车队中的非智能网联汽车发生换道， 再判断匝道是否有车辆汇入； 当匝道有车 辆汇入， 根据汇入车辆的预测位置分为前方汇入A、 中间汇入和后方汇入三种情况； 当匝道 中没有车辆汇入， 则非智能网联汽车的后车向前加速进行补位； 若主道车队中的非智能网联汽车不发生换道， 再判断匝道是否有车辆汇入； 当匝道中 没有车辆汇入， 则主道车队采取自适应巡航策略通过汇流区； 当匝道有 车辆汇入， 进一步判 断汇入车辆是否为非智能网联汽车； 若汇入车辆是非智能网联汽车， 主道车队中距离汇入 车辆最近的智能网联汽车向内侧车道变道， 给非智能网联汽车的汇入提供空间， 如果没有 足够空间换道， 根据 汇入车辆的预测位置 分为前方汇入B和中后方汇入两种情况； 若汇入车 辆是智能网联汽车， 根据汇入车辆的预测位置分为前 方汇入B和中后方汇入两种情况； 对于前方汇入A的情况， 非智能网联汽车前方车辆减速向后补齐空位， 空出空间给匝道 车辆汇入； 对于中间汇入的情况， 主道车队无需发生行为改变， 匝道车辆直接补齐非智能网联汽 车空位； 对于后方汇入的情况， 非智能网联汽车后方车辆加速向前补齐空位， 空出空间给匝道 车辆汇入； 对于前方汇入B的情况， 主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区； 对于中后方汇入的情况， 主道中非智能网联汽车后方的智能网联汽车进行减速， 为匝 道汇入车辆提供足够的汇入空间。 2.根据权利要求1所述的混合车 车协同汇流方法， 其特 征在于， 还 包括： 如果主道车队中不存在非智能网联汽车， 判断匝道是否有车辆汇入； 如果匝道没有汇 流车辆， 主道车队采 取自适应巡航策略通过汇流区； 如果匝道有汇 流车辆， 判断匝道汇入车 辆是否为非智能网联汽车； 若汇入车辆是智能网联汽车， 主匝道车辆采用基于最小安全距 离s1的汇入策略通过汇流区； 若汇入车辆是非智能网联汽车， 汇入车辆最近的智能网联汽 车向内侧车道变道， 给非智能网联汽车的汇入提供 空间， 如果没有足够空间换道， 主匝道车 辆采用基于最小安全距离s2的汇入策略通过汇流区。 3.根据权利要求2所述的混合车车协同汇流方法， 其特征在于， 所述最小安全距离s2为 最小安全距离s1的1.5倍。 4.一种根据权利要求1 ‑3任一项所述的混合车车协同汇流方法的混合车车协同汇流系 统， 其特征在于， 包括智能网联汽车、 非智能网联汽车和整车控制器， 所述整车控制器中设 有神经网络， 所述神经网络学习混合车车协同汇流方法， 训练完成后的神经网络作为混合 车车协同汇流的分类 器； 根据实时采集的信息做出判断， 执 行对应模型的策略， 完成汇流。 5.根据权利要求4所述的混合车车协同汇流系统， 其特征在于， 所述对应模型的策略包 括自适应巡航策略、 基于最小安全距离策略、 最近智能网联汽 车向内变道策略、 后车减速策 略、 后车补位策略、 前 车减速策略、 中间汇入补位策略和后车加速策略。权　利　要　求　书 1/1 页 2 CN 112977477 B 2一种基于神经 网络的混合车 车协同汇流系统和方 法 技术领域 [0001]本发明属于自动驾驶汽车决策系统技术领域， 特别涉及了一种基于神经网络的混 合车车协同汇流系统和方法。 背景技术 [0002]近年来， 汽车自动驾驶技术行业得到了飞速 的发展， 人们运用在车辆上的辅助驾 驶系统从一开始的被动预警转向了主动预测。 其中， 车辆的汇流问题一直是研究 的难点， 车 辆进行汇流的时候往 往遇到的交通情况比较复杂， 不可控的因素较多。 [0003]就目前而言， 所研究的汇流方法大致可分为三类： 第一类是基于传统模型的汇流 方法， 此类方法在特定场景有着较好的效果， 但是一旦环境发生改变， 它的预测精度、 泛化 性还有应变能力就会大大下降； 第二类是基于强化学习的汇流方法， 如北京理工大学苗一 松所提出的基于Q ‑learning算法的汇流模型， 此类方法相比于传统模型应变力有所提高， 实时性也有 所提升； 第三类是基于车车协同、 车路协同的汇 流方法， 如华南理工大学张荣辉 所提出的车车协同下的无人车汇流控制方法， 将智能车辆 以车队形式合作来实现协同汇 流， 但是这种假设过于理想化， 无论是在向无人驾驶过渡的阶段还是最 终阶段， 都会有一定 数量的非智能车存在。 对于非智能车来说， 虽然 可以检测到它的位置和速度等信息， 但是由 于受人类驾驶员所控制， 所以它并不会服从协作命令， 反而存在无法预测的驾驶行为。 发明内容 [0004]针对现有技术中存在不足， 本发明提供了一种基于神经网络的混合车车协同汇流 系统和方法， 进一 步完善无人驾驶车辆和人类驾驶车辆混行的汇流情况。 [0005]本发明是通过以下技 术手段实现上述 技术目的的。 [0006]一种基于神经网络的混合车车协同汇流方法， 利用神经网络对汇流区场景进行学 习和分类， 根据不同的汇流场景类型 执行相对应的汇流方法， 具体为： [0007]如果主道车队中存在非智能网联汽车， 对到达汇流区之前的非智能网联汽车是否 进行换道操作进行判断； [0008]若主道车队中的非智能网联汽车发生换道， 再判断匝道是否有车辆汇入； 当匝道 有车辆汇入， 根据汇入车辆的预测位置分为前方汇入A、 中间汇入和后方汇入三种情况； 当 匝道中没有车辆汇入， 则非智能网联汽车的后车向前加速进行补位； [0009]若主道车队中的非智能网联汽车不发生换道， 再判断匝道是否有车辆汇入； 当匝 道中没有 车辆汇入， 则主道车队采取自适应巡航策略通过汇 流区； 当匝道有车辆汇入， 进一 步判断汇入车辆是否为非智能网联汽车； 若汇入车辆是非智能网联汽车， 主道车队中距离 汇入车辆最近的智能网联汽车向内侧车道变道， 给非智能网联汽车 的汇入提供空间， 如果 没有足够空间换道， 根据 汇入车辆的预测位置 分为前方汇入B和中后方汇入两种情况； 若汇 入车辆是智能网联汽车， 根据汇入车辆的预测位置分为前 方汇入B和中后方汇入两种情况； [0010]如果主道车队中不存在智能网联汽车， 判断匝道是否有车辆汇入； 如果匝道没有说　明　书 1/4 页 3 CN 112977477 B 3