本技术涉及云控系统的具体开发应用，特别涉及一种车辆绿波通行规划方法、装置、电子设备及存储介质。
背景技术：
1、车辆在接近信号交叉口的过程中，往往会受信号灯状态和驾驶习惯影响，需要不断地进行“停车-起动”。除此之外，道路交通中的车辆通常受到周围车辆的影响，处于非自由行驶状态，需要根据周围环境调整自身的驾驶行为。信号交叉口作为城市交通瓶颈的节点，在交通系统中扮演着重要的角色。当前城市交通快速发展，大量路侧设备实时对交通状态进行监测。通过车路云一体化，可以实现云端在线共享交通道路车辆状态信息，该信息可用于提前规划合理的车速曲线，实现车辆的绿波通行的同时，提升驾体验感并降低行驶过程的能量消耗。
2、城市道路应用的驾驶系统，必须考虑信号灯交替变换和信号灯路口停止线前排队车流对自车速度执行的影响。当前的车速引导、预测性巡航都是通过获取额外的信息(车辆到路口的距离、信号灯相位等)提前规划合理的车速，减少车辆在城市道路信号交叉口前走走停停的行为，进而减小能源消耗，是当前城市道路生态驾驶的重要研究内容。但上述方法仅关注于单路口的车速规划，会导致车辆在不同路段时出现较大的速度波动。
3、传统的多路口节能驾驶技术多数只考虑了交通信号灯相位的问题，忽略了排队车辆的影响，从而导致车速指令不能被很好执行。
4、绿灯最优速度建议是一种经济驾驶研究中常用的方法之一，其可根据信号灯相位等交通信息，规划一个巡航速度避免车辆在红灯期间到达交叉路口，并考虑在满足交通约束(限速、保持与前车的安全车距)的条件下，优化自车的输出转矩，以提高车辆的经济驾驶水平。通过dsrc(dedicated shortrange communication，专用短程通信协议)单向接收spat(signal phase and timing message，交通灯相位与时序消息)信息，并利用车辆gps(global positioning system，全球定位系统)坐标评估通过通过信号交叉口的时间窗口；引入信号灯相位预测模型，极大限度地提高车辆通过路口时是绿灯的机会，有效提高车辆的能量效率；使用dsrc和即将到来的信号灯信息，基于mpc(model predictive control，模型预测控制)、a*、dp(dynamic programming，动态规划)规划车辆最优速度轨迹。但上述技术忽略了排队车辆对被控车辆执行建议速度时的阻碍。
5、此外，现有技术考虑到了排队车辆对巡航车辆的干扰，利用路侧的视频检测对交通排队进行识别，这样忽略了交通的时变性。另外，将冲击波理论应用于环路检测器，利用v2i(vehicle to infrastructure，车辆与路侧基础设施互联)获得的交通流量信息对排队消散过程建模预测，但对当前时刻的交通流量值分析具有明显的滞后性。基于冲击波理论和基于数据驱动的lstm(long short-term memory，长短期记忆网络)交通流预测，对下游交叉口前排队车辆的动态变化进行了预测，但lstm的预测精确度依赖于历史数据的样本容量；其次，现有技术还可利用概率统计的方法处理排队预测的问题，假设上游车辆的到达服从泊松分布或贝叶斯网络，建立了实时队列长度的估计模型，引入参数的先验分布，无法完全反映真实交通的特征。
6、随着车网联技术的发展，现有技术能够通过利用探测车辆或网联车辆收集的车辆数据轨迹来估计城市交通状态，cv(connected vehicle，网联车辆)普及时间较长，且估计结果受车辆渗透率和排队等待时探测车辆所处位置的影响。通过利用最大似然估计对探测车辆的渗透率和队列分布进行参数估计，使用em(expectation maximization algorithm，期望最大化算法)迭代求解，且可使用灰色预测在欠饱和、饱和、单车道和多车道条件下都能准确预测队列长度，但只在短时预测时精度保持较高的水平。
7、综上所述，现有技术无法满足在线计算的实时性和精度需求，难以适应时变性极强的真实交通，闲置了路侧设备收集的海量交通数据资源，亟待解决。
技术实现思路
1、本技术提供一种车辆绿波通行规划方法、装置、电子设备及存储介质，以解决现有技术无法满足在线计算的实时性和精度需求，难以适应时变性极强的真实交通，闲置了路侧设备收集的海量交通数据资源等问题。
2、本技术第一方面实施例提供一种车辆绿波通行规划方法，包括以下步骤：接收预设路测设备采集的道路交通信息，并利用预设的道路车辆状态估计模型结合所述道路交通信息，生成当前路段的未来交通态势信息，且基于所述未来交通态势信息，获取当前路段下次红灯期间的最大排队拥堵状态，以根据所述最大排队拥堵状态和排队车辆消散时间预测模型得到排队车辆消散时间；接收每个目标车辆的位置信息和所述每个目标车辆与前车的相对运动状态信息，并构建所述目标车辆的车辆动力学约束和电机能耗约束，且基于绿波车速规划算法和多个约束条件，同时结合所述排队车辆消散时间、所述位置信息和所述相对运动状态信息，生成所述每个目标车辆的当前最优规划速度序列；基于预设迭代距离域动态规划算法和所述当前最优规划速度序列，更新所述道路交通信息和所述排队车辆消散时间，并生成实时的最优规划速度序列，以根据所述实时的最优规划速度序列控制所述每个目标车辆执行相应的驾驶动作。
3、可选地，在本技术的一个实施例中，所述接收预设路测设备采集的道路交通信息，并利用预设的道路车辆状态估计模型结合所述道路交通信息，生成当前路段的未来交通态势信息，且基于所述未来交通态势信息，获取所述当前路段下次红灯期间的最大排队拥堵状态，以根据所述最大排队拥堵状态和排队车辆消散时间预测模型得到排队车辆消散时间，包括：采集所述当前路段的静态道路信息，并根据预设智能驾驶员模型和预设微观换道模型构建微观驾驶模型；基于所述微观驾驶模型、所述每个目标车辆的位置信息和所述静态道路信息，并利用预设步进式推进机制，迭代更新每个目标车辆在每个时间步长内的车辆位置和车辆状态，生成所述每个时间步长内所述每个目标车辆通过所述当前路段的通过时刻、预测速度序列和预测位移序列；基于所述每个目标车辆的所述通过时刻、所述预测速度序列和所述预测位移序列，检测所述每个目标车辆是否满足预设行驶速度要求，以得到满足所述预设行驶速度要求的至少一个目标停车车辆，并根据所述至少一个目标停车车辆构建停车集合；基于所述停车集合，确定在所述当前路段停止线前排队的尾车，并根据所述所述尾车的预测速度序列和预测位移序列确定所述尾车通过所述当前路段的通过时刻和所述尾车与所述当前路段停止线的停车距离；获取所述当前路段的信号灯切换为绿灯相位的切换时刻，并根据所述切换时刻和所述尾车的通过时刻计算所述排队消散时间。
4、可选地，在本技术的一个实施例中，所述接收每个目标车辆的位置信息和所述每个目标车辆与前车的相对运动状态信息，并构建所述目标车辆的车辆动力学约束和电机能耗约束，包括：对所述每个目标车辆的运动状态进行受力分析，得到所述每个目标车辆的滚动阻力、空气阻力、坡度阻力和加速阻力，并根据所述滚动阻力、所述空气阻力、所述坡度阻力和所述加速阻力构建所述车辆动力学约束；根据所述每个目标车辆的行驶速度计算所述每个目标车辆的电机输出功率、输出转速和输出转矩，并通过所述电机输出功率、所述输出转速和所述输出转矩计算所述每个目标车辆的电池消耗总能量、驱动能量和再生能量；基于所述电池消耗总能量、所述驱动能量和所述再生能量，构建所述每个目标车辆的电机能耗约束。
5、可选地，在本技术的一个实施例中，所述基于绿波车速规划算法和多个约束条件，同时结合所述排队车辆消散时间、所述位置信息和所述相对运动状态信息，生成所述每个目标车辆的当前最优规划速度序列，包括：确定所述每个目标车辆行驶过程中的绿波通行、通行时间、驾驶舒适性以及能耗所对应的成本项权重因子，并根据所述每个目标车辆的行驶速度、行驶时间和所述输出转矩建立状态转移矩阵；基于所述电池消耗总能量、所述行驶速度、所述成本项权重因子和预设的最优控制律，建立所述每个目标车辆的车辆通行目标函数；构建所述每个目标车辆的道路交通环境约束、离散系统约束、问题边界条件约束；基于所述车辆通行目标函数，结合预设的信号灯约束、所述车辆动力学约束、所述电机能耗约束、所述道路交通环境约束、所述离散系统约束、所述问题边界条件约束和所述状态转移矩阵，构建所述每个目标车辆的最优控制模型；利用所述排队车辆消散时间、所述每个目标车辆的位置信息和所述相对运动状态信息，求解所述最优控制模型，得到所述每个目标车辆的当前最优规划速度序列。
6、可选地，在本技术的一个实施例中，所述最优控制模型的数学表达式为：
7、
8、其中，q(sh)、ttrip(sh)为所述每个目标车辆在第k段道路sk间的电池消耗总能量和行驶时间；|vk(s)-vk-1(s)|为所述当前路段和前一个路段的速度差绝对值；λ1、λ2、λ3、λ4分别为所述能耗、所述通行时间、所述驾驶舒适性、以及所述绿波通行对应的成本项权重因子；u为最优控制律；分别为第k阶段的起点和终点到所述每个目标车辆初始位置的距离；tm为所述输出转矩；nm为所述输出转速；pm为所述输出功率；vlimit为道路限速值；vmin为规定的最小行驶车速；tmax为转矩上限值；tmin为转矩下限值；nmax为转速上限值；nmin为转速下限值；pmax为输出功率上限值；pmin为输出功率下限值；amax、amin分别为所述目标车辆的加速度上下限值；为所述状态转移矩阵；路程长度ltrip；li为第i段道路长度。
9、本技术第二方面实施例提供一种车辆绿波通行规划装置，包括：预测模块，用于接收预设路测设备采集的道路交通信息，并利用预设的道路车辆状态估计模型结合所述道路交通信息，生成当前路段的未来交通态势信息，且基于所述未来交通态势信息，获取当前路段下次红灯期间的最大排队拥堵状态，以根据所述最大排队拥堵状态和排队车辆消散时间预测模型得到排队车辆消散时间；规划模块，用于接收每个目标车辆的位置信息和所述每个目标车辆与前车的相对运动状态信息，并构建所述目标车辆的车辆动力学约束和电机能耗约束，且基于绿波车速规划算法和多个约束条件，同时结合所述排队车辆消散时间、所述位置信息和所述相对运动状态信息，生成所述每个目标车辆的当前最优规划速度序列；更新模块，用于基于预设迭代距离域动态规划算法和所述当前最优规划速度序列，更新所述道路交通信息和所述排队车辆消散时间，并生成实时的最优规划速度序列，以根据所述实时的最优规划速度序列控制所述每个目标车辆执行相应的驾驶动作。
10、可选地，在本技术的一个实施例中，所述预测模块包括：采集单元，用于采集所述当前路段的静态道路信息，并根据预设智能驾驶员模型和预设微观换道模型构建微观驾驶模型；生成单元，用于基于所述微观驾驶模型、所述每个目标车辆的位置信息和所述静态道路信息，并利用预设步进式推进机制，迭代更新每个目标车辆在每个时间步长内的车辆位置和车辆状态，生成所述每个时间步长内所述每个目标车辆通过所述当前路段的通过时刻、预测速度序列和预测位移序列；检测单元，用于基于所述每个目标车辆的所述通过时刻、所述预测速度序列和所述预测位移序列，检测所述每个目标车辆是否满足预设行驶速度要求，以得到满足所述预设行驶速度要求的至少一个目标停车车辆，并根据所述至少一个目标停车车辆构建停车集合；第一确定单元，用于基于所述停车集合，确定在所述当前路段停止线前排队的尾车，并根据所述所述尾车的预测速度序列和预测位移序列确定所述尾车通过所述当前路段的通过时刻和所述尾车与所述当前路段停止线的停车距离；第一计算单元，用于获取所述当前路段的信号灯切换为绿灯相位的切换时刻，并根据所述切换时刻和所述尾车的通过时刻计算所述排队消散时间。
11、可选地，在本技术的一个实施例中，所述规划模块包括：分析单元，用于对所述每个目标车辆的运动状态进行受力分析，得到所述每个目标车辆的滚动阻力、空气阻力、坡度阻力和加速阻力，并根据所述滚动阻力、所述空气阻力、所述坡度阻力和所述加速阻力构建所述车辆动力学约束；第二计算单元，用于根据所述每个目标车辆的行驶速度计算所述每个目标车辆的电机输出功率、输出转速和输出转矩，并通过所述电机输出功率、所述输出转速和所述输出转矩计算所述每个目标车辆的电池消耗总能量、驱动能量和再生能量；第一约束构建单元，用于基于所述电池消耗总能量、所述驱动能量和所述再生能量，构建所述每个目标车辆的电机能耗约束。
12、可选地，在本技术的一个实施例中，所述规划模块还包括：第二确定单元，用于确定所述每个目标车辆行驶过程中的绿波通行、通行时间、驾驶舒适性以及能耗所对应的成本项权重因子，并根据所述每个目标车辆的行驶速度、行驶时间和所述输出转矩建立状态转移矩阵；函数构建单元，用于基于所述电池消耗总能量、所述行驶速度、所述成本项权重因子和预设的最优控制律，建立所述每个目标车辆的车辆通行目标函数；第二约束构建单元，用于构建所述每个目标车辆的道路交通环境约束、离散系统约束、问题边界条件约束；建模单元，用于基于所述车辆通行目标函数，结合预设的信号灯约束、所述车辆动力学约束、所述电机能耗约束、所述道路交通环境约束、所述离散系统约束、所述问题边界条件约束和所述状态转移矩阵，构建所述每个目标车辆的最优控制模型；求解单元，用于利用所述排队车辆消散时间、所述每个目标车辆的位置信息和所述相对运动状态信息，求解所述最优控制模型，得到所述每个目标车辆的当前最优规划速度序列。
13、可选地，在本技术的一个实施例中，所述最优控制模型的数学表达式为：
14、
15、其中，q(sh)、ttrip(sh)为所述每个目标车辆在第k段道路sk间的电池消耗总能量和行驶时间；|vk(s)-vk-1(s)|为所述当前路段和前一个路段的速度差绝对值；λ1、λ2、λ3、λ4分别为所述能耗、所述通行时间、所述驾驶舒适性、以及所述绿波通行对应的成本项权重因子；u为最优控制律；分别为第k阶段的起点和终点到所述每个目标车辆初始位置的距离；tm为所述输出转矩；nm为所述输出转速；pm为所述输出功率；vlimit为道路限速值；vmin为规定的最小行驶车速；tmax为转矩上限值；tmin为转矩下限值；nmax为转速上限值；nmin为转速下限值；pmax为输出功率上限值；pmin为输出功率下限值；amax、amin分别为所述目标车辆的加速度上下限值；为所述状态转移矩阵；路程长度ltrip；li为第i段道路长度。
16、本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的车辆绿波通行规划方法。
17、本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的车辆绿波通行规划方法。
18、由此，本技术的实施例具有以下有益效果：
19、本技术的实施例可通过接收预设路测设备采集的道路交通信息，并利用预设的道路车辆状态估计模型结合道路交通信息，生成当前路段的未来交通态势信息，且基于未来交通态势信息，获取当前路段下次红灯期间的最大排队拥堵状态，以根据最大排队拥堵状态和排队车辆消散时间预测模型得到排队车辆消散时间；接收每个目标车辆的位置信息和每个目标车辆与前车的相对运动状态信息，并构建目标车辆的车辆动力学约束和电机能耗约束，且基于绿波车速规划算法和多个约束条件，同时结合排队车辆消散时间、位置信息和相对运动状态信息，生成每个目标车辆的当前最优规划速度序列；基于预设迭代距离域动态规划算法和当前最优规划速度序列，更新道路交通信息和排队车辆消散时间预测结果，并生成实时的最优规划速度序列，以根据实时的最优规划速度序列控制每个目标车辆执行相应的驾驶动作，从而提高车辆的行驶效率并降低能耗，极大提升在真实时变交通中车速策略的可执行性，有效避免了在执行规划车速的过程中被迫加入排队队伍，满足了在线计算的实时性和精度需求，提高了车辆的行驶安全。由此，解决了现有技术无法满足在线计算的实时性和精度需求，难以适应时变性极强的真实交通，闲置了路侧设备收集的海量交通数据资源等问题。
20、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种车辆绿波通行规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述接收预设路测设备采集的道路交通信息，并利用预设的道路车辆状态估计模型结合所述道路交通信息，生成当前路段的未来交通态势信息，且基于所述未来交通态势信息，获取所述当前路段下次红灯期间的最大排队拥堵状态，以根据所述最大排队拥堵状态和排队车辆消散时间预测模型得到排队车辆消散时间，包括：
3.根据权利要求2所述的方法，其特征在于，所述接收每个目标车辆的位置信息和所述每个目标车辆与前车的相对运动状态信息，并构建所述目标车辆的车辆动力学约束和电机能耗约束，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于绿波车速规划算法和多个约束条件，同时结合所述排队车辆消散时间、所述位置信息和所述相对运动状态信息，生成所述每个目标车辆的当前最优规划速度序列，包括：
5.根据权利要求4所述的方法，其特征在于，所述最优控制模型的数学表达式为：
6.一种车辆绿波通行规划装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述预测模块包括：
8.根据权利要求7所述的装置，其特征在于，所述规划模块包括：
9.根据权利要求8所述的装置，其特征在于，所述规划模块还包括：
10.根据权利要求9所述的装置，其特征在于，所述最优控制模型的数学表达式为：
11.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的车辆绿波通行规划方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的车辆绿波通行规划方法。
