本公开涉及智能驾驶，更具体地，涉及一种曲线道路下混合车辆队列的控制方法。
背景技术：
1、随着自动驾驶与网络通信技术的进步，具有车车通信功能的自动驾驶车辆能显著提升交通效率。未来，人类驾驶车辆与自动驾驶车辆共存的混合交通将长期存在。通常根据自动驾驶车辆附近的车辆的运动状态，控制自动驾驶车的速度、方向等，以保证交通安全。
2、但曲线道路的路况复杂以及驾驶员的驾驶风格多变，使得驾驶员所驾驶的车辆的运动状态难以准确预测，造成混合交通中自动驾驶车的控制精度较低。
技术实现思路
1、有鉴于此，本公开提供了一种曲线道路下混合车辆队列的控制方法。
2、本公开的一个方面提供了一种曲线道路下混合车辆队列的控制方法，包括：从混合车辆队列中领航车的历史驾驶数据中提取车辆运动特征，混合车辆队列中包括自动驾驶车和驾驶员驾驶的领航车；将车辆运动特征输入激进系数估计器，得到驾驶员的激进系数，激进系数估计器是基于多特征决策分析方法构建的；将道路曲率序列、历史速度序列和激进系数输入车辆速度预测模型，得到领航车的速度预测序列，道路曲率序列表征领航车在被驾驶时间段内的道路曲率信息，历史速度序列表征领航车在被驾驶时间段内的速度信息，车辆速度预测模型是由神经网络模型与恒加速预测模型构成的，恒加速预测模型是将领航车在行驶过程中的加速度设置为恒定值；根据领航车的速度预测序列对混合车辆队列中自动驾驶车进行控制。
3、本公开的另一个方面提供了一种曲线道路下混合车辆队列的控制装置，包括：提取模块用于从混合车辆队列中领航车的历史驾驶数据中提取车辆运动特征，混合车辆队列中包括自动驾驶车和驾驶员驾驶的领航车；第一输入模块用于将车辆运动特征输入激进系数估计器，得到驾驶员的激进系数，激进系数估计器是基于多特征决策分析方法构建的；第二输入模块用于将道路曲率序列、历史速度序列和激进系数输入车辆速度预测模型，得到领航车的速度预测序列，道路曲率序列表征领航车在被驾驶时间段内的道路曲率信息，历史速度序列表征领航车在被驾驶时间段内的速度信息，车辆速度预测模型是由神经网络模型与恒加速预测模型构成的，恒加速预测模型是将领航车在行驶过程中的加速度设置为恒定值；控制模块用于根据领航车的速度预测序列对混合车辆队列中自动驾驶车进行控制。
4、本公开的另一个方面提供了一种电子设备，包括：
5、一个或多个处理器；
6、存储器，用于存储一个或多个程序，
7、其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
8、本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
9、本公开的另一方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
10、根据本公开的实施例，通过从混合车辆队列中领航车的历史驾驶数据中提取车辆运动特征，再将车辆运动特征输入激进系数估计器，得到驾驶员的激进系数，以获得驾驶员的驾驶风格信息。
11、由于将道路曲率序列、历史速度序列和激进系数输入车辆速度预测模型，考虑到道路曲率变化和驾驶员的驾驶风格的影响，因此得到的领航车的速度预测序列更为准确。同时车辆速度预测模型是由神经网络模型与恒加速预测模型构成的，即理论模型与神经网络融合，可增加领航车的速度预测序列的准确性。再根据领航车的度预测序列对混合车辆队列中自动驾驶车进行精准控制，提高了混合车辆队列中自动驾驶车的控制精度。
1.一种曲线道路下混合车辆队列的控制方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述将道路曲率序列、历史速度序列和所述激进系数输入车辆速度预测模型，得到所述领航车的速度预测序列包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述道路曲率序列、所述历史速度序列和所述激进系数输入所述车辆速度预测模型中的所述神经网络模型，得到所述领航车的速度补偿预测序列包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述道路曲率序列、所述历史速度序列和所述激进系数进行时间特征提取，得到时间信息序列包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述道路曲率序列、所述历史速度序列和所述激进系数进行拼接，得到列数增加的拼接特征向量，还包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述车辆运动特征输入激进系数估计器，得到所述驾驶员的激进系数包括：
7.根据权利要求6所述的方法，其特征在于，所述车辆运动特征包括平均速度、最大速度、平均纵向加速度、最大纵向加速度、平均横向加速度、最大横向加速度，所述驾驶员的所述激进系数的公式如下：
8.根据权利要求1所述的方法，其特征在于，所述根据所述领航车的所述速度预测序列对所述混合车辆队列中所述自动驾驶车进行控制包括：
9.根据权利要求8所述的方法，其特征在于，所述局部模型预测控制算法是由车辆运动学模型、路径耦合扩展前瞻策略和局部最优控制器构成。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
