一种用于多智能体系统的交通状态估计器设计方法及装置与流程

1.本发明涉及智能交通和多源信息融合技术领域，具体涉及一种用于多智能体系统的交通状态估计器设计方法及装置。


背景技术：

2.在自动驾驶技术的不断发展中，必然会出现传统人工驾驶车辆与不同等级自动驾驶车辆混行的场景，自动驾驶汽车的一些行车规则与人类驾驶员的行车习惯有差异，而这种差异性导致了混合交通流与传统的交通流的变化，尤其是自动驾驶车辆混入率的变化更加导致了传统的交通流状态估计的方法将不再适用，因此需要提出基于混合交通流的交通状态估计器设计方法进行混合状态的估计。人工驾驶车辆和自动驾驶车辆可看作2类不同的智能体，分别为普通智能体和进化智能体(具备网联功能的自动驾驶车辆)，其形成的混合交通流系统可看作是多智能体系统，其中，进化智能体具备信息的采集和传输功能，可与其他进化智能体及路侧控制单元进行信息的传输，可看作是移动传感器。
3.传统的交通状态估计一般都是采用状态观测器、卡尔曼滤波器等单一类型的状态估计器。其中，
4.状态观测器是将状态估计问题转化为估计值与模型推演值之间误差系统的稳定性问题，以差值趋于0为估计的最佳准则，常被用于交通状态的估计当中；其基本思想是：首先通过观测器的测量输出和实际测量输出之间的差值作为反馈来完成状态观测器的设计，然后在每一步预测/估计环节将观测器的估计值和模型推演值作差，获得误差系统；最后通过求解误差系统的稳定性的可行解获得观测器的增益矩阵，进而计算得到状态估计值。由于将估计问题转化为了系统的稳定性问题，是通过系统的渐进稳定性来完成估计，其估计精度有待提高，但是比直接利用模型推演的精度高很多。
5.卡尔曼滤波器是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用含有高斯白噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出现在时刻的估计值。卡尔曼滤波的实质是由量测值重构系统的状态向量，它以“预测/预估计—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态；其中在“预测/预估计”环节主要是将系统上一时刻的估计值作为初始值，通过系统模型推演获得当前时刻的预测/估计值。
6.上述两类估计器都需要以系统模型为基础进行设计，且都需要实际的测量值对其估计值进行反馈校正；考虑到单一传感器精度有限，且一旦出现故障则无法进行工作。同时，利用系统模型进行系统状态的估计和预测，相当于进行开环控制，由于没有反馈误差进行校正，因此估计和预测的误差都比较大，而无法反映真实的系统状态。
7.随着传感技术的发展，高速公路网中可采集的交通信息的装置越来越丰富，如etc数据采集系统、视频采集系统、微波采集系统和网联自动驾驶车辆等。因此可考虑采用多源信息融合方法获取更精准的传感器测量信息，用于混合估计器的校正。鉴于以上两种估计器的优缺点，将其估计结果进行算法融合，设计出一种新的针对多智能体系统的混合状态
估计器来解决高速公路混合交通状态估计和预测问题。


技术实现要素：

8.针对现有技术中存在的上述问题，本发明提供一种用于多智能体系统的交通状态估计器设计方法及装置。
9.本发明公开了一种用于多智能体系统的交通状态估计器设计方法，包括：
10.将高速路网根据预设位置划分为若干元胞；其中，所述预设位置包括出入口匝道位置、etc门架位置和车道数变化位置；
11.基于划分的元胞，以交通流密度作为交通状态变量，建立高速路网的交通流模型；
12.基于不同类型交通传感器的采集信息计算交通传感器所在元胞的车辆密度，并基于车辆密度确定高速路网中不同类型的交通传感器的输出矩阵；
13.根据由高速路网系统矩阵和每个类型的交通传感器的输出矩阵组成的高速路网系统的可观测性或可检测性，构建至少一个状态观测器和至少一个卡尔曼滤波器；
14.基于状态观测器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第一总车辆密度估计值；
15.基于卡尔曼滤波器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第二总车辆密度估计值；
16.对第一总车辆密度估计值和第二总车辆密度估计值进行加权求和的融合计算，得到最终车辆密度估计值；
17.根据所述最终车辆密度估计值估计高速路网的交通状态。
18.作为本发明的进一步改进，高速路网的交通流模型为：
[0019][0020]
其中，x∈rn表示交通流密度向量，n表示划分的元胞数量；u∈r
p
表示系统的控制输入，y∈rm表示交通传感器可以直接获取的交通参数，m表示布设交通传感器的路段的数量；a是系统矩阵，b是系统的输入矩阵，c是与路网布设的交通传感器相关的输出矩阵，f是常数阵，σ(k)表示不同自动驾驶车辆混入率，ω(k)是系统噪声，ω(k)～n(0,q)；v(k)是测量噪声v(k)～n(0,r)，系统噪声和系统噪声均为高斯白噪声，k为时刻。
[0021]
作为本发明的进一步改进，各个类型的交通传感器对应的输出矩阵包括：
[0022][0023]
其中，l表示交通传感器的种类，c
l
是相应传感器对应的输出矩阵；
[0024][0025]
作为本发明的进一步改进，根据由高速路网系统矩阵和每个类型的交通传感器的输出矩阵组成的高速路网系统的可观测性或可检测性，构建至少一个状态观测器和至少一个卡尔曼滤波器；包括：
[0026]
判断由高速路网系统矩阵a和每个类型的交通传感器对应的输出矩阵ci组成的高速路网系统(a，ci)是否可观测或可检测；
[0027]
若有m个可观测或可检测的高速路网系统，则构建m个状态观测器和卡尔曼滤波器，每个高速路网系统对应一个状态观测器和卡尔曼滤波器；将剩余的n-m个不可观测或不可检测的高速路网系统的输出矩阵进行重新组合，以得到若干个新的高速路网系统；
[0028]
从所述若干个新的高速路网系统中选取出含有交通传感器的数量最少且交通传感器分布均匀的目标高速路网系统，并根据所述目标高速路网系统构建一个对应的状态观测器和和卡尔曼滤波器。
[0029]
作为本发明的进一步改进，状态观测器i表示为：
[0030][0031]
其中，表示第i个比例积分状态观测器估计出的路网密度；fi表示观测器的积分项；l
σ(k)-i
和g
σ(k)-i
表示第i个观测器的比例增益矩阵和积分增益矩阵。
[0032]
作为本发明的进一步改进，卡尔曼滤波器i表示为：
[0033][0034]
其中，表示第i个卡尔曼滤波器的对高速路网密度的预估计值。
[0035]
作为本发明的进一步改进，基于状态观测器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第一总车辆密度估计值；包括：
[0036]
基于m+1个状态观测器计算得到m+1个交通流密度估计值；
[0037]
为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对作为最终的权值；
[0038]
m+1个交通流密度估计值按确定后的权值进行加权求和的融合计算，得到第一总车辆密度估计值。
[0039]
作为本发明的进一步改进，基于卡尔曼滤波器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第二总车辆密度估计值；包括：
[0040]
基于m+1个卡尔曼滤波器计算得到m+1个交通流密度估计值；
[0041]
为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对作为最终的权值；
[0042]
m+1个交通流密度估计值按确定后的权值进行加权求和的融合计算，得到第二总车辆密度估计值。
[0043]
作为本发明的进一步改进，对第一总车辆密度估计值和第二总车辆密度估计值进行加权求和的融合计算，得到最终车辆密度估计值；包括：
[0044]
为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的2个权值组合对作为最终的权值；
[0045]
第一总车辆密度估计值和第二总车辆密度估计值按确定后的权值进行加权求和的融合计算，得到最终车辆密度估计值。
[0046]
本发明还公开了一种用于多智能体系统的交通状态估计器设计装置，用于实现上述用于多智能体系统的交通状态估计器设计方法。
[0047]
与现有技术相比，本发明的有益效果为：
[0048]
本发明集成状态观测器和卡尔曼滤波器的优点，并结合多类型交通传感器特点，分别设计多信息融合的状态观测器和卡尔曼滤波器，然后将两类估计器的结果进行融合计算，获得更为精准的结果；其提升了混合交通流的状态估计精度，提高了网联自动驾驶车辆等不同类型传感器的利用效率。
附图说明
[0049]
图1为本发明一种实施例公开的用于多智能体系统的交通状态估计器设计方法的流程图；
[0050]
图2为本发明一种实施例公开的高速公路元胞划分示意图；
[0051]
图3为本发明一种实施例公开的高速公路各类传感器布设示意图；
[0052]
图4为本发明一种实施例公开的多源融合的状态观测器设计流程图；
[0053]
图5为本发明一种实施例公开的多源融合的卡尔曼滤波器设计流程图；
[0054]
图6为本发明一种实施例公开的混合状态估计器逻辑图。
[0055]
图中：
[0056]
1、etc门架；2、视频传感装置；3、路侧单元；4、路侧计算设施；5、自动驾驶车辆。
具体实施方式
[0057]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058]
下面结合附图对本发明做进一步的详细描述：
[0059]
如图1、6所示，本发明提供一种用于多智能体系统的交通状态估计器设计方法，包括：
[0060]
步骤1、将高速路网根据预设位置划分为若干元胞；其中，预设位置包括但不限于出入口匝道位置、etc门架位置、车道数变化位置和、曲率半径变化位置中的一种或多种；
[0061]
具体包括：
[0062]
将高速公路按照出入口匝道位置、曲率半径变化位置、etc门架位置、车道数变化位置等划分为若干路段，每个路段称为一个元胞，并将划分好的元胞依次标定序号，便于对交通传感器的布设位置进行标记，如图2所示；其中，有出入口匝道的地方作为相邻两个元胞的分界，etc门架也作为相邻两个元胞的分界，车道数变化的位置也作为相邻两个元胞的分界。
[0063]
步骤2、基于划分的元胞，以交通流密度作为交通状态变量，建立高速路网的交通流模型；
[0064]
具体的：
[0065]
高速路网的交通流模型为：
[0066][0067]
其中，x∈rn表示交通流密度向量，n表示划分的元胞数量；u∈r
p
表示系统的控制输入，如通过入口匝道进入主路的车流量；y∈rm表示交通传感器可以直接获取的交通参数，如流量、速度等，m表示布设交通传感器的路段的数量；a是与系统的状态相关的矩阵，称为系统矩阵；b是系统的输入矩阵；c是与路网布设的交通传感器相关的矩阵，称为输出矩阵；f是常数阵；σ(k)表示不同自动驾驶车辆混入率；ω(k)是系统噪声，ω(k)～n(0,q)；v(k)是测量噪声v(k)～n(0,r)，系统噪声和系统噪声均为高斯白噪声，k为时刻；
[0068]
步骤3、基于不同类型交通传感器的采集信息计算交通传感器所在元胞的车辆密度，并基于车辆密度确定高速路网中不同类型的交通传感器的输出矩阵；
[0069]
具体的：
[0070]
如图3所示，etc门架1上安装有视频传感装置2和路侧单元3，视频传感装置2用于采集路上的车流量，并自动转换计算出车辆密度；路侧单元3是etc系统中与车载单元进行通讯，实现车辆身份识别装置，通过此装置可以获取车辆的速度和车流量等信息；路侧计算设施4，主要用于存储不同类型的传感器采集的信息，进行可观测/可检测性判断和多源信息融合的卡尔曼滤波器构造，并将最终的估计结果传输到总的控制中心；5是具备网联功能的自动驾驶车辆，用于采集车辆速度。
[0071]
对于同时存在视频采集装置、移动传感器、etc门架系统等多种类型的交通传感器，则相应的输出方程为：
[0072][0073]
其中，l表示交通传感器的种类，c
l
是相应传感器对应的输出矩阵。
[0074]
由于不同类型的传感器采集的交通信息不同，其需通过相应的换算关系统一转换
成交通流密度，如etc可以采集车辆的瞬时速度和车流量、微波检测器可以采集车流量，网联功能的自动驾驶车辆可计算所在元胞的速度，上述传感器采集的车流量和速度等都可以转换成路段密度作为测量输出结果；因此不同类型传感器对应的输出矩阵可采用统一的表示方法，具体形式如下：
[0075][0076]
即只要在第i个元胞布设了传感器，则其输出矩阵对应位置元素是1，否则是0。
[0077]
测量值与状态量间的计算和转换，具体包括：
[0078]
1.对于入口和出口都有etc门架的元胞，可分别通过出、入口处etc采集的一个采样周期内车流量计算出元胞的车辆密度，即：
[0079][0080]
其中，ρi表示元胞i的密度，t表示采用周期(单位：秒)，li表示元胞i的的长度(单位：米)，q
i-in
一个采用周期内进入元胞i的车流量，q
i-out
一个采用周期内流出元胞i的车流量；
[0081]
通过上式计算得到的车辆密度可看作是元胞i的实际测量值，因此对应的输出矩阵c中相应的元素为1，否则为0。
[0082]
2.对于元胞内有智能网联功能的自动驾驶车辆，可通过每个车辆的速度，计算出该元胞的平均速度，即
[0083][0084]
其中，n为元胞i内的网联自动驾驶车辆数量，vj为第j辆网联自动驾驶车辆的速度。
[0085]
然后根据速度与密度间的关系，进一步计算出该元胞的车辆密度。
[0086]
步骤4、比例积分状态观测器设计：根据由高速路网系统矩阵和每个类型的交通传感器的输出矩阵组成的高速路网系统的可观测性或可检测性，构建至少一个状态观测器；基于状态观测器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第一总车辆密度估计值；
[0087]
如图4所示，具体包括：
[0088]
判断由高速路网系统矩阵a和每个类型的交通传感器对应的输出矩阵ci组成的高速路网系统(a，ci)是否可观测或可检测；若有m个可观测或可检测的高速路网系统，则构建m个状态观测器；状态观测器i表示为：
[0089][0090]
其中，表示第i个比例积分状态观测器估计出的路网密度；fi表示观测器的积分项；l
σ(k)-i
和g
σ(k)-i
表示第i个观测器的比例增益矩阵和积分增益矩阵；
[0091]
通过所设计的观测器估计/预测相应的高速路网交通流密度剩余的n-m不可观测/不可检测系统的输出矩阵进行重新组合，获得若干个新的系统，判断系统(a
σ(k)
,ci),i＝1,
…
,q是否可观测/可检测，若有若干个新组合的系统满足可观测/可检测，则选取含有传感器数量最少且分布尽可能均匀的交通传感器对应的系统(a
σ(k)
,cj)，进行观测器的设计并估计/预测高速路网相应的交通流密度至此共获得m+1个交通流密度的估计/预测值。
[0092]
为了得到更精确的估计/预测密度，本发明为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对作为最终的权值；m+1个交通流密度估计值按确定后的权值进行加权求和的融合计算，得到第一总车辆密度估计值；具体包括：
[0093]
1、假设每个观测器的估计/预测值都有一个权值λ
s-i
,i＝1,
…
,m+1，因此可计算m+1个权值组合对{λ
s-1
,λ
s-2
,
…
,λ
s-m+1
}，则交通流密度的加权求和结果为：
[0094][0095]
2、分别计算m+1个观测器的估计/预测结果与的差值δ
s-i
,i＝1,
…
,m+1，即
[0096][0097]
3、在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对{λ1,λ2,
…
,λ
m+1
}作为最终的权值：
[0098][0099]
4、根据得出的权值λi计算交通流最终的估计/预测值：
[0100][0101]
步骤5、卡尔曼滤波器设计：根据由高速路网系统矩阵和每个类型的交通传感器的输出矩阵组成的高速路网系统的可观测性或可检测性，构建至少一个卡尔曼滤波器；基于卡尔曼滤波器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第二总车辆密度估计值；
[0102]
如图5所示，具体包括：
[0103]
判断由高速路网系统矩阵a和每个类型的交通传感器对应的输出矩阵ci组成的高速路网系统(a，ci)是否可观测或可检测；若有m个可观测或可检测的高速路网系统，则构建m个卡尔曼滤波器；
[0104]
卡尔曼滤波器i如下所示：
[0105]
1、根据高速路网模型进行卡尔曼滤波器的预估计，即卡尔曼滤波器的先验状态估计值：
[0106][0107]
其中，表示第i个卡尔曼滤波器的对高速路网密度的预估计值，也称为先验状态估计值。
[0108]
2、计算卡尔曼滤波器的先验误差协方差矩阵
[0109][0110]
3、计算卡尔曼滤波器的增益矩阵g
k-i
：
[0111][0112]
4、根据卡尔曼滤波器的预估计值先验误差协方差矩阵和增益矩阵g
k-i
更新后验状态估计值，得到卡尔曼滤波器i最终的估计值更新后验状态估计值，得到卡尔曼滤波器i最终的估计值
[0113]
5、更新后验误差协方差
[0114][0115]
最后按照以上步骤进行循环计算，即可计算出每类传感器对应的卡尔曼滤波器的估计值
[0116]
通过所构造的卡尔曼滤波器估计出相应的高速路网交通流密度剩余的n-m不可观测/不可检测系统的输出矩阵进行重新组合，获得若干个新的系统，判断系统(a
σ(k)
,ci),i＝1,
…
,q是否可观测/可检测，若有若干个新组合的系统满足可观测/可检测，则选取含有传感器数量最少且分布尽可能均匀的交通传感器对应的系统(a
σ(k)
,cj)，卡尔曼滤波器的构造并估计高速路网相应的交通流密度至此共获得m+1个交通流密度的估计值。
[0117]
为了得到更精确的估计/预测密度，本发明为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对作为最终的权值；m+1个交通流密度估计值按确定后的权值进行加权求和的融合计算，得到第二总车辆密度估计值；具体包括：
[0118]
1)、假设每个卡尔曼滤波器的估计值都有一个权值λ
k-i
,i＝1,
…
,m+1，因此可计算
m+1个权值组合对{λ
k-1
,λ
k-2
,
…
,λ
k-m+1
}，则交通流密度的加权求和结果为：
[0119][0120]
2)、分别计算m+1个卡尔曼滤波器的估计结果与的差值δ
k-i
,i＝1,
…
,m+1，即
[0121][0122]
3)、在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对{λ
k-1
,λ
k-2
,
…
,λ
k-m+1
}作为最终的权值：
[0123][0124]
4)、根据得出的权值λ
k-i
计算交通流最终的估计值：
[0125][0126]
步骤6、混合估计器设计：对第一总车辆密度估计值和第二总车辆密度估计值进行加权求和的融合计算，得到最终车辆密度估计值，根据最终车辆密度估计值估计高速路网的交通状态；
[0127]
具体包括：
[0128]
1、假设状态观测器和卡尔曼滤波器的估计值权值分别是ηs和ηk，因此可计算2个权值组合对{ηs,ηk}，则交通流密度的加权求和结果为：
[0129][0130]
2、分别计算状态观测器和卡尔曼滤波器的估计结果与的差值δs和δk，即
[0131][0132][0133]
3、在每个采样周期内进行循环计算，求出标准差最小值对应的2个权值组合对{ηs,ηk}作为最终的权值：
[0134][0135]
4、根据得出的权值ηs和ηk，计算出交通流密度最终的估计值：
[0136][0137]
本发明提供一种用于多智能体系统的交通状态估计器设计装置，包括：
[0138]
路网划分单元，用于实现交通状态估计器设计方法中的步骤1；
[0139]
路网建模单元，用于实现交通状态估计器设计方法中的步骤2、3；
[0140]
状态观测器设计单元，用于实现交通状态估计器设计方法中的步骤4；
[0141]
卡尔曼滤波器设计单元，用于实现交通状态估计器设计方法中的步骤5；
[0142]
混合估计器设计单元，用于实现交通状态估计器设计方法中的步骤6。
[0143]
本发明的优点为：
[0144]
本发明集成状态观测器和卡尔曼滤波器的优点，并结合多类型交通传感器特点，分别设计多信息融合的状态观测器和卡尔曼滤波器，然后将两类估计器的结果进行融合计算，获得更为精准的结果；其提升了混合交通流的状态估计精度，提高了网联自动驾驶车辆等不同类型传感器的利用效率。
[0145]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种用于多智能体系统的交通状态估计器设计方法，其特征在于，包括：将高速路网根据预设位置划分为若干元胞；其中，所述预设位置包括出入口匝道位置、etc门架位置和车道数变化位置；基于划分的元胞，以交通流密度作为交通状态变量，建立高速路网的交通流模型；基于不同类型交通传感器的采集信息计算交通传感器所在元胞的车辆密度，并基于车辆密度确定高速路网中不同类型的交通传感器的输出矩阵；根据由高速路网系统矩阵和每个类型的交通传感器的输出矩阵组成的高速路网系统的可观测性或可检测性，构建至少一个状态观测器和至少一个卡尔曼滤波器；基于状态观测器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第一总车辆密度估计值；基于卡尔曼滤波器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第二总车辆密度估计值；对第一总车辆密度估计值和第二总车辆密度估计值进行加权求和的融合计算，得到最终车辆密度估计值；根据所述最终车辆密度估计值估计高速路网的交通状态。2.如权利要求1所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，高速路网的交通流模型为：其中，x∈r
n
表示交通流密度向量，n表示划分的元胞数量；u∈r
p
表示系统的控制输入，y∈r
m
表示交通传感器可以直接获取的交通参数，m表示布设交通传感器的路段的数量；a是系统矩阵，b是系统的输入矩阵，c是与路网布设的交通传感器相关的输出矩阵，f是常数阵，σ(k)表示不同自动驾驶车辆混入率，ω(k)是系统噪声，ω(k)～n(0,q)；v(k)是测量噪声v(k)～n(0,r)，系统噪声和系统噪声均为高斯白噪声，k为时刻。3.如权利要求2所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，各个类型的交通传感器对应的输出矩阵包括：其中，l表示交通传感器的种类，c
l
是相应传感器对应的输出矩阵；
4.如权利要求3所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，根据由高速路网系统矩阵和每个类型的交通传感器的输出矩阵组成的高速路网系统的可观测性或可检测性，构建至少一个状态观测器和至少一个卡尔曼滤波器；包括：判断由高速路网系统矩阵a和每个类型的交通传感器对应的输出矩阵c
i
组成的高速路网系统(a，c
i
)是否可观测或可检测；若有m个可观测或可检测的高速路网系统，则构建m个状态观测器和卡尔曼滤波器，每个高速路网系统对应一个状态观测器和卡尔曼滤波器；将剩余的n-m个不可观测或不可检测的高速路网系统的输出矩阵进行重新组合，以得到若干个新的高速路网系统；从所述若干个新的高速路网系统中选取出含有交通传感器的数量最少且交通传感器分布均匀的目标高速路网系统，并根据所述目标高速路网系统构建一个对应的状态观测器和和卡尔曼滤波器。5.如权利要求4所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，状态观测器i表示为：其中，表示第i个比例积分状态观测器估计出的路网密度；f
i
表示观测器的积分项；l
σ(k)-i
和g
σ(k)-i
表示第i个观测器的比例增益矩阵和积分增益矩阵。6.如权利要求4所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，卡尔曼滤波器i表示为：其中，表示第i个卡尔曼滤波器的对高速路网密度的预估计值。7.如权利要求4所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，基于状态观测器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第一总车辆密度估计值；包括：基于m+1个状态观测器计算得到m+1个交通流密度估计值；为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对作为最终的权值；m+1个交通流密度估计值按确定后的权值进行加权求和的融合计算，得到第一总车辆密度估计值。
8.如权利要求4所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，基于卡尔曼滤波器计算高速路网的交通流密度估计值，对所有车辆密度估计值进行加权求和的融合计算，得到第二总车辆密度估计值；包括：基于m+1个卡尔曼滤波器计算得到m+1个交通流密度估计值；为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的m+1权值组合对作为最终的权值；m+1个交通流密度估计值按确定后的权值进行加权求和的融合计算，得到第二总车辆密度估计值。9.如权利要求1所述的用于多智能体系统的交通状态估计器设计方法，其特征在于，对第一总车辆密度估计值和第二总车辆密度估计值进行加权求和的融合计算，得到最终车辆密度估计值；包括：为每个交通流密度估计值确定各自对应的权值；其中，权值的确定方法为：在每个采样周期内进行循环计算，求出标准差最小值对应的2个权值组合对作为最终的权值；第一总车辆密度估计值和第二总车辆密度估计值按确定后的权值进行加权求和的融合计算，得到最终车辆密度估计值。10.一种用于多智能体系统的交通状态估计器设计装置，其特征在于，用于实现如权利要求1～9中任一项所述的用于多智能体系统的交通状态估计器设计方法。

技术总结
本发明公开了一种用于多智能体系统的交通状态估计器设计方法及装置，包括：将高速路网根据预设位置划分为若干元胞，以交通流密度作为交通状态变量，建立高速路网的交通流模型，并确定交通传感器的输出矩阵；根据由高速路网系统矩阵和每个类型的交通传感器的输出矩阵组成的高速路网系统的可观测性或可检测性，构建至少一个状态观测器和至少一个卡尔曼滤波器；分别对基于状态观测器和卡尔曼滤波器得到的所有车辆密度估计值进行加权求和的融合计算，得到第一和第二总车辆密度估计值；对第一和第二总车辆密度估计值进行加权求和的融合计算，得到最终车辆密度估计值。本发明提升了混合交通流的状态估计精度，提高了不同类型传感器的利用效率。型传感器的利用效率。型传感器的利用效率。


技术研发人员：汪林 郭宇奇 朱丽丽 高剑 黄烨然 卢立阳 朱杰锐 尹升 牛树云
受保护的技术使用者：交通运输部公路科学研究所
技术研发日：2022.12.01
技术公布日：2023/6/26