CN108877256B - 基于无线通信的交叉口附近分散协同自适应巡航控制方法 - Google Patents

基于无线通信的交叉口附近分散协同自适应巡航控制方法 Download PDF

Info

Publication number
CN108877256B
CN108877256B CN201810676868.1A CN201810676868A CN108877256B CN 108877256 B CN108877256 B CN 108877256B CN 201810676868 A CN201810676868 A CN 201810676868A CN 108877256 B CN108877256 B CN 108877256B
Authority
CN
China
Prior art keywords
vehicle
fleet
speed
space
vehicles
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
CN201810676868.1A
Other languages
English (en)
Other versions
CN108877256A (zh
Inventor
齐丽娜
吴�荣
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201810676868.1A priority Critical patent/CN108877256B/zh
Publication of CN108877256A publication Critical patent/CN108877256A/zh
Application granted granted Critical
Publication of CN108877256B publication Critical patent/CN108877256B/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
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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]
    • 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]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，目的是为每辆车提供最佳路线的建议，使车辆能够通过交叉口而不被打断，最小化交叉口延误，从而使尽可能多的车辆通过交叉口。本发明充分利用V2X通信技术和自适应巡航控制系统，建立适用于道路交叉口的分散协同自适应巡航控制的车辆运动模型，利用基于粒子群算法的车队控制方法有效降低车辆的踪迹误差，采用轨迹规划方法和空间管理方法便于子车队或者个体车辆选择加速通过交叉口或者减速等待下一次机会；在考虑车辆安全性，燃料消耗，车速限制，车辆的不同特征以及乘客的舒适度的情况下，通过重组车队来提高交叉口的吞吐量。

Description

基于无线通信的交叉口附近分散协同自适应巡航控制方法
技术领域
本发明属于智能交通技术领域，具体涉及一种基于无线通信的交叉口附近分散协同自适应巡航控制方法。
背景技术
V2X(Vehicle-to-everything，车与任何物)是指车对外界的信息交换，是一系列车载通信技术的总称。V2X主要包括通过无线自组织网络进行通信的车与车(V2V，Vehicleto Vehicle)和通过专用短程通信(DSRC，Dedicated Short-Range Communication)进行通信的V2I(Vehicle to Infrastructure车与基础设施)，是智能交通系统的关键技术。基于V2X技术不仅可以大幅度提高交通安全、降低交通事故率、减少拥堵，还可以为自动驾驶、智能交通提供低成本、易部署的支撑和基础平台。
自适应巡航控制系统(ACC，Adaptive Cruise Control)，它通过传感器感知行驶环境和自车状态，辅助驾驶员对车辆进行控制，提高了司机驾驶的安全性和舒适性。但是，目前的ACC系统仍然存在缺点，例如无法实现更复杂的城市场景，并限制前车突然回旋的预期能力。利用V2X技术，ACC可以扩展到协同ACC(CACC)。通过车车协同控制的方法，实现协同式队列控制，在保证安全性的基础上，能够相对自适应巡航控制系统较小的保持车辆跟随车间距，减少队列中车辆速度的波动，更好的改善交通安全性、降低交通能耗、提高交通效率。
粒子群优化算法(Particle Swarm Optimization,PSO)是一种进化计算技术(evolutionary computation)，1995年由Eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。在PSO中，每个优化问题的解都是搜索空间中的一只鸟，我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应度值，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
粒子群算法作为一种新兴的优化算法，由于它具有搜索效率高、容易实现且不需要求偏导等优点，使得该算法成为国内外在优化领域的一个研究热点。当使用PSO算法求解约束优化问题时，如何处理约束条件是得到好的优化结果的关键。目前多数算法都是采用惩罚函数法来约束条件，而要设计一个合适的罚函数并非一件容易的事，因为罚函数的设计严重依赖于问题的本身。不恰当的罚函数可能导致在不可行域产生多个局部最优点或找到的最优解不是可行解。
发明内容
为解决现有技术中的不足，本发明提供一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，解决了现有自适应巡航控制方法安全性较低、交叉口吞吐量较低、交通效率较低问题。
为了实现上述目标，本发明采用如下技术方案：一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：包括步骤：
一、建立具有位置、速度和加速度三种状态的纵向车辆模型，通过引入预期速度和预期加速度，计算得到车间距、速度、加速度的跟踪误差；
二、在基于PSO的车队控制方法中，定义一个成本函数，根据约束条件建立比较粒子优劣的新准则，得到具有双适应度的改进粒子群算法；
三、利用轨迹规划方法，为车辆找到最佳的轨迹；利用空间管理方法量化道路空间，为车辆分配道路空间；
四、结合轨迹规划方法和空间管理方法将车队进行重组；再结合基于PSO的车队控制方法，为车辆选择巡航控制方法。
前述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤一中,建立具有位置、速度和加速度三种状态的纵向车辆模型，通过引入预期速度和预期加速度，计算得到车间距、速度、加速度的跟踪误差，具体为：
假设没有考虑车辆换道情况，建立具有位置、速度和加速度三种状态的纵向车辆模型，对于第i个车辆Vi，有车辆模型：
Figure BDA0001709997990000031
xi(t)＝[pi(t) vi(t) ai(t)]T (2)
Figure BDA0001709997990000032
式中，xi(t)表示第i个车辆在t时刻的系统状态，
Figure BDA0001709997990000033
表示第i个车辆在t时刻的状态变量，pi(t)，vi(t)和ai(t)分别表示第i个车辆在t时刻的位置、速度和加速度；ui(t)表示第i个车辆在t时刻的控制输入；τi表示第i个车辆动力系统的时间常数；
为了使车辆模型离散化，假定车辆模型为：
xi(k+1)＝Aixi(k)+Biui(k) (4)
式中，xi(k)表示第i个车辆在第k次采样时刻的系统状态，ui(k)表示第i个车辆在第k次采样时刻的控制输入，Ai和Bi表示系统矩阵；
车辆模型约束条件为：
Figure BDA0001709997990000041
式中，vi(k)表示第i个车辆在第k次采样时刻的速度，vlimit表示速度限制，umax,i表示第i个车辆的最大控制输入，Δai(k)表示第i个车辆在第k次采样时刻的加速度变化率，|Δa|max,i表示第i个车辆的最大加速度变化率，Ptractive,i(k)表示第i个车辆在第k次采样时刻的牵引功率，ηi表示第i个车辆的传动效率，Pengine,i表示第i个车辆的发动机功率，δi(k)表示车辆Vi与前车Vi-1在第k次采样时刻的间距误差，di(k)表示第i个车辆在第k次采样时刻与前车保持的安全距离；
车辆Vi的安全距离di(k)表示为：
di(k)＝ri·dmin,i+hi·vi(k) (6)
式中，ri表示第i个车辆安全系数，dmin,i表示第i个车辆与前车的最小车辆间距离，hi表示第i个车辆识别前车刹车行为的时间延迟；
车辆Vi与前车Vi-1的间距误差δi(k)表示为：
δi(k)＝pi-1(k)-pi(k)-di(k)-li (7)
式中，pi(k)表示第i个车辆在第k次采样时刻的位置，pi-1(k)表示前车Vi-1在第k次采样时刻的位置，li示第i个车辆的长度；
vr,i(k)＝(1-ωi)·vi-1(k)+ωi·vl(k)
ar,i(k)＝(1-ωi)·ai-1(k)+ωi·al(k) (8)
式中，vr,i(k)表示第i个车辆在第k次采样时刻的预期速度，vi-1(k)表示前车在第k次采样时刻的速度，vl(k)表示领导车辆在第k次采样时刻的速度，ar,i(k)表示第i个车辆在第k次采样时刻的预期加速度，ai-1(k)表示前车在第k次采样时刻的加速度，al(k)表示领导车辆在第k次采样时刻的加速度，ωi表示第i个车辆受领导车辆影响的权重，由此，车辆Vi的速度误差Δve,i(k)和加速度误差Δae,i(k)分别表示为：
Δve,i(k)＝vi(k)-vr,i(k)
Δae,i(k)＝ai(k)-ar,i(k) (9)
式中，ai(k)表示第i个车辆在第k次采样时刻的加速度；
车辆Vi的踪迹误差ei(k)表示为：ei(k)＝[δi(k) Δve,i(k) Δae,i(k)]。
前述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤二中，在基于PSO的车队控制方法中，定义一个成本函数，根据约束条件建立比较粒子优劣的新准则，得到具有双适应度的改进粒子群算法，具体步骤包括：
1)定义成本函数，第i个车辆成本函数J(Vi)为：
Figure BDA0001709997990000051
式中，
Figure BDA0001709997990000061
表示成本函数对于间距、速度和加速度误差的权阵，qi,1、qi,2、qi,3表示间距、速度、加速度误差的权重，Ri＝conti表示控制输入的权重；
2)考虑到车辆受到速度限制、功率限制、车辆安全和加速度变化率的影响，将在约束条件下求解最优控制输入的问题转化为约束优化问题，针对约束优化问题，采用将成本函数与约束条件相分离的方法，即：
fitness(m)＝J(Vi),voilation(m)＝G(gi) (14)
式中，fitness(m)表示粒子m的目标函数，voilation(m)表示粒子m与约束边界的接近程度，G(gi)是由约束条件共同构成的函数，定义为：
Figure BDA0001709997990000062
式中，M表示约束条件的个数；
3)建立PSO算法中粒子的比较准则：首先给定一个常数ε＞0，
1、当两个粒子m和n都可行时，比较他们之间的目标函数适应度Ffitness(m)和Ffitness(n)，适应度小的个体为优；
2、当两个粒子m和n都不可行时，比较他们之间的约束条件适应度Fvoilation(m)和Fvoilation(n)，适应度小的个体为优；
3、当m粒子可行而n粒子不可行时，如果voilation(n)<ε，则比较它们的适应度Ffitness(m)和Ffitness(n)，适应度小的个体为优；否则，m粒子为优；
为了将不可行解的比例保持在一个固定的水平p＞0,引入如下自适应调整的策略：
Figure BDA0001709997990000071
4)在粒子比较准则的基础上，提出一种具有双适应度群体的PSO算法。
前述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述具有双适应度群体的PSO算法，包括步骤如下：
步骤1：初始化粒子群，即为群体中的每个粒子随机赋予初始位置和初始速度；
步骤2：计算群体中每个粒子的优化目标函数适应度Ffitness(m)和约束条件适应度Fvoilation(m)；
步骤3：根据所计算的粒子双适应度值与粒子比较准则，确定群体中每个粒子迄今为止所经历的最好位置，确定群体迄今为止所经历的最好位置；
步骤4：群体中的粒子根据下式速度和位置更新粒子飞行速度和位置：
Figure BDA0001709997990000072
式中，D表示粒子维数，K表示当前迭代次数，c1和c2为加速度常数，β1和β2为两个相互独立的随机函数，φ为惯性权重，PmD表示粒子m的个体历史最优位置，PgD表示群体的历史最优位置，
Figure BDA0001709997990000073
表示粒子m的当前位置，
Figure BDA0001709997990000074
表示粒子m的当前速度，
Figure BDA0001709997990000081
表示粒子m的速度更新，
Figure BDA0001709997990000082
表示粒子m的位置更新；
步骤5：重复步骤2、3和4，当迭代的次数达到设置的迭代上限时结束，最终，通过该粒子群算法找到最优控制输入，使得成本函数最小。
前述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤三中，利用轨迹规划方法，为车辆找到最佳的轨迹，具体步骤包括：
1)将车辆进行分类，根据车辆能否在限定时间以一定的速度通过道路交叉口，将车辆分为三个子车队：匀速通过的车队C1，加速通过的车队C2，减速至较小速度直至交通灯再次变绿的车队C3；
2)用轨迹规划方法为C2和C3车队的车辆规划轨迹，使得车辆能够在特定时间顺利通过交叉口，将轨迹规划问题转化为以下优化问题，使得控制输入最小，即：
minimize|ui| (21)
同时车队要满足以下限制：
对于加速通过的车队C2：
Figure BDA0001709997990000083
式中，vtarget表示目标速度，Tr表示交通灯变为红灯的时刻，t11、t12、t13分别表示C2车队中的车辆在加速、匀速和减速部分的持续时间，vi(t11+t12+t13)表示车辆Vi在经过t11、t12、t13三个时间段后的速度，vi(t11)表示车辆Vi在经过t11时间段后的速度；ptractive,i(t11)表示车辆Vi在速度为vi(t11)时的牵引功率；
对于减速至较小速度直至交通灯再次变绿的车队C3：
Figure BDA0001709997990000091
式中，voriginal表示初始速度，Tg表示交通灯变为绿灯的时刻，t21、t22、t23分别表示C3车队中的车辆在减速、匀速、加速部分持续时间，vi(t21+t22+t23)表示车辆Vi在经过t21、t22、t23三个时间段后的速度；
对于所有车辆：
Figure BDA0001709997990000092
式中，d(vi(t),ui(t),tb)表示车辆以速度vi(t)，控制输入ui(t)在时间段tb(b＝1,2,3)通过的距离，p′i表示第i个车辆的未来位置，pi表示第i个车辆的初始位置，vi(t1+t2)表示车辆Vi在经过t1,t2时间段后的速度。
前述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤三中，利用空间管理方法量化道路空间，为车辆分配道路空间，具体步骤包括：
1)量化道路空间，将交通信号时间广播给所有车辆，假设所有车辆都能接收到消息，基于交通灯变为红灯的时刻Tr、初始速度voriginal、红绿灯位置pT和初始位置pi，根据公式p′i＝pi+voriginal·Tr预测车辆Vi的未来位置p′i；如果p′i＞pT，即车辆保持当前速度可以通过交叉口，将其标签设为C1；否则，将其标签设为C2；如果C1车队中最后一个通过的车辆是Vj，定义Vj的未来位置p′j和红绿灯位置pT之间的空间为机会空间S，即：
S＝p'j-pT＝pj+voriginal·Tr-pT (25)
式中，pj表示第j个车辆的初始位置；
当确定机会空间后，将包含机会空间和目标速度的消息发送给C2车队中的车辆，然后该车队中的车辆根据目标速度找到自身的需求空间，将车辆Vi的需求空间定义为车辆长度和安全距离的总和SN,i：
SN,i＝li+d′i＝li+ri·dmin,i+hi·vtarget (26)
式中，d′i表示第i个车辆以目标速度行驶时的安全距离；
2)C2车队中的车辆分配机会空间，通过V2V通信，将包含车辆ID、剩余机会空间的消息从C2车队中的领导者传向该车队的尾部，假设C2车队中的所有车辆都能收到消息，如果车辆Vi是C2中的尾车，那么Vi向路口管理者发送V2X消息表明剩余的空间；如果车辆Vi不是C2中的尾车并且接收到的剩余机会空间大于自身的需求空间，那么计算新的剩余空间并发送给临近的后一辆车；如果剩余的机会空间小于车辆的需求空间，该车需要做以下几个操作：首先，将标签改为C3并发送放弃消息给C2中的后续车辆，使得后续车辆将标签改为C3；其次，将本车的需求空间设置为0，并发送包含本车ID、需求空间的消息给前车Vi-1；第三，车辆Vi向路口管理者发送V2X消息表明机会空间已经完全分配。
前述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤四中，结合轨迹规划方法和空间管理方法将车队进行重组；再结合基于PSO的车队控制方法，为车辆选择巡航控制方法，具体步骤包括：
1)结合轨迹规划方法和空间管理方法将车队进行重组，车队重组包括以下操作过程：首先C2车队中的后面车辆将包含本车及其后面所有车辆的ID、需求空间消息发送给前面的车辆；然后车辆Vi根据后面车辆的需求空间及自身的需求空间信息利用公式
Figure BDA0001709997990000111
计算未来位置p′i，θ表示C2车队中车辆Vi的后面车辆ID，SN,θ表示第θ个车辆的需求空间，接着根据步骤三提出的轨迹规划方法，为车辆寻找控制输入；如果控制输入存在并且Vi是车队领导车辆时，发送确认信息给车队C2的所有车辆；如果控制输入存在但Vi不是车队领导车辆时，Vi发送信息给前车Vi-1；如果控制输入不存在并且Vi不是当前车队的尾车时，Vi发送丢弃信息给尾车实现车队重组，重新计算未来位置p′i并执行轨迹规划方法；当Vi成为车队尾车并且没有找到控制输入时，离开车队C2实现车队重组，并发送一个零需求空间的消息给前车；一直重复上面的操作过程直到重组车队C2的所有车辆找到最佳轨迹，使得所有车辆能够在特定时间到达已确定的未来位置；
2)利用轨迹规划方法为重组车队C3中的车辆寻找最佳轨迹；首先确定C3车队中车辆的未来位置，假设C3车队中的第一个车辆是Vσ，长度是lσ，车辆Vσ的未来位置用pT-lσ表示；车队中其他车辆Vi的未来位置用
Figure BDA0001709997990000112
表示，其中，SN,λ表示C3车队中车辆Vλ的需求空间，λ表示车辆Vλ的ID；然后根据步骤三中提出的轨迹规划方法为C3车队中的车辆寻找最佳轨迹；如果能够找到最佳轨迹，C3车队中的车辆就可以在不停车的情况在顺利通过交叉口；
3)、结合基于PSO的车队控制方法为重组车队C2和C3中的车辆选择控制方法，重组车队中的领导车辆按照已规划好的轨迹行驶，其余的车辆通过步骤二中提出的基于PSO的车队控制方法行驶，对于原车队的领导车辆经过车队重组变成非领导车辆后，采用混合控制策略行驶：首先按照规划好的轨迹行驶，当与前车的间距小于4米时再通过基于PSO的车队控制方法行驶。
本发明具有的有益效果：本发明充分利用V2X通信技术和自适应巡航控制系统，建立适用于道路交叉口的分散协同自适应巡航控制的车辆运动模型，利用基于PSO的车队控制方法有效降低车辆的踪迹误差，采用轨迹规划方法和空间管理方法便于子车队或者个体车辆选择加速通过交叉口或者减速等待下一次机会；在考虑车辆安全性，燃料消耗，车速限制，车辆的不同特征以及乘客的舒适度的情况下，通过重组车队来提高交叉口的吞吐量。
附图说明
图1是本发明车辆运动模型示意图；
图2是本发明算法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图2所示，一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，包括步骤：
一、建立具有位置、速度和加速度三种状态的纵向车辆模型，通过引入预期速度和预期加速度，计算得到车间距、速度、加速度的跟踪误差；
二、在基于粒子群优化算法(PSO)的车队控制方法中，定义一个成本函数，根据约束条件建立比较粒子优劣的新准则，得到具有双适应度的改进粒子群算法；
三、利用轨迹规划方法，为车辆找到最佳的轨迹；利用空间管理方法量化道路空间，为车辆分配道路空间；
四、结合轨迹规划方法和空间管理方法将车队进行重组；再结合基于PSO的车队控制方法，为车辆选择巡航控制方法。
所述步骤一中,具有位置、速度和加速度三种状态的纵向车辆模型，通过引入预期速度和预期加速度，计算得到车间距、速度、加速度的跟踪误差，具体为：
如图1所示，假设没有考虑车辆换道情况，建立具有位置、速度和加速度三种状态的纵向车辆模型，对于第i个车辆Vi，有车辆模型：
Figure BDA0001709997990000131
xi(t)＝[pi(t) vi(t) ai(t)]T (2)
Figure BDA0001709997990000132
式中，xi(t)表示第i个车辆在t时刻的系统状态，
Figure BDA0001709997990000133
表示第i个车辆在t时刻的状态变量，pi(t)，vi(t)和ai(t)分别表示第i个车辆在t时刻的位置、速度和加速度；ui(t)表示第i个车辆在t时刻的控制输入，控制输入是踩油门或刹车时产生的加速度或减速度；τi表示第i个车辆动力系统的时间常数。
为了使车辆模型离散化，假定车辆模型为：
xi(k+1)＝Aixi(k)+Biui(k) (4)
式中，k表示第k次采样时刻，xi(k)表示第i个车辆在第k次采样时刻的系统状态，ui(k)表示第i个车辆在第k次采样时刻的控制输入，Ai和Bi表示系统矩阵；
考虑到车辆速度、控制输入、加速度变化、功率限制以及车辆安全问题，车辆模型还应增加如下的约束条件：
Figure BDA0001709997990000141
式中，vi(k)表示第i个车辆在第k次采样时刻的速度，vlimit表示速度限制，umax,i表示第i个车辆的最大控制输入，Δai(k)表示第i个车辆在第k次采样时刻的加速度变化率，|Δa|max,i表示第i个车辆的最大加速度变化率，Ptractive,i(k)表示第i个车辆在第k次采样时刻的牵引功率，ηi表示第i个车辆的传动效率，Pengine,i表示第i个车辆的发动机功率，δi(k)表示车辆Vi与前车Vi-1在第k次采样时刻的间距误差，di(k)表示第i个车辆在第k次采样时刻与前车保持的安全距离；
车辆Vi的安全距离di(k)可以表示为：
di(k)＝ri·dmin,i+hi·vi(k) (6)
式中，ri表示第i个车辆安全系数，可以根据路况和驾驶员的喜好进行选择，dmin,i表示第i个车辆与前车的最小车辆间距离，hi表示第i个车辆识别前车刹车行为的时间延迟。
车辆Vi与前车Vi-1的间距误差δi(k)可以表示为：
δi(k)＝pi-1(k)-pi(k)-di(k)-li (7)
式中，pi(k)表示第i个车辆在第k次采样时刻的位置，pi-1(k)表示前车Vi-1在第k次采样时刻的位置，li示第i个车辆的长度；
实际上，主车辆Vi会受到车队中领导车辆Vl和前车Vi-1的影响，它不仅能够接收来自其前方车辆Vi-1的信息，而且还能够接收该车队的领导车辆Vl的信息，从而可以从更大的角度做出决定，并且控制可以更加智能。因此，主车辆Vi的“预期速度”和“预期加速度”取决于车队领导车辆Vl和前车Vi-1行驶状态，可表示为：
vr,i(k)＝(1-ωi)·vi-1(k)+ωi·vl(k)
ar,i(k)＝(1-ωi)·ai-1(k)+ωi·al(k) (8)
式中，vr,i(k)表示第i个车辆在第k次采样时刻的预期速度，vi-1(k)表示前车在第k次采样时刻的速度，vl(k)表示领导车辆在第k次采样时刻的速度，ar,i(k)表示第i个车辆在第k次采样时刻的预期加速度，ai-1(k)表示前车在第k次采样时刻的加速度，al(k)表示领导车辆在第k次采样时刻的加速度，ωi表示第i个车辆受领导车辆影响的权重，由此，车辆Vi的速度误差Δve,i(k)和加速度误差Δae,i(k)可分别表示为：
Δve,i(k)＝vi(k)-vr,i(k)
Δae,i(k)＝ai(k)-ar,i(k) (9)
式中，ai(k)表示第i个车辆在第k次采样时刻的加速度；
车队中的每辆车应能够根据自己的情况和通过V2V通信从相关车辆发出的位置、速度和加速度信息来计算间距、速度和加速度这三个误差，因此，方程(7)和(8)应该被整合到离散车辆模型(4)中，得到主车辆Vi的间距、速度、加速度误差。将车辆的状态信息分为两部分：一部分来自车辆自身的状态信息，用第i个车辆在第k次采样时刻的自身状态信息yi(k)表示：
yi(k)＝Cixi(k) (10)
其中，
Figure BDA0001709997990000161
另一部分来自领导车辆和前车的状态信息，用第i个车辆在第k次采样时刻接收来自前车和领导车辆的状态信息zi(k)表示：
zi(k)＝Hi·ξi(k) (11)
式中：
Figure BDA0001709997990000162
因此，车辆Vi的踪迹误差ei(k)表示为：
ei(k)＝yi(k)+zi(k) (12)
即，ei(k)＝[δi(k) Δve,i(k) Δae,i(k)]；
所以，车队控制的目标可以表达为使间距、速度和加速度误差尽可能小。
所述步骤二中，在基于PSO的车队控制方法中，定义一个成本函数，根据约束条件建立比较粒子优劣的新准则，得到具有双适应度的改进粒子群算法，具体步骤包括：
1)首先定义成本函数，为了综合考虑间距、速度和加速度误差之间的矛盾，需要在每个时间点为每辆车寻找最佳控制输入；而控制输入的大小和跟踪误差的能力是相互矛盾的，良好的跟踪能力会导致不必要的加速或减速，因此，需要用成本函数实现控制输入与跟踪要求之间的矛盾，即第i个车辆成本函数J(Vi)为：
Figure BDA0001709997990000171
式中，
Figure BDA0001709997990000172
表示成本函数对于间距、速度和加速度误差的权阵，qi,1、qi,2、qi,3表示间距、速度、加速度误差的权重，Ri＝conti表示控制输入的权重；
2)考虑到车辆受到速度限制、功率限制、车辆安全和加速度变化率限制的影响，将在约束条件下求解最优控制输入的问题转化为约束优化问题，针对约束优化问题，采用将成本函数与约束条件相分离的方法，即：
fitness(m)＝J(Vi),voilation(m)＝G(gi) (14)
式中，m表示第m个粒子，fitness(m)表示粒子m的目标函数，voilation(m)表示粒子m与约束边界的接近程度，G(gi)是由约束条件共同构成的函数，定义为：
Figure BDA0001709997990000173
式中，M表示约束条件的个数，假设将速度限制、功率限制、车辆安全和加速度的变化率作为求解最优控制输入时受到的约束，因此M＝4，h＝1～M，qh(gi)表示对约束的违反程度，定义为：
Figure BDA0001709997990000181
θ(qh(gi))表示分段映射函数，r(qh(gi))是qh(gi)的指数，分别定义为：
Figure BDA0001709997990000182
Figure BDA0001709997990000183
fitness(m)表示粒子群的目标函数，对应于成本函数，其适应度用Ffitness(m)表示；voilation(m)函数由所有的约束条件共同构成，反映了每个粒子与约束边界的接近程度，其适应度用Fvoilation(m)表示。这两个函数一起作为粒子的适应函数，每个粒子的优劣将由这两个函数的适应度按照一定的规则共同决定，因此每个粒子均有双适应值。
3)建立PSO算法中粒子的比较准则。考虑到存在一大类约束优化问题，其最优解位于约束边界上或附近，即在最优点处不等式约束的全部或大部分取为等号。对于这类问题，在最优解附近的不可行解(使得不等式约束的全部或大部分取等号的解)的适应度值很可能优于位于可行域内部的一个可行解的适应度值，而这样的不可行解对找到最优解是很有帮助的。鉴于PSO算法是一种群体搜索策略，从提高优化效率的角度，让一部分接近边界的不可行解与可行解按照他们的适应值进行比较，以便在群体中保留一定比例的不可行解个体。因此，采用下列比较准则：首先给定一个常数ε＞0，
1、当两个粒子m和n都可行时，比较他们之间的目标函数适应度Ffitness(m)和Ffitness(n)，适应度小的个体为优；
2、当两个粒子m和n都不可行时，比较他们之间的约束条件适应度Fvoilation(m)和Fvoilation(n)，适应度小的个体为优；
3、当m粒子可行而n粒子不可行时，如果voilation(n)<ε，则比较它们的适应度Ffitness(m)和Ffitness(n)，适应度小的个体为优；否则，m粒子为优。
如果让所有可行解粒子无条件地优于不可行解粒子，则在群体中很难保持一定比例的不可行解粒子，从而无法发挥不可行解的作用，而在群体中保持不可行解是为了更好地搜索可行的最优解。因此，将不可行解的比例控制在一个适当水平是必要的。根据PSO算法的进化过程是一个动态的自适应过程，需将控制策略也设计成自适应的。由以上比较准则可知：ε越大，群体中不可行解的比例可能就越高，为了将不可行解的比例保持在一个固定的水平p＞0,可引入如下自适应调整的策略：
Figure BDA0001709997990000191
4)在粒子比较准则的基础上，提出一种具有双适应度群体的PSO算法，步骤如下：
步骤1：初始化粒子群，即为群体中的每个粒子随机赋予初始位置和初始速度；
步骤2：根据公式(14)计算群体中每个粒子的优化目标函数适应度Ffitness(m)和约束条件适应度Fvoilation(m)；
步骤3：根据所计算的粒子双适应度值与规定的粒子比较准则，确定群体中每个粒子迄今为止所经历的最好位置，确定群体迄今为止所经历的最好位置；
步骤4：群体中的粒子根据下式速度和位置更新粒子飞行速度和位置：
Figure BDA0001709997990000201
式中，D表示粒子维数，K表示当前迭代次数，c1和c2为加速度常数，通常取值于0～2，β1和β2为两个相互独立的随机函数，取值范围为[0，1]，φ为惯性权重，是保持原来速度的系数，PmD表示粒子m的个体历史最优位置，PgD表示群体的历史最优位置，
Figure BDA0001709997990000202
表示粒子m的当前位置，
Figure BDA0001709997990000203
表示粒子m的当前速度，
Figure BDA0001709997990000204
表示粒子m的速度更新，
Figure BDA0001709997990000205
表示粒子m的位置更新。
步骤5：重复步骤2、3和4，当迭代的次数达到设置的迭代上限时结束，最终，通过该粒子群算法找到最优控制输入，使得成本函数最小，从而有效的降低了车辆的跟踪误差，达到了对车辆的控制。
所述步骤三中，利用轨迹规划方法，为车辆找到最佳的轨迹；利用空间管理方法量化道路空间，为车辆分配道路空间，具体步骤包括：
1)在轨迹规划方法中，首先将车辆进行分类，然后为车辆找到最佳的轨迹以使得车辆顺利通过道路交叉口，其具体步骤包括：
1、首先，将车辆进行分类。根据车辆能否在限定时间以一定的速度通过道路交叉口，将车辆分为三个子车队：匀速通过的车队C1，加速通过的车队C2，减速至较小速度直至交通灯再次变绿的车队C3。对于C2，将整个过程分为加速、匀速和减速三个部分；对于C3，将整个过程分为减速、匀速和加速三个部分。
2、然后，在车辆分类的基础上为车辆找到最佳的轨迹。由于C1车队中的车辆匀速就可以通过交叉口，轨迹规划方法只需为C2和C3车队中的车辆规划轨迹。车辆需要在限定时间以一定的速度到达已确定的位置；同时，遵循速度限制，功率限制和时间限制；此外，还应考虑燃油消耗。因此，应该为车辆找到一个燃料消耗最少的可行轨迹。为了简化轨迹规划过程，对于加速和减速部分采用统一的控制输入，并且加速和减速过程具有相反的控制输入，而匀速过程中的控制输入为零。假设车辆Vi的初始位置为pi，未来位置为p′i，将轨迹规划问题转化为以下优化问题，使得控制输入最小，即：
minimize|ui| (21)
同时车队要满足以下限制：
子车队(加速通过的车队)C2：
Figure BDA0001709997990000211
式中，vtarget表示目标速度，Tr表示交通灯变为红灯的时刻，t11、t12、t13分别表示C2车队中的车辆在加速、匀速、减速部分的持续时间，vi(t11+t12+t13)表示车辆Vi在经过t11、t12、t13三个时间段后的速度，vi(t11)表示车辆Vi在经过t11时间段后的速度；ptractive,i(t11)表示车辆Vi在速度为vi(t11)时的牵引功率；
子车队(减速至较小速度直至交通灯再次变绿的车队)C3：
Figure BDA0001709997990000221
式中，voriginal表示车辆初始速度，Tg表示交通灯变为绿灯的时刻，t21、t22、t23分别表示C3车队中的车辆在减速、匀速、加速部分持续时间，vi(t21+t22+t23)表示车辆Vi在经过t21、t22、t23三个时间段后的速度。
所有车辆：
Figure BDA0001709997990000222
式中，d(vi(t),ui(t),tb)表示车辆以速度vi(t)，控制输入ui(t)(在t1,t2,t3时间段内ui(t)分别为ui,0,-ui)在时间段tb(b＝1,2,3，在C2和C3车队中，t1,t2,t3分别表示t11、t12、t13，t21、t22、t23)通过的距离，p′i表示第i个车辆的未来位置，pi表示第i个车辆的初始位置，vi(t1+t2)表示车辆Vi在经过t1,t2时间段后的速度。
通过轨迹规划方法，可以为C2和C3车队中的车辆找到最佳轨迹，使得车辆能够在特定的时间顺利通过交叉口。
2)在空间管理方法中，首先管理者需要量化道路空间，每个车辆需要确定需求空间；其次C2车队中的车辆根据V2X消息分配机会空间，其具体步骤包括：
1、首先，管理者需要量化道路空间。通过V2I通信，管理者将交通信号时间广播给所有车辆。假设所有车辆都能接收到消息，基于交通灯变为红灯的时刻Tr、初始速度voriginal、红绿灯位置pT和车辆Vi的初始位置pi，根据公式p′i＝pi+voriginal·Tr预测车辆Vi的未来位置p′i。如果p′i＞pT，即车辆保持当前速度可以通过交叉口，将其标签设为C1；否则，将其标签设为C2。如果C1车队中最后一个通过的车辆是Vj，那么可以定义Vj的未来位置p′j和红绿灯位置pT之间的空间为机会空间S，即：
S＝p'j-pT＝pj+voriginal·Tr-pT (25)
式中，pj表示第j个车辆的初始位置；
当管理者确定机会空间后，将包含机会空间和目标速度的消息发送给C2车队中的车辆，然后该车队中的车辆根据目标速度找到自身的需求空间。在空间管理方法中，可以将车辆Vi的“需求空间”定义为车辆长度和安全距离的总和SN,i，即：
SN,i＝li+d′i＝li+ri·dmin,i+hi·vtarget (26)
式中，d′i表示第i个车辆以目标速度行驶时的安全距离；
2、其次，C2车队中的车辆根据V2X消息分配机会空间。通过V2V通信，将包含车辆ID、剩余机会空间的消息从C2车队中的领导者传向该车队的尾部。假设C2车队中的所有车辆都能收到消息。如果车辆Vi是C2中的尾车，那么Vi向路口管理者发送V2X消息表明剩余的空间；如果车辆Vi不是C2中的尾车并且接收到的剩余机会空间大于自身的需求空间，那么计算新的剩余空间(新的剩余机会空间＝从前车中得到的剩余机会空间-自身的需求空间)并发送给临近的后一辆车；如果剩余的机会空间小于车辆的需求空间，该车需要做以下几个操作：首先，将标签改为C3并发送放弃消息给C2中的后续车辆，使得后续车辆将标签改为C3；其次，将本车的需求空间设置为0，并发送包含本车ID、需求空间的消息给前车Vi-1；第三，车辆Vi向路口管理者发送V2X消息表明机会空间已经完全分配。
所述步骤四中，首先结合轨迹规划方法和空间管理方法将车队进行重组，并为重组车队C2的车辆寻找轨迹；其次利用轨迹规划方法为重组车队C3中的车辆寻找轨迹；然后再结合基于PSO的车队控制方法为重组车队C2和C3中的车辆选择巡航控制方法。
1)、结合轨迹规划方法和空间管理方法将车队进行重组，车队重组包括以下操作过程：首先C2车队中的后面车辆将包含本车及其后面所有车辆的ID、需求空间消息发送给前面的车辆；然后车辆Vi根据后面车辆的需求空间及自身的需求空间信息利用公式
Figure BDA0001709997990000241
(θ表示车辆Vi的后面车辆ID，SN,θ表示第θ个车辆的需求空间)计算未来位置p′i；接着执行步骤三提出的轨迹规划方法，为车辆寻找控制输入。如果控制输入存在并且Vi是车队领导车辆时，发送确认信息给车队C2的所有车辆；如果控制输入存在但Vi不是车队领导车辆时，Vi发送信息给前车Vi-1；如果控制输入不存在并且Vi不是当前车队的尾车时，Vi发送丢弃信息给尾车实现车队重组，重新计算未来位置p′i并且执行轨迹规划方法；当Vi成为车队尾车并且没有找到控制输入时，离开车队C2实现车队重组，并发送一个零需求空间的消息给前车。一直重复上面的操作过程直到车队C2的所有车辆找到最佳的轨迹，使得所有车辆能够在特定时间到达已确定的未来位置。
2)、利用轨迹规划方法为重组车队C3中的车辆寻找最佳轨迹。首先确定C3车队中车辆的未来位置。假设C3车队中的第一个车辆是Vσ，其长度是lσ，由于车辆Vσ在信号灯变成绿灯的时刻Tg之后才能进入交叉口，所以车辆Vσ的未来位置可以用pT-lσ表示。因此，车队中其他车辆Vi的未来位置可以用
Figure BDA0001709997990000242
表示，其中SN,λ表示C3车队中车辆Vλ的需求空间，λ表示车辆Vλ的ID。然后根据步骤三中提出的轨迹规划方法为C3车队中的车辆寻找最佳轨迹。如果能够找到最佳轨迹，C3车队中的车辆就可以在不停车的情况在顺利通过交叉口。
3)、结合基于PSO的车队控制方法为重组车队C2和C3中的车辆选择控制方法。通过轨迹规划方法为重组车队C2和C3中的车辆寻找最佳轨迹，使得车辆能够在限定时间以一定的速度到达确定的地点。但是轨迹规划方法在为车辆规划轨迹时并没有考虑到其他车辆的存在，不能保证车辆的安全。因此，只有重组车队中的领导车辆按照已规划好的轨迹行驶，其余的车辆通过步骤二中提出的基于PSO的车队控制方法行驶。对于原车队的领导车辆经过车队重组变成非领导车辆后，采用混合控制策略行驶：首先按照规划好的轨迹行驶，当与前车的间距小于4米时再通过基于PSO的车队控制方法行驶。
本发明充分利用V2X通信技术和自适应巡航控制系统，建立适用于道路交叉口的分散协同自适应巡航控制的车辆运动模型，利用基于PSO的车队控制方法有效降低车辆的踪迹误差，采用轨迹规划方法和空间布置方法便于子车队或者个体车辆选择加速通过交叉口或者减速等待下一次机会；在考虑车辆安全性，燃料消耗，车速限制，车辆的不同特征以及乘客的舒适度的情况下，通过重组车队来提高交叉口的吞吐量。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：包括步骤：
一、建立具有位置、速度和加速度三种状态的纵向车辆模型，通过引入预期速度和预期加速度，计算得到车间距、速度、加速度的跟踪误差；
二、在基于PSO的车队控制方法中，定义一个成本函数，根据约束条件建立比较粒子优劣的新准则，得到具有双适应度的改进粒子群算法；
三、利用轨迹规划方法，为车辆找到最佳的轨迹；利用空间管理方法量化道路空间，为车辆分配道路空间；
四、结合轨迹规划方法和空间管理方法将车队进行重组；再结合基于PSO的车队控制方法，为车辆选择巡航控制方法；
所述步骤一中,建立具有位置、速度和加速度三种状态的纵向车辆模型，通过引入预期速度和预期加速度，计算得到车间距、速度、加速度的跟踪误差，具体为：
假设没有考虑车辆换道情况，建立具有位置、速度和加速度三种状态的纵向车辆模型，对于第i个车辆Vi，有车辆模型：
Figure FDA0002650837040000011
xi(t)＝[pi(t) vi(t) ai(t)]T (2)
Figure FDA0002650837040000012
式中，xi(t)表示第i个车辆在t时刻的系统状态，
Figure FDA0002650837040000013
表示第i个车辆在t时刻的状态变量，pi(t)，vi(t)和ai(t)分别表示第i个车辆在t时刻的位置、速度和加速度；ui(t)表示第i个车辆在t时刻的控制输入；τi表示第i个车辆动力系统的时间常数；
为了使车辆模型离散化，假定车辆模型为：
xi(k+1)＝Aixi(k)+Biui(k) (4)
式中，xi(k)表示第i个车辆在第k次采样时刻的系统状态，ui(k)表示第i个车辆在第k次采样时刻的控制输入，Ai和Bi表示系统矩阵；
车辆模型约束条件为：
Figure FDA0002650837040000021
式中，vi(k)表示第i个车辆在第k次采样时刻的速度，vlimit表示速度限制，umax,i表示第i个车辆的最大控制输入，Δai(k)表示第i个车辆在第k次采样时刻的加速度变化率，|Δa|max,i表示第i个车辆的最大加速度变化率，Ptractive,i(k)表示第i个车辆在第k次采样时刻的牵引功率，ηi表示第i个车辆的传动效率，Pengine,i表示第i个车辆的发动机功率，δi(k)表示车辆Vi与前车Vi-1在第k次采样时刻的间距误差，di(k)表示第i个车辆在第k次采样时刻与前车保持的安全距离；
车辆Vi的安全距离di(k)表示为：
di(k)＝ri·dmin,i+hi·vi(k) (6)
式中，ri表示第i个车辆安全系数，dmin,i表示第i个车辆与前车的最小车辆间距离，hi表示第i个车辆识别前车刹车行为的时间延迟；
车辆Vi与前车Vi-1的间距误差δi(k)表示为：
δi(k)＝pi-1(k)-pi(k)-di(k)-li (7)
式中，pi(k)表示第i个车辆在第k次采样时刻的位置，pi-1(k)表示前车Vi-1在第k次采样时刻的位置，li示第i个车辆的长度；
vr,i(k)＝(1-ωi)·vi-1(k)+ωi·vl(k)
ar,i(k)＝(1-ωi)·ai-1(k)+ωi·al(k) (8)
式中，vr,i(k)表示第i个车辆在第k次采样时刻的预期速度，vi-1(k)表示前车在第k次采样时刻的速度，vl(k)表示领导车辆在第k次采样时刻的速度，ar,i(k)表示第i个车辆在第k次采样时刻的预期加速度，ai-1(k)表示前车在第k次采样时刻的加速度，al(k)表示领导车辆在第k次采样时刻的加速度，ωi表示第i个车辆受领导车辆影响的权重，由此，车辆Vi的速度误差Δve,i(k)和加速度误差Δae,i(k)分别表示为：
Δve,i(k)＝vi(k)-vr,i(k)
Δae,i(k)＝ai(k)-ar,i(k) (9)
式中，ai(k)表示第i个车辆在第k次采样时刻的加速度；
车辆Vi的踪迹误差ei(k)表示为：ei(k)＝[δi(k) Δve,i(k) Δae,i(k)]。
2.根据权利要求1所述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤二中，在基于PSO的车队控制方法中，定义一个成本函数，根据约束条件建立比较粒子优劣的新准则，得到具有双适应度的改进粒子群算法，具体步骤包括：
1)定义成本函数，第i个车辆成本函数J(Vi)为：
Figure FDA0002650837040000041
式中，
Figure FDA0002650837040000042
表示成本函数对于间距、速度和加速度误差的权阵，qi,1、qi,2、qi,3表示间距、速度、加速度误差的权重，Ri＝conti表示控制输入的权重；
2)考虑到车辆受到速度限制、功率限制、车辆安全和加速度变化率的影响，将在约束条件下求解最优控制输入的问题转化为约束优化问题，针对约束优化问题，采用将成本函数与约束条件相分离的方法，即：
fitness(m)＝J(Vi),voilation(m)＝G(gi) (14)
式中，fitness(m)表示粒子m的目标函数，voilation(m)表示粒子m与约束边界的接近程度，G(gi)是由约束条件共同构成的函数，定义为：
Figure FDA0002650837040000043
式中，M表示约束条件的个数；
3)建立PSO算法中粒子的比较准则：首先给定一个常数ε＞0，
1、当两个粒子m和n都可行时，比较他们之间的目标函数适应度Ffitness(m)和Ffitness(n)，适应度小的个体为优；
2、当两个粒子m和n都不可行时，比较他们之间的约束条件适应度Fvoilation(m)和Fvoilation(n)，适应度小的个体为优；
3、当m粒子可行而n粒子不可行时，如果voilation(n)＜ε，则比较它们的适应度Ffitness(m)和Ffitness(n)，适应度小的个体为优；否则，m粒子为优；
为了将不可行解的比例保持在一个固定的水平p＞0,引入如下自适应调整的策略：
Figure FDA0002650837040000051
4)在粒子比较准则的基础上，提出一种具有双适应度群体的PSO算法。
3.根据权利要求2所述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述具有双适应度群体的PSO算法，包括步骤如下：
步骤1：初始化粒子群，即为群体中的每个粒子随机赋予初始位置和初始速度；
步骤2：计算群体中每个粒子的优化目标函数适应度Ffitness(m)和约束条件适应度Fvoilation(m)；
步骤3：根据所计算的粒子双适应度值与粒子比较准则，确定群体中每个粒子迄今为止所经历的最好位置，确定群体迄今为止所经历的最好位置；
步骤4：群体中的粒子根据下式速度和位置更新粒子飞行速度和位置：
Figure FDA0002650837040000061
式中，D表示粒子维数，K表示当前迭代次数，c1和c2为加速度常数，β1和β2为两个相互独立的随机函数，φ为惯性权重，PmD表示粒子m的个体历史最优位置，PgD表示群体的历史最优位置，
Figure FDA0002650837040000062
表示粒子m的当前位置，
Figure FDA0002650837040000063
表示粒子m的当前速度，
Figure FDA0002650837040000064
表示粒子m的速度更新，
Figure FDA0002650837040000065
表示粒子m的位置更新；
步骤5：重复步骤2、3和4，当迭代的次数达到设置的迭代上限时结束，最终，通过该粒子群算法找到最优控制输入，使得成本函数最小。
4.根据权利要求1所述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤三中，利用轨迹规划方法，为车辆找到最佳的轨迹，具体步骤包括：
1)将车辆进行分类，根据车辆能否在限定时间以一定的速度通过道路交叉口，将车辆分为三个子车队：匀速通过的车队C1，加速通过的车队C2，减速至较小速度直至交通灯再次变绿的车队C3；
2)用轨迹规划方法为C2和C3车队的车辆规划轨迹，使得车辆能够在特定时间顺利通过交叉口，将轨迹规划问题转化为以下优化问题，使得控制输入最小，即：
minimize|ui| (21)
同时车队要满足以下限制：
对于加速通过的车队C2：
Figure FDA0002650837040000071
式中，vtarget表示目标速度，Tr表示交通灯变为红灯的时刻，t11、t12、t13分别表示C2车队中的车辆在加速、匀速和减速部分的持续时间，vi(t11+t12+t13)表示车辆Vi在经过t11、t12、t13三个时间段后的速度，vi(t11)表示车辆Vi在经过t11时间段后的速度；ptractive,i(t11)表示车辆Vi在速度为vi(t11)时的牵引功率；
对于减速至较小速度直至交通灯再次变绿的车队C3：
Figure FDA0002650837040000072
式中，voriginal表示初始速度，Tg表示交通灯变为绿灯的时刻，t21、t22、t23分别表示C3车队中的车辆在减速、匀速、加速部分持续时间，vi(t21+t22+t23)表示车辆Vi在经过t21、t22、t23三个时间段后的速度；
对于所有车辆：
Figure FDA0002650837040000073
式中，d(vi(t),ui(t),tb)表示车辆以速度vi(t)，控制输入ui(t)在时间段tb(b＝1,2,3)通过的距离，p′i表示第i个车辆的未来位置，pi表示第i个车辆的初始位置，vi(t1+t2)表示车辆Vi在经过t1,t2时间段后的速度。
5.根据权利要求1所述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤三中，利用空间管理方法量化道路空间，为车辆分配道路空间，具体步骤包括：
1)量化道路空间，将交通信号时间广播给所有车辆，假设所有车辆都能接收到消息，基于交通灯变为红灯的时刻Tr、初始速度voriginal、红绿灯位置pT和初始位置pi，根据公式p′i＝pi+voriginal·Tr预测车辆Vi的未来位置p′i；如果p′i＞pT，即车辆保持当前速度可以通过交叉口，将其标签设为C1；否则，将其标签设为C2；如果C1车队中最后一个通过的车辆是Vj，定义Vj的未来位置p′j和红绿灯位置pT之间的空间为机会空间S，即：
S＝p'j-pT＝pj+voriginal·Tr-pT (25)
式中，pj表示第j个车辆的初始位置；
当确定机会空间后，将包含机会空间和目标速度的消息发送给C2车队中的车辆，然后该车队中的车辆根据目标速度找到自身的需求空间，将车辆Vi的需求空间定义为车辆长度和安全距离的总和SN,i：
SN,i＝li+d′i＝li+ri·dmin,i+hi·vtarget (26)
式中，d′i表示第i个车辆以目标速度行驶时的安全距离；
2)C2车队中的车辆分配机会空间，通过V2V通信，将包含车辆ID、剩余机会空间的消息从C2车队中的领导者传向该车队的尾部，假设C2车队中的所有车辆都能收到消息，如果车辆Vi是C2中的尾车，那么Vi向路口管理者发送V2X消息表明剩余的空间；如果车辆Vi不是C2中的尾车并且接收到的剩余机会空间大于自身的需求空间，那么计算新的剩余空间并发送给临近的后一辆车；如果剩余的机会空间小于车辆的需求空间，该车需要做以下几个操作：首先，将标签改为C3并发送放弃消息给C2中的后续车辆，使得后续车辆将标签改为C3；其次，将本车的需求空间设置为0，并发送包含本车ID、需求空间的消息给前车Vi-1；第三，车辆Vi向路口管理者发送V2X消息表明机会空间已经完全分配。
6.根据权利要求1所述的一种基于无线通信的交叉口附近分散协同自适应巡航控制方法，其特征在于：所述步骤四中，结合轨迹规划方法和空间管理方法将车队进行重组；再结合基于PSO的车队控制方法，为车辆选择巡航控制方法，具体步骤包括：
1)结合轨迹规划方法和空间管理方法将车队进行重组，车队重组包括以下操作过程：首先C2车队中的后面车辆将包含本车及其后面所有车辆的ID、需求空间消息发送给前面的车辆；然后车辆Vi根据后面车辆的需求空间及自身的需求空间信息利用公式
Figure FDA0002650837040000091
计算未来位置pi，θ表示C2车队中车辆Vi的后面车辆ID，SN,θ表示第θ个车辆的需求空间，接着根据步骤三提出的轨迹规划方法，为车辆寻找控制输入；如果控制输入存在并且Vi是车队领导车辆时，发送确认信息给车队C2的所有车辆；如果控制输入存在但Vi不是车队领导车辆时，Vi发送信息给前车Vi-1；如果控制输入不存在并且Vi不是当前车队的尾车时，Vi发送丢弃信息给尾车实现车队重组，重新计算未来位置p′i并执行轨迹规划方法；当Vi成为车队尾车并且没有找到控制输入时，离开车队C2实现车队重组，并发送一个零需求空间的消息给前车；一直重复上面的操作过程直到重组车队C2的所有车辆找到最佳轨迹，使得所有车辆能够在特定时间到达已确定的未来位置；
2)利用轨迹规划方法为重组车队C3中的车辆寻找最佳轨迹；首先确定C3车队中车辆的未来位置，假设C3车队中的第一个车辆是Vσ，长度是lσ，车辆Vσ的未来位置用pT-lσ表示；车队中其他车辆Vi的未来位置用
Figure FDA0002650837040000101
表示，其中，SN,λ表示C3车队中车辆Vλ的需求空间，λ表示车辆Vλ的ID；然后根据步骤三中提出的轨迹规划方法为C3车队中的车辆寻找最佳轨迹；如果能够找到最佳轨迹，C3车队中的车辆就可以在不停车的情况在顺利通过交叉口；
3)、结合基于PSO的车队控制方法为重组车队C2和C3中的车辆选择控制方法，重组车队中的领导车辆按照已规划好的轨迹行驶，其余的车辆通过步骤二中提出的基于PSO的车队控制方法行驶，对于原车队的领导车辆经过车队重组变成非领导车辆后，采用混合控制策略行驶：首先按照规划好的轨迹行驶，当与前车的间距小于4米时再通过基于PSO的车队控制方法行驶。
CN201810676868.1A 2018-06-27 2018-06-27 基于无线通信的交叉口附近分散协同自适应巡航控制方法 Active CN108877256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810676868.1A CN108877256B (zh) 2018-06-27 2018-06-27 基于无线通信的交叉口附近分散协同自适应巡航控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810676868.1A CN108877256B (zh) 2018-06-27 2018-06-27 基于无线通信的交叉口附近分散协同自适应巡航控制方法

Publications (2)

Publication Number Publication Date
CN108877256A CN108877256A (zh) 2018-11-23
CN108877256B true CN108877256B (zh) 2020-11-13

Family

ID=64295915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810676868.1A Active CN108877256B (zh) 2018-06-27 2018-06-27 基于无线通信的交叉口附近分散协同自适应巡航控制方法

Country Status (1)

Country Link
CN (1) CN108877256B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410564A (zh) * 2018-12-10 2019-03-01 肇庆学院 一种基于信息融合技术的车辆队列纵向冗余控制系统
CN111766859B (zh) * 2019-05-29 2021-10-15 北京京东乾石科技有限公司 配送机器人的控制方法、装置、设备、系统及存储介质
CN110264698B (zh) * 2019-06-25 2022-01-11 重庆长安汽车股份有限公司 列队行驶分离与重组方法
EP3790296A1 (en) 2019-09-09 2021-03-10 Volkswagen AG Method, computer program, and apparatus for adapting a speed of vehicles in a platoon, vehicle, traffic control entity
CN111047853A (zh) * 2020-01-10 2020-04-21 湖南大学 一种保障交通流稳定的车辆编队控制方法和系统
CN111341152B (zh) * 2020-03-03 2021-06-22 东南大学 考虑待行队列与安全避撞的网联汽车绿色通行系统与方法
CN111554081B (zh) * 2020-03-30 2022-02-15 江苏大学 一种基于多级领导者鸽群理论的车队路口避障控制方法
CN111652345B (zh) * 2020-05-29 2023-04-07 长安大学 基于空时联合优化的车队刹车控制方法
CN112660124B (zh) * 2020-11-30 2023-01-24 吉林大学 一种用于换道场景的协同自适应巡航控制方法
CN113316123B (zh) * 2021-06-01 2022-05-17 温州大学 一种基于lte-v2x的cacc车队异常车辆检测方法
CN113341722B (zh) * 2021-06-17 2022-07-01 西北工业大学 一种通信拓扑无约束情形下的车辆队列协同最优控制方法
CN114120672B (zh) * 2021-11-19 2022-10-25 大连海事大学 基于多智能体强化学习的异构路口场景交通信号控制方法
CN114387787B (zh) * 2022-03-24 2022-08-23 华砺智行(武汉)科技有限公司 车辆轨迹控制方法、装置、电子设备及存储介质
CN114815852B (zh) * 2022-06-14 2023-02-03 北京航空航天大学 一种基于空间离散化的cacc车队轨迹规划方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4294406B2 (ja) * 2003-05-09 2009-07-15 富士通テン株式会社 車両通信システム、車両通信方法、車載通信装置、車両通信管理装置および車両情報収集装置
CN102024335A (zh) * 2010-12-24 2011-04-20 同济大学 服务于城市干线道路绿波控制的速度引导方法
CN102184746A (zh) * 2010-12-31 2011-09-14 中国传媒大学 一种基于粒子群算法优化参数的存储性能测试系统及方法
CN102542793A (zh) * 2012-01-11 2012-07-04 东南大学 一种交叉口群过饱和交通态势主动控制方法
CN103337161A (zh) * 2013-07-11 2013-10-02 上海济安交通工程咨询有限公司 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法
CN104123851A (zh) * 2014-08-06 2014-10-29 清华大学 一种基于车路通讯的交叉口车辆快速通行辅助方法及装置
CN104637315A (zh) * 2015-02-06 2015-05-20 北京交通大学 车路协同环境下的无信号交叉口优化控制方法和系统
CN105118320A (zh) * 2015-09-29 2015-12-02 北方工业大学 一种基于车路协同的城市路段交通诱导方法及装置
CN105489028A (zh) * 2015-12-17 2016-04-13 重庆交通大学 过饱和多交叉口协同控制优化方法
CN105809953A (zh) * 2014-12-27 2016-07-27 吉林大学 一种基于m2m的城市交通流车路协同控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183256B (zh) * 2011-02-28 2012-12-26 重庆大学 行进车队的地图匹配方法
CN104908808A (zh) * 2014-03-13 2015-09-16 南京农业大学 一种自主跟随车辆航向控制装置及控制方法
JP6507839B2 (ja) * 2015-05-19 2019-05-08 株式会社デンソー 車両の走行制御装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4294406B2 (ja) * 2003-05-09 2009-07-15 富士通テン株式会社 車両通信システム、車両通信方法、車載通信装置、車両通信管理装置および車両情報収集装置
CN102024335A (zh) * 2010-12-24 2011-04-20 同济大学 服务于城市干线道路绿波控制的速度引导方法
CN102184746A (zh) * 2010-12-31 2011-09-14 中国传媒大学 一种基于粒子群算法优化参数的存储性能测试系统及方法
CN102542793A (zh) * 2012-01-11 2012-07-04 东南大学 一种交叉口群过饱和交通态势主动控制方法
CN103337161A (zh) * 2013-07-11 2013-10-02 上海济安交通工程咨询有限公司 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法
CN104123851A (zh) * 2014-08-06 2014-10-29 清华大学 一种基于车路通讯的交叉口车辆快速通行辅助方法及装置
CN105809953A (zh) * 2014-12-27 2016-07-27 吉林大学 一种基于m2m的城市交通流车路协同控制方法
CN104637315A (zh) * 2015-02-06 2015-05-20 北京交通大学 车路协同环境下的无信号交叉口优化控制方法和系统
CN105118320A (zh) * 2015-09-29 2015-12-02 北方工业大学 一种基于车路协同的城市路段交通诱导方法及装置
CN105489028A (zh) * 2015-12-17 2016-04-13 重庆交通大学 过饱和多交叉口协同控制优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Influence of Information Flow Topology on Closed-loop Stability of Vehicle Platoon with Rigid Formation;Yang Zheng, Shengbo Eben Li;《2014 IEEE 17th International Conference on Intelligent Transportation Systems (ITSC)》;20141011;摘要，正文第2-3页第A节纵向车辆模型，第3-4页第C节闭环车队动态组成 *
Model predictive control for adaptive cruise control with multi-objectives: comfort, fuel-economy, safety and car-following;Li-hua LUO、Hong LIU;《浙江大学学报》;20101130;正文第4-6页第2.2节模型预测控制算法 *

Also Published As

Publication number Publication date
CN108877256A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108877256B (zh) 基于无线通信的交叉口附近分散协同自适应巡航控制方法
CN111445692B (zh) 一种无信号灯路口智能网联汽车的速度协同优化方法
Zhang et al. Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook
Vahidi et al. Energy saving potentials of connected and automated vehicles
Bashiri et al. Paim: Platoon-based autonomous intersection management
CN108877268B (zh) 一种面向无人驾驶的无红绿灯十字路口智能调度方法
Besselink et al. Cyber–physical control of road freight transport
CN109410561B (zh) 一种高速路车辆匀异质编队行驶控制方法
CN110930697B (zh) 一种基于规则的智能网联车辆协同汇入控制方法
Hou et al. Cooperative and integrated vehicle and intersection control for energy efficiency (CIVIC-E 2)
CN115830885B (zh) 一种考虑多车型能量消耗的车辆匝道合流协同控制方法
CN113012448A (zh) 一种解决路口交通拥堵的汽车配发编队智能驾驶系统
CN111724602A (zh) 一种城市非信控多交叉路口环境下的多车协同控制方法
CN112258864B (zh) 基于顺序选择的自动驾驶车辆路口调度方法及系统
Faraj et al. Platoon-based autonomous vehicle speed optimization near signalized intersections
Dollar et al. MPC-based connected cruise control with multiple human predecessors
CN112750298B (zh) 一种基于smdp和drl的货车编队动态资源分配方法
CN115331461B (zh) 一种无信号交叉口混合交通通行控制方法、装置及车辆
Liu et al. Improving the intersection’s throughput using V2X communication and cooperative adaptive cruise control
Esmaeili et al. A platoon formation strategy for heterogeneous vehicle types at a signalized intersection
CN118015819B (zh) 一种基于驾驶任务的车队协同驾驶方法及系统
Yang et al. Eco-driving over multi-signal road segments considering traffic flow constraints
CN116129635B (zh) 一种基于编队的单点无信号交叉口智能调度方法与系统
CN116311991B (zh) 基于交叉口资源预留的智能信号灯控制方法
Zhang et al. Optimal Control Strategy of Connected Vehicles in Urban Environment with Platoon Mechanism

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