CN110910663A - 一种车路协同环境下多智能车交叉口通行协调控制方法 - Google Patents

Abstract

本发明提供了一种车路协同环境下多智能车交叉口通行协调控制方法，包括以下步骤：步骤1：建立通行权划分模型；步骤2：建立车辆轨迹与信号配时整体优化模型；步骤3：由通行权划分模型和车辆轨迹与信号配时整体优化模型建立整体控制模型；本发明所述的一种车路协同环境下多智能车交叉口通行协调控制方法，通过构建通行权分配、信号配时、车辆轨迹优化模型，建立了一套用于车路协同环境下交叉口整体控制的理论算法，并进一步通过设置四组仿真实验，对不同条件下不同控制算法的控制效果进行定量分析，验证了本文所提出算法对于车路协同环境下的交叉口整体控制的显著效果。

Description

一种车路协同环境下多智能车交叉口通行协调控制方法

技术领域

本发明涉及道路交叉口车辆控制领域，尤其涉及一种车路协同环境下多智能车交叉口通行协调控制方法。

背景技术

随着车路协同技术的不断发展，基于全时空交通数据，更加主动科学的交通控制得以实施。在交叉口区域，造成交通拥堵、尾气排放污染的具体因素有信号配时不合理、车辆行驶不合理以及通行权分配不合理。

在轨迹优化方面，Liu et.al提出了以延误最小为目标的固定信号下车辆速度引导算法，在低饱和度时可降低延误近50％，且渗透率越高、算法控制效果越好。Xu et al.提出了一种无信号交叉口分布式无冲突合作式智能网联车辆控制算法，通过实验验证了所提出算法对于交叉口实际效果的显著影响。Liang et al.以交叉口整体延误最小为优化目标用非线性规划的方法构建了车辆轨迹优化模型。Ahn et al.,(2013)，Wang et al.,(2014a,b)提出了基于智能网联车辆的单车精确控制模型，在这种精确控制下，车辆可以根据交叉口信号的状态来调整其速度和行驶轨迹。Zohdy and Rakha.(2016)用非线性规划的方法构建了车辆轨迹优化模型，该模型中通过调整智能网联车辆的速度，以交叉口整体延误最小为优化目标。Jiang et al.(2017)研究了渗透率低于100％时的智能网联车辆轨迹控制问题。Huang et al.(2012)and Zhang et al.(2015)Lee and Park(2012)构建了无信号交叉口的车辆轨迹控制算法，实现对到达交叉口车辆轨迹的优化目标。

在信号优化方面，李力，王飞跃用深度学习网络(DNN)从交通状态输入以及相应的交通系统表现输出样本中，对强化学习中Q函数进行拟合，提出了基于深度学习网络(DNN)的交叉口信号配时优化算法。实验结果表明，对交叉口控制效果改善显著。Sun,Weili,etal.对基于深度强化学习的智能网联车辆环境下交叉口信号控制问题进行了研究。He Q etal.采用多目标混合整数非线性规划(MO-MINLP)方法，建立了交叉口车道设置、相位设置、信号配时优化模型，实验数据表明，该算法可提高通行能力99.51％。Lee J et al.提出了一种基于车队识别的路口信号控制算法，采用混合整数线性规划对最优信号控制进行求解。Yan et al.提出了车路协同环境下的交叉口通行权与信号动态控制方法。

在信号与轨迹协同优化方面，Yu et al.假设所有车辆都是网联自动驾驶车辆，采用混合整数规划方法建立了交叉口信号与车辆轨迹协同优化的模型，并提出了滚动优化求解算法。Feng et al.(2018)建立了车辆轨迹与信号协同优化模型，车辆轨迹优化层的目标是排放最少，信号优化层的目标是延误最低。该算法可以降低延误和排放量分别为24％和13.8％，且计算时间为秒级。Guler et al.(2014)and Yang et al.(2016)通过在一个简化的两条路交叉口的大量仿真实验，提出了轨迹与信号的协调控制算法。Yang et al.(2018)采用混合整数线性规划方法，提出了考虑多车道换道行为的信号配时与车辆轨迹协调优化算法，建立了相位顺序、绿灯起始、相位间隔、周期时长以及车辆换轨迹协同优化模型。

综上，现有研究没有同时考虑通行权、信号配时、车辆轨迹作为控制对象，为充分发挥车路协同对于交通控制的作用，本文将构建考虑这些因素的整体控制模型。

发明内容

本发明的目的在于提供一种车路协同环境下多智能车交叉口通行协调控制方法，用于解决现有研究没有同时考虑通行权、信号配时、车辆轨迹作为控制对象的问题，为充分发挥车路协同对于交通控制的作用提供参考。

为了实现上述目的，本发明采用以下技术方案：

一种车路协同环境下多智能车交叉口通行协调控制方法，包括以下步骤：

步骤1：建立用于通行权划分的分类决策树的分类模型，利用上一个通行权划分周期内的各进口道各流向的交通流量，计算当前通行权划分周期内各进口道的相位和车道设置参数；具体包括以下步骤：

步骤1.1：获取样本数据，输入参数为各进口道各流向的交通流量，输出参数为各进口道的相位和车道设置参数，并将样本数据分为训练集和测试集；

步骤1.2：利用基于C4.5的分类决策树算法分别构建相位分配决策树S₁和车道分配决策树S₂，并利用步骤1.1获取的训练集和测试集训练相位分配决策树S₁和车道分配决策树S₂：

步骤1.3：输入上一个通行权划分周期内的各进口道各流向的交通流量，分别利用步骤1.2.1中所述的剪枝后的相位分配决策树S₁和步骤1.2.2所述的剪枝后的车道分配决策树S₂计算输出各进口道的相位设置参数、车道设置参数；

步骤2：利用步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数，以及当前各进口道控制区域内所有车辆的状态，建立信号配时优化模型，并计算输出最优的信号配时参数；具体包括以下步骤：

步骤2.1：假设当前通行权划分周期内各进口道的相位总数为M，各相位的最短绿灯、最长绿灯分别为G_min、G_max，定义G_step为绿灯调整步长，则信号配时优化模型的解空间为

步骤2.2：利用基于遗传算法的高维解空间滚动优化算法对步骤2.1所述的信号配时优化模型进行滚动优化，其中滚动时域为G_step，规划周期为2G(t)；

步骤2.3：利用步骤2.2所述的信号配时优化模型得到的解空间，计算输出最优的信号配时参数；

步骤3：利用步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数和步骤2所述的当前通行权划分周期内最优的信号配时参数，以及当前各进口道控制区域内所有车辆的状态，建立车辆轨迹优化模型；具体包括以下步骤：

步骤3.1：建立当前通行权划分周期内各进口道的车辆通行时序优化模型，具体包括以下步骤：

步骤3.1.1：判断当前车辆n的换道需求：

定义w_n＝{1-left，2-straight，3-right}为车辆n的通行需求，y_n＝{1-left,2-straight,3-right}表示当前车辆n所在车道允许的通行方向，当前车辆n所在车道允许的通行方向可由步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数获得；

当w_n＝y_n时，当前车辆n不需要换道；

当w_n≠y_n时，存在以下两种情况：

当w_n＞y_n时，当前车辆n需要向右换道；

当w_n＜y_n时，当前车辆n需要向左换道；

步骤3.1.2：建立换道决策模型，判断当前车辆n是否能够换道：

为确保安全，定义同一车道内前后两相邻车辆最小跟驰距离如下：

其中，minΔx(t)表示前后车的最小安全距离，a_decMax表示最大减速度，v_n(t)、v_n+1(t)分别表示同一车道内前后两相邻车辆车速，T表示后车的反应时间，L₀表示最小停车距离；定义(n-1)、(n+1)分别表示当前车辆n所在车道的前、后车，n′、(n+1)′分别表示当前车辆换道的目标车道的前、后车，当前车辆n与当前车道和目标车道前、后车的距离分别用Δx₁、Δx₂、Δx′₁、Δx′₂表示；

根据当前车道以及目标车道的前后车位置，建立换道决策模型如下：

当Δx′₁≥minΔx且Δx′₂≥minΔx，当前车辆n执行换道；

当Δx′₁≥minΔx且Δx′₂＜minΔx，当前车辆n不换道，当前车辆n加速，车辆(n+1)′减速；

当Δx′₁＜minΔx且Δx′₂≥minΔx，当前车辆n不换道，当前车辆n减速，车辆(n+1)′加速；

当Δx′₁＜minΔx且Δx′₂＜minΔx，当前车辆n不换道，当前车辆n减速，车辆(n+1)′减速；

步骤3.1.3：根据步骤3.1.1得到的当前车辆n的换道需求和步骤3.1.2的得到的当前车辆n是否能够换道的结果，控制当前车辆n在t_h时刻换道：

v_n(t)＝v_n(t₀)+a_ht

其中，v_n、v_n′分别是表示当前车辆n与目标车道前车的车速，a_h表示当前车辆n的加速度，t₀、t_h分别表示当前车辆n的初始时刻和达到换道条件的时刻；

步骤3.2：利用步骤2获得的最优的信号配时参数和步骤3.1获得的车辆换道优化模型，建立车辆通行时序优化模型，具体包括以下步骤：

步骤3.2.1：定义头车，并计算头车的通行时序，即头车最快到达停车线的时间t_min和头车的通过时间t_f(n)：

定义满足以下条件之一可视为头车：

a)在当前车道的第一辆车；

b)在绿灯周期内第一辆通过停车线的车辆；

头车最快到达停车线的时间为：

其中，t_min表示最快到达停车线的时间，t₁、t₂分别表示头车加速和维持最大速度行驶时间，根据头车以最快到达停车线时的信号灯状态，头车通行时序可分为以下两类情况：

当t_min+t₀∈[G_s(t),G_e(t)]时，则t_f(n)＝t_min+t₀；

当

时，t_f(n)＝t₀+t_min+C(t)；

其中，G_s(t)、G_e(t)表示当前绿灯时段的起始和结束时刻，t_f(n)为头车的通过时间，C(t)为信号周期时长；

步骤3.2.2：定义后车，并计算后车的通行时序，即后车的通过时间t_f(n+1)：

定义当车辆满足按照最快行驶到达停车线受本车道前方车辆制约时，视为后车；

当t_f(n)+h₀∈[G_s(t),G_e(t)]时，t_f(n+1)＝t_f(n)+h₀，车辆n+1紧随车辆n通过停车线；

当

时，t_f(n+1)＝G_s(t)+C(t)，车辆n+1在下一绿灯起亮时刻通过停车线；

其中，h₀为最小车头时距；

步骤4：利用步骤1所述的当前各进口道的相位设置参数、车道设置参数，步骤2所述的信号配时参数，步骤3所述的车辆轨迹优化模型，并利用当前控制区域内所有车辆的当前状态，计算输出每一辆车下一状态的轨迹方案，具体包括以下步骤：

步骤4.1：当时间到达当前各进口道的相位更新时间长度或者当时间到达红绿灯调整步长时，利用步骤2所述的信号配时优化模型计算输出最优的信号配时参数，进而利用步骤3所述的车辆轨迹优化模型计算输出每一辆车下一状态的轨迹方案；

步骤4.2：当间隔时间到达信号周期时长C(t)时，利用步骤1计算当前通行权划分周期内各进口道的相位和车道设置参数，然后再次进入步骤4.1计算输出每一辆车下一状态的轨迹方案。

所述步骤1.1包括以下步骤：

步骤1.1.1：随机生成交通需求参数，输入参数为各进口道各流向的交通流量，输出参数为各进口道的相位和车道设置参数；

步骤1.1.2：根据专家经验生成通行权分配待选方案；

步骤1.1.3：待选方案仿真择优作为样本数据，并将样本数据分为训练集和测试集。

所述步骤1.2包括以下步骤：

步骤1.2.1：利用基于C4.5的分类决策树算法对步骤1.1中所述的训练集进行训练，得到相位分配决策树S₁的分类模型；然后对相位分配决策树S₁进行剪枝；

步骤1.2.2：利用基于C4.5的分类决策树算法对步骤1.1中所述的训练集进行训练，得到车道分配决策树S₂的分类模型；然后对车道分配决策树S₂进行剪枝；

步骤1.2.3：利用步骤1.1中所述的测试集分别对步骤1.2.1中所述的剪枝后的相位分配决策树S₁和步骤1.2.2所述的剪枝后的车道分配决策树S₂进行测试。

本发明的有益效果：

本发明所述的一种车路协同环境下多智能车交叉口通行协调控制方法通过构建通行权分配、信号配时、车辆轨迹优化模型，建立了一套用于车路协同环境下交叉口整体控制的理论算法，为充分发挥车路协同对于交通控制的作用提供参考。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所述的车道允许通行方向设置方案示意图；

图2为本发明所述的车辆通行方向相位设置方案示意图；

图3为本发明所述的图2中的流向2、3车辆通行方向相位设置方案图；

图4为本发明所述的通行权分配决策树结构图；

图5为本发明所述的交叉口渠化图；

图6为本发明所述的单车道车辆轨迹图；

图7为本发明所述的相邻车道车辆换道轨迹图；

图8为本发明所述的各流向交通需求变化图；

图9为本发明所述的各类算法控制效果时序图；

图10为本发明所述的最小绿灯对AV-A1算法影响统计图；

图11为本发明所述的最小绿灯对AV-A2算法影响统计图。

具体实施方式

下面将结合附图对本发明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。

本发明所述的一种车路协同环境下多智能车交叉口通行协调控制方法，其中，对于车路协同环境下的智能车有如下要求：

1、到达交叉口的车辆都具备与交叉口实时无延迟通信且能根据控制方案自动驾驶；

2、假设车辆只有当前行驶车道与通行需求方向不一致时才进行换道，即不会为出现因前车较慢而超车的情况，因为每辆车进入交叉口后都会计算其后序轨迹，故无超车必要；

3、按照进入交叉口的时间先后顺序，分别计算每一进口方向的车辆通行轨迹，对于后进入交叉口的车辆而言，前面车辆的通行轨迹是已知的；

4、在该部分模型中，只考虑左、直、右三个流向，掉头车辆不考虑，交叉口车道的允许通行方向和相位允许通行方向是可以动态优化的控制参数。

本发明所述的一种车路协同环境下多智能车交叉口通行协调控制方法，包括以下步骤：

一、通行权控制：

步骤1：建立用于通行权划分的分类决策树的分类模型，利用上一个通行权划分周期内的各进口道各流向的交通流量，计算当前通行权划分周期内各进口道的相位和车道设置参数；具体包括以下步骤：

首先，假设对于每一个四车道进口道，假设右转车辆都使用最右侧车道，即车道4，且不考虑掉头车辆时，以某一方向进口道为例，共有五种不同的车道设置方案，如图1所示，由于订车4定义为右转车道，所以图中未标识：

其次，在上述车道设置方案的基础上定义车辆通行方向相位设置方案，具体采用以下方法：对每个交叉口而言，在不考虑掉头和右转的车辆情况下，共有8中不同的车辆通行方向；在设置相位方案时，共有4种互不干涉的流向组合，如图2所示：

在考虑车辆通行方向相位设置时，以南北方向进口道(即图2中的流向2、3组合)为例：根据交叉口各流向组合交通需求(本文中用到达流率和排队长度来表示)，对对向进口道的相位进行设置，共有五种不同的相位设置方案，如图3所示：

因此，建立如下通行权划分模型：

(l_i,r_p)＝f₁([q_iL],[q_iS])；

其中，f₁表示通行权分配模型，i可取1、2、3、4，分别表示东、南、西、北交叉口四个方向，p可取1、2分别表示东西、南北两组相位方向，[q_iL],[q_iS]分别表示i进口道的左转和直行交通需求，l_i表示i方向车道分配方案，r_p表示p流向相位设置方案；

因此，基于上述通行权划分模型，可建立用于通行权划分的分类决策树的分类模型，利用上一个通行权划分周期内的各进口道各流向的交通流量，计算当前通行权划分周期内各进口道的相位和车道设置参数，具体包括以下步骤：

首先，获取样本数据，具体的：

步骤1.1：获取样本数据，包括以下步骤：；

步骤1.1.1：随机生成交通需求参数，输入参数为上一个通行权划分周期内各进口道各流向的交通流量，输出参数为当前通行权划分周期内各进口道的相位和车道设置参数；

步骤1.1.2：根据专家经验生成通行权分配待选方案；

步骤1.1.3：待选方案仿真择优作为样本数据，并将样本数据分为训练集和测试集；

其次，进行决策树训练，具体的；

步骤1.2：如图4所示，利用基于C4.5的分类决策树算法分别构建相位分配决策树S₁和车道分配决策树S₂，根据各进口道各流向的交通流量，计算输出各进口道的相位和车道设置参数，具体包括以下步骤：

步骤1.2.1：利用基于C4.5的分类决策树算法对步骤1.1.3中所述的训练集进行训练，得到相位分配决策树S₁的分类模型；然后对相位分配决策树S₁进行剪枝；

步骤1.2.2：利用基于C4.5的分类决策树算法对步骤1.1.3中所述的训练集进行训练，得到车道分配决策树S₂的分类模型；然后对车道分配决策树S₂进行剪枝；

具体的，基于C4.5的分类决策树算法如下所示：

首先，将连续的变量的离散化，采用以下方法：

第一步，选择分割点；将样本训练集

按照q₁₁的值从小至大排序，且用序号n为其编号，当样本类别变化时，将相邻的两个q₁₁属性值的中点选为待分割点，记作

第二步，计算分割熵；定义

表示在划分区间内按照

点分割左侧的样本数，

表示左侧的样本数，

表示区间内的样本总数，

分别表示按照

分割的条件熵、表示信息增益；选择信息增益最大的待分割点作为分割点；

第三步，在按照上述第二步完成一次分割后，选择剩下区间中熵值较大的区间继续分割，重复第二步的算法；当出现以下条件时，停止分割；

1)分隔点达到四个；

2)分割区域没有待分割点；

3)

其次，决策树构建：在构建决策树时，先对连续变量进行离散化处理，当所有连续变量都完成离散化时，进入决策树主体构建环节，主要包括以下步骤：

第一步，计算信息增益率，即计算各待分裂属性的信息增益率；

第二步，选择增益率最大的属性，将其标记为子树节点；

第三步，不断重复循环第一步、第二步，完成子树节点标记，当全部满足如下条件时，则终止循环；

1)训练集为空；

2)待标记属性为空；

3)GainRatio(A)≤0.03；

4)子节点的样本都是同一类别；

最后，利用PEP剪枝法分别对相位分配决策树S₁和车道分配决策树S₂进行剪枝，包括如下步骤：

第一步，把子树替换为叶子节点，用概率最大的类标记该节点，并求出误判率和误判次数均值；其中L表示叶子节点数，e_i表示叶子节点i中错误的样本数，n_i表示叶子节点i中总体样本数，0.5为惩罚系数，ER表示误判率、EM表示误判次数均值，计算公式如下：

第二步，当达到如下剪枝条件时分别对相位分配决策树S₁和车道分配决策树S₂进行剪枝；

ER+ESTD≥EM′；

在上式中，ESTD表示误判次数标准差，

EM′表示替换后的误判次数均值；

步骤1.2.3：利用步骤1.1.3中所述的测试集分别对步骤1.2.1中所述的剪枝后的相位分配决策树S₁和步骤1.2.2所述的剪枝的车道分配决策树S₂进行测试；

得到剪枝后的相位分配决策树S₁和车道分配决策树S₂后，对通行权进行更新：

步骤1.3：输入上一个通行权划分周期内的各进口道各流向的交通流量，分别利用步骤1.2.1中所述的剪枝后的相位分配决策树S₁和步骤1.2.2所述的剪枝后的车道分配决策树S₂计算输出各进口道的相位设置参数、车道设置参数；

二、信号配时控制，具体的：

步骤2：利用步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数，以及当前各进口道控制区域内所有车辆的状态，建立信号配时优化模型，并计算输出最优的信号配时参数；具体包括以下步骤：

步骤2.1：假设当前通行权划分周期内各进口道的相位总数为M，各相位的最短绿灯、最长绿灯分别为G_min、G_max，定义G_step为绿灯调整步长，则信号配时优化模型的解空间为

步骤2.2：利用基于遗传算法的高维解空间滚动优化算法对步骤2.1所述的信号配时优化模型进行滚动优化，其中滚动时域为G_step，规划周期为2G(t)；

步骤2.3：利用步骤2.2所述的信号配时优化模型得到的解空间，计算输出最优的信号配时参数；

利用基于遗传算法的高维解空间滚动优化算法对步骤2.1所述的信号配时优化模型进行滚动优化属于现有成熟技术，这里不再赘述。

三、车辆轨迹控制，具体的：

步骤3：利用步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数和步骤2所述的当前通行权划分周期内最优的信号配时参数，以及当前各进口道控制区域内所有车辆的状态，建立车辆轨迹优化模型；具体包括以下步骤：

车辆换道控制，具体的：

步骤3.1：建立当前通行权划分周期内各进口道的车辆通行时序优化模型，具体包括以下步骤：

步骤3.1.1：判断当前车辆n的换道需求：

定义w_n＝{1-left，2-straight，3-right}为车辆n的通行需求，y_n＝{1-left,2-straight,3-right}表示当前车辆n所在车道允许的通行方向，当前车辆n所在车道允许的通行方向可由步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数获得；

当w_n＝y_n时，当前车辆n不需要换道；

当w_n≠y_n时，存在以下两种情况：

当w_n＞y_n时，当前车辆n需要向右换道；

当w_n＜y_n时，当前车辆n需要向左换道；

步骤3.1.2：建立换道决策模型，判断当前车辆n是否能够换道：

为确保安全，定义同一车道内前后两相邻车辆最小跟驰距离如下：

其中，minΔx(t)表示前后车的最小安全距离，a_decMax表示最大减速度，v_n(t)、v_n+1(t)分别表示同一车道内前后两相邻车辆车速，T表示后车的反应时间，L₀表示最小停车距离；定义(n-1)、(n+1)分别表示当前车辆n所在车道的前、后车，n′、(n+1)′分别表示当前车辆换道的目标车道的前、后车，当前车辆n与当前车道和目标车道前、后车的距离分别用Δx₁、Δx₂、Δx′₁、Δx′₂表示；

根据当前车道以及目标车道的前后车位置，建立换道决策模型如下：

当Δx′₁≥minΔx且Δx′₂≥minΔx，当前车辆n执行换道；

当Δx′₁≥minΔx且Δx′₂＜minΔx，当前车辆n不换道，当前车辆n加速，车辆(n+1)′减速；

当Δx′₁＜minΔx且Δx′₂≥minΔx，当前车辆n不换道，当前车辆n减速，车辆(n+1)′加速；

当Δx′₁＜minΔx且Δx′₂＜minΔx，当前车辆n不换道，当前车辆n减速，车辆(n+1)′减速；

步骤3.1.3：根据步骤3.1.1得到的当前车辆n的换道需求和步骤3.1.2的得到的当前车辆n是否能够换道的结果，控制当前车辆n在t_h时刻换道：

v_n(t)＝v_n(t₀)+a_ht

其中，v_n、v_n′分别是表示当前车辆n与目标车道前车的车速，a_h表示当前车辆n的加速度，t₀、t_h分别表示当前车辆n的初始时刻和达到换道条件的时刻；

车辆速度控制：

步骤3.2：利用步骤2获得的最优的信号配时参数和步骤3.1获得的车辆换道优化模型，建立车辆通行时序优化模型，具体包括以下步骤：

步骤3.2.1：定义头车，并计算头车的通行时序，即头车最快到达停车线的时间t_min和头车的通过时间t_f(n)：

定义满足以下条件之一可视为头车：

a)在当前车道的第一辆车；

b)在绿灯周期内第一辆通过停车线的车辆；

头车最快到达停车线的时间为：

其中，t_min表示最快到达停车线的时间，t₁、t₂分别表示头车加速和维持最大速度行驶时间，根据头车以最快到达停车线时的信号灯状态，头车通行时序可分为以下两类情况：

当t_min+t₀∈[G_s(t),G_e(t)]时，则t_f(n)＝t_min+t₀；

当

时，t_f(n)＝t₀+t_min+C(t)；

其中，G_s(t)、G_e(t)表示当前绿灯时段的起始和结束时刻，t_f(n)为头车的通过时间，C(t)为信号周期时长；

步骤3.2.2：定义后车，并计算后车的通行时序，即后车的通过时间t_f(n+1)：

定义当车辆满足按照最快行驶到达停车线受本车道前方车辆制约时，视为后车；

当t_f(n)+h₀∈[G_s(t),G_e(t)]时，t_f(n+1)＝t_f(n)+h₀，车辆n+1紧随车辆n通过停车线；

当

时，t_f(n+1)＝G_s(t)+C(t)，车辆n+1在下一绿灯起亮时刻通过停车线；

其中，h₀为最小车头时距；

四、交叉口整体控制，具体的：

步骤4：利用步骤1所述的当前各进口道的相位设置参数、车道设置参数，步骤2所述的信号配时参数，步骤3所述的车辆轨迹优化模型，并利用当前控制区域内所有车辆的当前状态，计算输出每一辆车下一状态的轨迹方案，具体包括以下步骤：

步骤4.1：当时间到达当前各进口道的相位更新时间长度或者当时间到达红绿灯调整步长时，利用步骤2所述的信号配时优化模型计算输出最优的信号配时参数，进而利用步骤3所述的车辆轨迹优化模型计算输出每一辆车下一状态的轨迹方案；

步骤4.2：当间隔时间到达信号周期时长C(t)时，利用步骤1计算当前通行权划分周期内各进口道的相位和车道设置参数，然后再次进入步骤4.1计算输出每一辆车下一状态的轨迹方案。

五、控制方法试验结果：

为了便于本领域技术人员进一步理解本发明的技术方案，下面将以本发明所述的一种车路协同环境下多智能车交叉口通行协调控制方法与分别设置人工驾驶固定配时仿真实验(HV-fixed)、车路协同模式固定配时仿真实验(AV-fixed)作为对照，分别采用基于遗传算法的高维优化(AV-A1)和枚举式低维优化(AV-A2)进行信号优化的控制仿真作为实验组；

实验路口的渠化如图5所示，最右侧默认为右转车道，其余三条车道可动态控制。每条车道总长600米，隔离区默认为100米，换道区为200米。其中车辆的最大加减速度均为a_{acc_max}＝a_{dec_max}＝3m/s²，最大行驶速度为15米/秒(54km/h)，最小行驶速度为0m/s。跟驰模型中的反应时间为1秒，车身长度默认为4米，最小停车距离为1米。最小绿灯时长G_min为可控制参数，最大绿灯时长为40秒，全红时间默认为1秒，黄灯时间默认为2秒。总仿真时长为3600秒(60min)，通行权更新周期为6C(t)。默认车道饱和流率为1700pcu/h，共设置四组到达流率(流量强度)分别为100pcu/h(0.23)，200pcu/h(0.45)，300pcu/h(0.71)，400pcu/h(0.95)。在仿真中生成不同的左直比来模拟不同的交通需求情况。

选择流量强度为0.4，前200秒西进口的左转车道轨迹数据统计得到车辆时空轨迹图如图6所示：

如图6所示，用HV-fixed算法控制时，车辆轨迹“突变”的情况角为普遍；用AV-fixed、AV-A1、AV-A2算法控制时，车辆通行轨迹比HV-fixed算法控制更加“平顺”。从绿灯利用率来看，用AV-A1、AV-A2算法控制比HV-fixed、AV-fixed算法控制的利用率更高，车辆排队情况得到缓解。

为便于分析不同控制算法对于换道轨迹的影响，选择流量强度为0.4，可换道距离为100米条件下，前200秒西进口的两相邻车道车辆时空轨迹如图7所示：在HV-fixed算法控制下，由于换道、红灯等导致的减速或停车情况较多；但在AV-fixed算法控制下，车辆换道以及红灯导致的停车现象得到大幅缓解。

在不同的流量强度下，采用不同的控制算法进行仿真得到结果如表1所示：

1)流量强度为0.23时，后三种算法对速度的改善幅度约10％，对延误的改善幅度约为50％，排放缓解幅度约20％；

2)流量强度为0.45时，AV-A1算法的控制效果最优，延误改善幅度约30％，速度改善幅度约15％，排放改善幅度约17％；

3)流量强度0.71时，AV-A1、AV-A2算法的控制效果比AV-fixed的效果优势更加显著；4)流量强度0.95时，与其他流量强度相比，后三种算法对各指标的改善幅度有所跌落。

综合来看，HV-fixed、AV-fixed、AV-A2、AV-A1算法的控制效果依次递增。从计算时间来看，AV-A2、AV-A1算法的计算耗时比AV-fixed更大，其中AV-A1比AV-A2的时间更短，算法的实用性更佳。

表1：仿真结果统计表

为验证不同交通需求情况下不同的控制算法控制效果，以200秒为间隔随机生成不同流向交通需求如图8所示：

以延误为例，各算法如图9所示：HV-fixed、AV-fixed控制算法对于交通需求变化时,控制效果的波动较大。相比之下，AV-A1、AV-A2算法控制下延误水平较低，对于交通需求变化的适应性更好，且AV-A1比AV-A2稍好。

以延误改善幅度为指标，在不同流量强度条件下分别采用AV-A1、AV-A2算法，设置不同最小绿灯时长进行仿真得到结果如图10、11所示：两类算法控制效果呈现出随最小绿灯的增加而先增后降的趋势。其中AV-A1对于绿灯时长改变的敏感性比AV-A2更低，两类算法的最佳的最小绿灯时长都为4秒。

综上所述，本发明所述的一种车路协同环境下多智能车交叉口通行协调控制方法通过构建通行权分配、信号配时、车辆轨迹优化模型，建立了一套用于车路协同环境下交叉口整体控制的理论算法，并进一步通过设置四组仿真实验，对不同条件下不同控制算法的控制效果进行定量分析，验证了本文所提出算法对于车路协同环境下的交叉口整体控制的显著效果。

具体结论为：

1)所提出的算法可优化车辆的换道和速度轨迹，减少急刹车和停车等情况；

2)增加通行权分配模型后，交叉口时空资源分配不合理的现象得到缓解；

3)所提出的控制算法在中、低饱和度时对交叉口运行改善幅度最大，且计算时间都小于1s，算法的实用性好；

4)AV-A1、AV-A2算法对于交通变化的适应性较好，其最小绿灯时长是4s，最小信号优化时间步长是2s。

随着车路协同的不断发展，未来将存在自动驾驶车辆、人工驾驶车辆等共存的情况，未来可在本文基础上对不同类别车辆共存的整体协同控制模型进一步深入研究。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种车路协同环境下多智能车交叉口通行协调控制方法，其特征在于：包括以下步骤：

步骤1：建立用于通行权划分的分类决策树的分类模型，利用上一个通行权划分周期内的各进口道各流向的交通流量，计算当前通行权划分周期内各进口道的相位和车道设置参数；具体包括以下步骤：

步骤1.1：获取样本数据，输入参数为各进口道各流向的交通流量，输出参数为各进口道的相位和车道设置参数，并将样本数据分为训练集和测试集；

步骤1.2：利用基于C4.5的分类决策树算法分别构建相位分配决策树S₁和车道分配决策树S₂，并利用步骤1.1获取的训练集和测试集训练相位分配决策树S₁和车道分配决策树S₂：

步骤1.3：输入上一个通行权划分周期内的各进口道各流向的交通流量，分别利用步骤1.2.1中所述的剪枝后的相位分配决策树S₁和步骤1.2.2所述的剪枝后的车道分配决策树S₂计算输出各进口道的相位设置参数、车道设置参数；

步骤2：利用步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数，以及当前各进口道控制区域内所有车辆的状态，建立信号配时优化模型，并计算输出最优的信号配时参数；具体包括以下步骤：

步骤2.1：假设当前通行权划分周期内各进口道的相位总数为M，各相位的最短绿灯、最长绿灯分别为G_min、G_max，定义G_step为绿灯调整步长，则信号配时优化模型的解空间为

步骤2.2：利用基于遗传算法的高维解空间滚动优化算法对步骤2.1所述的信号配时优化模型进行滚动优化，其中滚动时域为G_step，规划周期为2G(t)；

步骤2.3：利用步骤2.2所述的信号配时优化模型得到的解空间，计算输出最优的信号配时参数；

步骤3：利用步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数和步骤2所述的当前通行权划分周期内最优的信号配时参数，以及当前各进口道控制区域内所有车辆的状态，建立车辆轨迹优化模型；具体包括以下步骤：

步骤3.1：建立当前通行权划分周期内各进口道的车辆通行时序优化模型，具体包括以下步骤：

步骤3.1.1：判断当前车辆n的换道需求：

定义w_n＝{1-left，2-straight，3-right}为车辆n的通行需求，y_n＝{1-left,2-straight,3-right}表示当前车辆n所在车道允许的通行方向，当前车辆n所在车道允许的通行方向可由步骤1所述的当前通行权划分周期内各进口道的相位和车道设置参数获得；

当w_n＝y_n时，当前车辆n不需要换道；

当w_n≠y_n时，存在以下两种情况：

当w_n＞y_n时，当前车辆n需要向右换道；

当w_n＜y_n时，当前车辆n需要向左换道；

步骤3.1.2：建立换道决策模型，判断当前车辆n是否能够换道：

为确保安全，定义同一车道内前后两相邻车辆最小跟驰距离如下：

其中，minΔx(t)表示前后车的最小安全距离，a_decMax表示最大减速度，v_n(t)、v_n+1(t)分别表示同一车道内前后两相邻车辆车速，T表示后车的反应时间，L₀表示最小停车距离；定义(n-1)、(n+1)分别表示当前车辆n所在车道的前、后车，n′、(n+1)′分别表示当前车辆换道的目标车道的前、后车，当前车辆n与当前车道和目标车道前、后车的距离分别用Δx₁、Δx₂、Δx′₁、Δx′₂表示；

根据当前车道以及目标车道的前后车位置，建立换道决策模型如下：

当Δx′₁≥minΔx且Δx′₂≥minΔx，当前车辆n执行换道；

当Δx′₁≥minΔx且Δx′₂＜minΔx，当前车辆n不换道，当前车辆n加速，车辆(n+1)′减速；

当Δx′₁＜minΔx且Δx′₂≥minΔx，当前车辆n不换道，当前车辆n减速，车辆(n+1)′加速；

当Δx′₁＜minΔx且Δx′₂＜minΔx，当前车辆n不换道，当前车辆n减速，车辆(n+1)′减速；

步骤3.1.3：根据步骤3.1.1得到的当前车辆n的换道需求和步骤3.1.2的得到的当前车辆n是否能够换道的结果，控制当前车辆n在t_h时刻换道：

v_n(t)＝v_n(t₀)+a_ht

其中，v_n、v_n′分别是表示当前车辆n与目标车道前车的车速，a_h表示当前车辆n的加速度，t₀、t_h分别表示当前车辆n的初始时刻和达到换道条件的时刻；

步骤3.2：利用步骤2获得的最优的信号配时参数和步骤3.1获得的车辆换道优化模型，建立车辆通行时序优化模型，具体包括以下步骤：

步骤3.2.1：定义头车，并计算头车的通行时序，即头车最快到达停车线的时间t_min和头车的通过时间t_f(n)：

定义满足以下条件之一可视为头车：

a)在当前车道的第一辆车；

b)在绿灯周期内第一辆通过停车线的车辆；

头车最快到达停车线的时间为：

其中，t_min表示最快到达停车线的时间，t₁、t₂分别表示头车加速和维持最大速度行驶时间，根据头车以最快到达停车线时的信号灯状态，头车通行时序可分为以下两类情况：

当t_min+t₀∈[G_s(t),G_e(t)]时，则t_f(n)＝t_min+t₀；

当

时，t_f(n)＝t₀+t_min+C(t)；

其中，G_s(t)、G_e(t)表示当前绿灯时段的起始和结束时刻，t_f(n)为头车的通过时间，C(t)为信号周期时长；

步骤3.2.2：定义后车，并计算后车的通行时序，即后车的通过时间t_f(n+1)：

定义当车辆满足按照最快行驶到达停车线受本车道前方车辆制约时，视为后车；

当t_f(n)+h₀∈[G_s(t),G_e(t)]时，t_f(n+1)＝t_f(n)+h₀，车辆n+1紧随车辆n通过停车线；

当

时，t_f(n+1)＝G_s(t)+C(t)，车辆n+1在下一绿灯起亮时刻通过停车线；

其中，h₀为最小车头时距；

步骤4：利用步骤1所述的当前各进口道的相位设置参数、车道设置参数，步骤2所述的信号配时参数，步骤3所述的车辆轨迹优化模型，并利用当前控制区域内所有车辆的当前状态，计算输出每一辆车下一状态的轨迹方案，具体包括以下步骤：

步骤4.1：当时间到达当前各进口道的相位更新时间长度或者当时间到达红绿灯调整步长时，利用步骤2所述的信号配时优化模型计算输出最优的信号配时参数，进而利用步骤3所述的车辆轨迹优化模型计算输出每一辆车下一状态的轨迹方案；

步骤4.2：当间隔时间到达信号周期时长C(t)时，利用步骤1计算当前通行权划分周期内各进口道的相位和车道设置参数，然后再次进入步骤4.1计算输出每一辆车下一状态的轨迹方案。

2.根据权利要求1所述的一种车路协同环境下多智能车交叉口通行协调控制方法，其特征在于：所述步骤1.1包括以下步骤：

步骤1.1.1：随机生成交通需求参数，输入参数为各进口道各流向的交通流量，输出参数为各进口道的相位和车道设置参数；

步骤1.1.2：根据专家经验生成通行权分配待选方案；

步骤1.1.3：待选方案仿真择优作为样本数据，并将样本数据分为训练集和测试集。

3.根据权利要求1所述的一种车路协同环境下多智能车交叉口通行协调控制方法，其特征在于：所述步骤1.2包括以下步骤：

步骤1.2.1：利用基于C4.5的分类决策树算法对步骤1.1中所述的训练集进行训练，得到相位分配决策树S₁的分类模型；然后对相位分配决策树S₁进行剪枝；

步骤1.2.2：利用基于C4.5的分类决策树算法对步骤1.1中所述的训练集进行训练，得到车道分配决策树S₂的分类模型；然后对车道分配决策树S₂进行剪枝；

步骤1.2.3：利用步骤1.1中所述的测试集分别对步骤1.2.1中所述的剪枝后的相位分配决策树S₁和步骤1.2.2所述的剪枝后的车道分配决策树S₂进行测试。

Images