CN112286197B - 一种基于离散时空的车辆纵向运动速度优化方法 - Google Patents

一种基于离散时空的车辆纵向运动速度优化方法 Download PDF

Info

Publication number
CN112286197B
CN112286197B CN202011212315.4A CN202011212315A CN112286197B CN 112286197 B CN112286197 B CN 112286197B CN 202011212315 A CN202011212315 A CN 202011212315A CN 112286197 B CN112286197 B CN 112286197B
Authority
CN
China
Prior art keywords
time
space
vehicle
track
longitudinal movement
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
CN202011212315.4A
Other languages
English (en)
Other versions
CN112286197A (zh
Inventor
姜慧夫
胡猛
张国胜
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.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
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 Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202011212315.4A priority Critical patent/CN112286197B/zh
Publication of CN112286197A publication Critical patent/CN112286197A/zh
Application granted granted Critical
Publication of CN112286197B publication Critical patent/CN112286197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于离散时空的车辆纵向运动速度优化方法，基于离散时空模型，对于网联自动驾驶车辆生成最优时空轨迹；模型中以时空节点和时空弧构建车辆轨迹，所述时空弧在约束条件下获取。对最优时空轨迹一阶求导得最优的车辆纵向运动速度。对于普通车辆也可采用同样的方法预测轨迹。本发明的优点是，一能够以多种车辆控制目标为成本，并利用最短路算法求解符合控制目标的车辆纵向运动时空轨迹，实现精准快速计算；二能够利用微观车辆跟驰模型计算普通车辆运动状态信息，并将其应用于网联自动驾驶车辆时空轨迹优化中，使优化方法能够应用于网联自动驾驶车辆与普通车辆混行的情况下。

Description

一种基于离散时空的车辆纵向运动速度优化方法
技术领域
本发明主要为网联自动驾驶车辆的纵向车速控制提供最优速度方案，具体为一种基于离散时空的车辆纵向运动控制系统的速度优化方法。
背景技术
目前车辆纵向速度优化方法大多以非车联网的传统道路交通系统作为基础场景，输入信息获取范围与输出速度方案实施效果受道路交通系统通信及控制技术限制而无法达到较高的水平，仅能应用于宏观交通控制。而随着车辆控制技术与车路、车车通信技术的快速发展，网联自动驾驶车辆技术逐渐成熟，道路交通系统中车辆微观控制亦将在近期成为现实。这些技术为车辆纵向速度优化提供了全新的研究视角，目前相关研究主要采取优化车辆纵向运动时空轨迹的方式，例如平滑车辆时空轨迹来减少车辆加减速行为并缩减速度变化幅度以降低车辆制动系统工作压力。然而现有车辆纵向速度优化方法存在以下两方面问题：①主要面向完全网联自动驾驶车辆环境的车辆运动控制系统，无法在网联自动驾驶车辆与普通有人驾驶车辆混行的情况下投入实际使用。而根据相关部门预计，100％网联自动驾驶环境将迟至2060年左右才能实现，因此现有方法在近期实用性较低；②现有网联自动驾驶车辆优化控制算法均采用连续时空模型进行建模，由于车辆行驶过程中周围环境复杂多变，导致其所构建的优化问题多为多变量非线性优化问题，且约束条件复杂，多采用数值法进行求解，计算效率较低，难以实现精准实时控制。
发明内容
本发明主要面向网联自动驾驶车辆，设计了全新的车辆纵向运动速度优化方法，其优点为：①提出了离散时空的概念，设计了全新的时空节点-弧模型来重构车辆纵向运动时空轨迹，能够以多种车辆控制目标为成本，并利用最短路算法求解符合控制目标的车辆纵向运动时空轨迹，实现精准快速计算；②利用微观车辆跟驰模型计算非网联车辆运动状态信息，并将其应用于网联自动驾驶车辆时空轨迹优化中，使优化方法能够应用于近期网联自动驾驶车辆与普通非网联车辆混行的情况下。
本发明的技术方案如下：一种基于离散时空的车辆纵向运动速度优化方法，其特征在于，对于网联自动驾驶车辆，则根据前方车辆运动信息生成自车最优时空轨迹；对于普通车辆，则根据前方车辆运动信息预测自车时空轨迹；
其中，对于网联自动驾驶车辆基于如下时空轨迹模型和约束条件生成自车最优时空轨迹：
1)时空轨迹模型
所述时空轨迹模型是通过时间和空间两个维度表示的离散时空模型，在所述离散时空模型中，车辆的时空轨迹由若干个时空节点和连接于时空节点之间的时空弧构成，所述时空弧为直线；
2)约束条件
2-1)车辆运动成本最低
所述车辆运动成本是指时空弧所占时段时长与该段时空弧车辆运动成本生成率的乘积，所述车辆运动成本生成率与该段时空弧的斜率正相关；
2-2)初始状态：根据车辆进入受控状态时的初始时间和速度，选取一条与初始时间和速度最接近的时空弧作为初始时空弧；
2-2)终端状态：根据车辆指定要到达的终端位置时的时间和速度，对终端的时间和速度进行单独约束，时间和速度可有一项无约束，且受控车辆的终端时间应晚于前车终端时间；
2-3)受控车辆的速度和加速度始终处于合理设定的范围内；
2-4)受控车辆与前车始终保持在设定的安全距离范围内；
对满足上述约束条件且可连续的所有时空弧，采用最短路算法求得起始位置与终端位置之间车辆运动成本总和最小的时空节点和时空弧的序列，形成网联自动驾驶车辆的最优时空轨迹。
进一步地，所述时空节点由时间和位置两个参量表征。
进一步地，所述时空节点的时间间隔和空间间隔自设定。
进一步地，相邻两时空弧需与同一时空节点相连。
进一步地，对最优时空轨迹一阶求导得最优的车辆纵向运动速度。
进一步地，对于普通车辆，采用微观车辆跟驰模型预测自车时空轨迹，并对求得的时空轨迹进行时空离散化，所述离散化方法与网联自动驾驶车辆相同。
附图说明
图1是车辆纵向运动控制系统架构示意图；
图2是车辆纵向控制系统工作流程图。
图3是离散时空模型示意图；
图4是运动学约束示意图；
图5是安全约束示意图。
具体实施方式
车辆纵向运动控制系统由网联自动驾驶车辆、普通车辆、车辆检测器、中央控制器及通信设施五大部分构成，如图1所示。系统基于专用短程通讯技术(DSRC)构建，通讯范围300米，车辆检测器、中央控制器及网联驾驶车辆均布设有通讯装置。受控路段为单车道设计，无转弯、换车道和超车行为。
系统工作流程如图2所示，车辆检测器实时检测车辆到达，并将到达车辆的状态信息传送至中央控制器；随后中央控制器请求与到达车辆建立通信连接，请求通过则为网联自动驾驶车辆，请求未通过则为普通车辆。若车辆为网联自动驾驶车辆，则中央控制器利用系统中存储的前方车辆运动信息，生成车辆最优时空轨迹，发送至相应网联自动驾驶车辆；若车辆为普通车辆，中央控制器利用系统中存储的前方车辆运动信息，预测车辆时空轨迹；中央控制器计算结果均存储于中央控制器的内数据库中，作为后方车辆计算的输入数据。
1.车辆时空轨迹模型
为提高网联自动驾驶车辆控制问题的求解效率，本发明提出了基于离散时空模型的网联自动驾驶车辆时空轨迹建模方法，该方法将控制范围内的时空从时间与空间(位置)两个维度进行离散化处理，如图3所示。
车辆时空轨迹网中节点被命名为时空节点，如图3中节点A所示；该离散时空模型将连续时空简化为一系列具有固定时间间隔与空间间隔的时空节点，时空节点的时间间隔与空间间隔可自行设定。基于该离散时空模型，可利用节点-弧模型来构建车辆时空轨迹，连接时空节点的弧被命名为时空弧，如图3中实线B所示。为简化计算以提高计算效率，所有时空弧均以直线进行表达。根据时间发展规律，终止时空节点的时间轴编号需大于起始时空节点的时间轴编号，即时间沿时间轴正方向发展；根据道路上的车辆空间运动规律，禁止倒车行为的产生，因此终止时空节点的空间轴编号需大于等于起始时空节点的空间轴编号。由该时空轨迹模型构建的车辆时空轨迹，需保持时空连续性，即相邻两时空弧需与同一时空节点相连。
2.车辆纵向运动成本
网联自动驾驶车辆纵向运动时空轨迹中任一时空弧的斜率为该时空弧所占时段内的车辆速度，车速的一阶导数为车辆的加速度，以此类推可获得多种车辆纵向运动状态参数的实时数据。根据系统的控制目标确定车辆运动成本构成，利用车辆纵向运动状态参数计算车辆瞬时运动成本生成率。由于时空弧被简化为直线，因此任一时空弧所占时段内，车辆运动成本生成率为恒定值，可通过时空弧所占时段时长与车辆运动成本生成率相乘计算时空弧对应的车辆运动成本。由于时空节点仅为时间点，无时长，因此任一时间节点均不产生车辆运动成本，累加各段时空弧的车辆运动成本可得完整时空轨迹的车辆运动成本。
3.车辆纵向运动约束条件
网联自动驾驶车辆运行过程中，其纵向运动约束条件包括以下几部分：
(1)初始状态，即网联自动驾驶车辆到达车辆检测器时的瞬时速度与时间，根据初始状态可以确定构成该车辆时空轨迹的第一条时空弧，该时空弧的选取采用速度与时间近似的方法，即在所有与起始时空节点相连的时空弧中，选取速度和起始时间与车辆初始状态最相近的时空弧作为第一条时空弧。
(2)终端状态，即网联自动驾驶车辆到指定位置时的瞬时速度与时间，本发明可对终端状态中的时间与瞬时速度单独进行约束，即时间与瞬时速度可有一项无约束。终端时间计算过程中需要考虑前车运动信息，即被优化车辆到达终端时间需晚于前车终端时间，两车间需保持安全车头时距。
(3)运动学约束，车辆速度与加速度需位于合理范围内。为实现运动学约束，本发明中对不满足运动学约束条件的时空弧所对应的车辆运动成本进行重新赋值。如图4中时空弧B’所示，所有不符合运动学约束条件的时空弧均被强制赋予极大的车辆运动成本，使得在进一步的最优时空轨迹构建过程中，算法能够由于这些时空弧对应的车辆运动成本过大而直接将其排除，最终使得输出的时空轨迹中任一时空弧均满足运动学约束。
(4)安全约束，即车辆与前车保持一定的安全距离。本发明根据系统数据库中存储的前车时空轨迹数据，计算当前车辆可行的时空轨迹区域。如图5所示，图中点实线C为前车时空轨迹，在给定安全车头时距下，通过时空轨迹平移获取后车安全时空区域边界，如图中虚线D所示。虚线左侧为非安全时空区域，其范围内所有时空弧均为非安全时空弧；虚线右侧为安全时空区域，其范围内所有时空弧均为安全时空弧。因此对于图中受控车辆当前所处的时空节点而言，在最优时空轨迹构建过程中，只可选择位于安全时空区域内的安全时空弧。为实现安全约束，本发明同样对不满足安全条件的时空弧所对应的车辆运动成本进行重新赋值。如图5中时空弧B’所示，所有不符合运动学约束条件的时空弧均被强制赋予极大的车辆运动成本。最优时空轨迹构建算法将放弃选择非安全时空弧。
4.车辆纵向运动最优时空轨迹构建
基于前文构建的时空轨迹网，本发明采用最短路算法构建网联自动驾驶车辆最优时空轨迹。该最优时空轨迹构建算法以车辆纵向运动时空弧所对应的车辆运动成本为距离，通过最短路算法求得起始位置(车辆检测器)与终端位置(指定位置)间车辆运动成本总和最小的时空节点-时空弧序列，即为符合系统控制目标的最优车辆时空轨迹，对时空轨迹一阶求导可得最优的车辆纵向运动速度方案。
5.普通车辆运动状态预测
本发明采用微观车辆跟驰模型以预测普通车辆时空轨迹，并对求得的时空轨迹进行时空离散化，离散方法及参数设定应与网联自动驾驶车辆的相同。具体步骤为：①首先在当前时段所有时空弧中筛选出与前一时段所选定时空弧相连的时空弧集合；②在该集合中选取车速和两端节点时间与车辆运动状态最相近的时空弧作为当前时段时空弧。第一条时空弧选取方法为：在与起始时空节点相连的时空弧集合中，选取车速和起始时间与车辆运动状态最相近的时空弧作为第一条时空弧。

Claims (6)

1.一种基于离散时空的车辆纵向运动速度优化方法，其特征在于，
对于网联自动驾驶车辆，则根据前方车辆运动信息生成自车最优时空轨迹；
对于普通车辆，则根据前方车辆运动信息预测自车时空轨迹；
其中，对于网联自动驾驶车辆基于如下时空轨迹模型和约束条件生成自车最优时空轨迹：
1)时空轨迹模型
所述时空轨迹模型是通过时间和空间两个维度表示的离散时空模型，在所述离散时空模型中，车辆的时空轨迹由若干个时空节点和连接于时空节点之间的时空弧构成，所述时空弧为直线；
2)约束条件
2-1)车辆运动成本最低
所述车辆运动成本是指时空弧所占时段时长与该段时空弧车辆运动成本生成率的乘积，所述车辆运动成本生成率与该段时空弧的斜率正相关；
2-2)初始状态：根据车辆进入受控状态时的初始时间和速度，选取一条与初始时间和速度最接近的时空弧作为初始时空弧；
2-2)终端状态：根据车辆指定要到达的终端位置时的时间和速度，对终端的时间和速度进行单独约束，时间和速度可有一项无约束，且受控车辆的终端时间应晚于前车终端时间；
2-3)受控车辆的速度和加速度始终处于合理设定的范围内；
2-4)受控车辆与前车始终保持在设定的安全距离范围内；
对满足上述约束条件且可连续的所有时空弧，采用最短路算法求得起始位置与终端位置之间车辆运动成本总和最小的时空节点和时空弧的序列，形成网联自动驾驶车辆的最优时空轨迹。
2.根据权利要求1所述的基于离散时空的车辆纵向运动速度优化方法，其特征在于，所述时空节点由时间和位置两个参量表征。
3.根据权利要求1或2所述的基于离散时空的车辆纵向运动速度优化方法，其特征在于，所述时空节点的时间间隔和空间间隔自设定。
4.根据权利要求1所述的基于离散时空的车辆纵向运动速度优化方法，其特征在于，相邻两时空弧需与同一时空节点相连。
5.根据权利要求1或4所述的基于离散时空的车辆纵向运动速度优化方法，其特征在于，对最优时空轨迹一阶求导得最优的车辆纵向运动速度。
6.根据权利要求1所述的基于离散时空的车辆纵向运动速度优化方法，其特征在于，对于普通车辆，采用微观车辆跟驰模型预测自车时空轨迹，并对求得的时空轨迹进行时空离散化，所述离散化方法与网联自动驾驶车辆相同。
CN202011212315.4A 2020-11-03 2020-11-03 一种基于离散时空的车辆纵向运动速度优化方法 Active CN112286197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212315.4A CN112286197B (zh) 2020-11-03 2020-11-03 一种基于离散时空的车辆纵向运动速度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212315.4A CN112286197B (zh) 2020-11-03 2020-11-03 一种基于离散时空的车辆纵向运动速度优化方法

Publications (2)

Publication Number Publication Date
CN112286197A CN112286197A (zh) 2021-01-29
CN112286197B true CN112286197B (zh) 2024-02-13

Family

ID=74350668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212315.4A Active CN112286197B (zh) 2020-11-03 2020-11-03 一种基于离散时空的车辆纵向运动速度优化方法

Country Status (1)

Country Link
CN (1) CN112286197B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113219962B (zh) * 2021-02-26 2023-02-28 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种面向混行队列跟驰安全的控制方法、系统及存储介质
CN114399125B (zh) * 2022-03-24 2022-07-12 清华大学 车队最优轨迹控制方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880062A (zh) * 2012-09-04 2013-01-16 北京化工大学 基于非线性模型预测的智能小车2.5维视觉伺服控制方法
CN107146408A (zh) * 2017-05-29 2017-09-08 胡笳 一种基于车联网的道路环保驾驶系统的控制方法
CN108717268A (zh) * 2018-06-22 2018-10-30 南京航空航天大学 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
WO2020000192A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for providing vehicle trajectory prediction
CN111260956A (zh) * 2020-01-15 2020-06-09 清华大学 一种基于模型预测控制的车辆自动换道规划与控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880062A (zh) * 2012-09-04 2013-01-16 北京化工大学 基于非线性模型预测的智能小车2.5维视觉伺服控制方法
CN107146408A (zh) * 2017-05-29 2017-09-08 胡笳 一种基于车联网的道路环保驾驶系统的控制方法
CN108717268A (zh) * 2018-06-22 2018-10-30 南京航空航天大学 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法
WO2020000192A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for providing vehicle trajectory prediction
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN111260956A (zh) * 2020-01-15 2020-06-09 清华大学 一种基于模型预测控制的车辆自动换道规划与控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于视觉复杂环境下车辆行驶轨迹预测方法;张润生;黄小云;刘晶;马雷;韩睿;赵玉勤;杨新红;;机械工程学报(第02期);全文 *

Also Published As

Publication number Publication date
CN112286197A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
Wang et al. Adaptive Traffic Signal Control for large-scale scenario with Cooperative Group-based Multi-agent reinforcement learning
CN110032782B (zh) 一种城市级智能交通信号控制系统及方法
Jin et al. A group-based traffic signal control with adaptive learning ability
Jin et al. An intelligent control system for traffic lights with simulation-based evaluation
Ma et al. Trajectory planning for connected and automated vehicles at isolated signalized intersections under mixed traffic environment
Jin et al. Hierarchical multi-agent control of traffic lights based on collective learning
Abdulhai et al. Reinforcement learning for true adaptive traffic signal control
CN112286197B (zh) 一种基于离散时空的车辆纵向运动速度优化方法
Vidhate et al. Cooperative multi-agent reinforcement learning models (CMRLM) for intelligent traffic control
Doboli et al. Cities of the future: Employing wireless sensor networks for efficient decision making in complex environments
Miletić et al. A review of reinforcement learning applications in adaptive traffic signal control
Tahifa et al. Swarm reinforcement learning for traffic signal control based on cooperative multi-agent framework
Benhamza et al. Adaptive traffic signal control in multiple intersections network
Lombard et al. Deep reinforcement learning approach for V2X managed intersections of connected vehicles
Jin et al. A decentralized traffic light control system based on adaptive learning
CN109141422A (zh) 一种基于路边单元机器学习的车辆定位方法及系统
Zhu et al. A decentralized multi-criteria optimization algorithm for multi-unmanned ground vehicles (mugvs) navigation at signal-free intersection
Withanawasam et al. Multi-agent based road traffic control optimization
Yin et al. Traffic control model and algorithm based on decomposition of MDP
Cao et al. Multi-agent learning empowered collaborative decision for autonomous driving vehicles
de Oliveira et al. Multiagent learning on traffic lights control: effects of using shared information
Rezzai et al. Design and realization of a new architecture based on multi-agent systems and reinforcement learning for traffic signal control
Lin et al. Service-oriented dynamic data driven application systems to traffic signal control
Asadi et al. A new nondominated sorting genetic algorithm based to the regression line for fuzzy traffic signal optimization problem
Fu et al. Adaptive signal light timing for regional traffic optimization based on graph convolutional network empowered traffic forecasting

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