CN112735126B - 一种基于模型预测控制的混合交通流协同优化控制方法 - Google Patents

一种基于模型预测控制的混合交通流协同优化控制方法 Download PDF

Info

Publication number
CN112735126B
CN112735126B CN202011549608.1A CN202011549608A CN112735126B CN 112735126 B CN112735126 B CN 112735126B CN 202011549608 A CN202011549608 A CN 202011549608A CN 112735126 B CN112735126 B CN 112735126B
Authority
CN
China
Prior art keywords
vehicle
road
model
vehicles
optimization
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
CN202011549608.1A
Other languages
English (en)
Other versions
CN112735126A (zh
Inventor
孙湛博
高子延
李哲宜
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.)
Chengdu Greenhill Transportation Technology Co ltd
Original Assignee
Chengdu Greenhill Transportation Technology Co ltd
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 Chengdu Greenhill Transportation Technology Co ltd filed Critical Chengdu Greenhill Transportation Technology Co ltd
Priority to CN202011549608.1A priority Critical patent/CN112735126B/zh
Publication of CN112735126A publication Critical patent/CN112735126A/zh
Application granted granted Critical
Publication of CN112735126B publication Critical patent/CN112735126B/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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种基于模型预测控制的混合交通流协同优化控制方法，该方法采用基于模型预测控制的双层优化模型进行混合交通流协同决策控制，适用于两条有交叉的单向单行道路且交叉路口前无车辆行驶信号指示下混合交通流中的不同交通场景；模型预测控制是指通过建立系统架构，实现实时闭环控制，用以解决实际情况中出现的随机性问题；双层优化模型包括上层模型和下层模型，上层模型是一个运用动态规划递归求解的车辆排序问题，下层模型是一个运用动态矩阵预测算法求解每一单次车辆的轨迹优化问题，下层模型中每一单次车辆的轨迹优化结果为上层模型动态规划递归求解过程中的一个输入；通过模型预测控制和双层优化模型共同保证系统车辆运行最优。

Description

一种基于模型预测控制的混合交通流协同优化控制方法
技术领域
本发明涉及一种基于模型预测控制的混合交通流协同优化控制方法，属于交通工程领域。
背景技术
自20世纪40年代自动驾驶的概念被提出，智能网联车辆经历了近80年的发展历程。近年来随着导航、电子地图、传感探测、无线通讯、自动控制与移动互联等技术在交通与汽车行业的大量应用，智能网联车辆的发展进入了新阶段。自动驾驶车辆(智能网联车辆)被定义为能够感知并与驾驶环境通信的车辆，并且车辆的运行(部分或全部)可以在没有驾驶员操作的情况下进行。相较于传统的人类驾驶车辆(传统驾驶车辆)的难以协同，自动驾驶车辆具有更好的可控性和协同性。因此，这可能会带来诸如提高燃油/能源效率、交通安全和交通稳定性等好处。在自动驾驶车辆百分百普及以前，混合交通(即传统驾驶车辆和智能网联车辆混行的状态)将会成为道路交通的一种主要方式。在混合交通流环境下，各种交通场景诸如高速路口匝道汇流、交叉路口或丁字路口合流等情况下，自动驾驶车辆可能会和传统驾驶车辆之间发生交通冲突从而造成一定的危害。用科学的理论框架、建模方法进行混合交通流协同决策控制，从而减少或消除交通冲突，并且使车辆轨迹得到一定程度优化成为未来交通中需要长期面临的现实问题。
既有的自动驾驶车辆相关研究大多是基于自动驾驶车辆渗透率为100％的假设下进行的，且大多是从宏观角度出发进行研究。微观层面的模型也多专注于研究自动驾驶车辆的单车轨迹优化，无法保证系统层面的优化。鲜有从微观角度出发，研究以系统最优为目的的混合交通流协同决策控制优化模型。随着V2V和V2I实时通信能力的发展，可以开发出更先进、更高效的管理控制系统，以减少拥堵和空气污染物排放，并增强行驶安全性。针对各种微观交通场景，诸如十字路口、丁字路口以及高速公路匝道合流等情况进行混合交通流环境下的协同决策控制，以最大程度的消除交通冲突确保交通运行效率和通行能力的研究基本没有。由于实际跟驰行为的不确定性，尤其是传统驾驶车辆人类驾驶行为的不确定性，在实际使用中是不可避免的。因此，协同控制决策模型应通过使用一些鲁棒性较好的模型来解决混合交通流中跟驰的随机性。
发明内容
本发明的目的是提供一种基于模型预测控制的混合交通流协同优化控制方法。
本发明为实现上述发明目的所采取的技术方案如下：
一种基于模型预测控制的混合交通流协同优化控制方法，该方法是采用基于模型预测控制的双层优化模型进行混合交通流协同决策控制，适用于两条有交叉的单向单行道路且交叉路口前无车辆行驶信号指示下混合交通流中的不同交通场景(不同交通场景包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口)；所述模型预测控制是指通过建立系统架构，实现实时闭环控制(即：按时间进行切片，在某一时刻预测车辆到达车流交汇点前的轨迹，并据此做出优化控制决策，但在当前时刻只执行邻近控制序列；在下一时刻重复上述预测—做出优化控制决策—执行的过程)，用以解决实际情况中出现的驾驶行为随机性问题；所述双层优化模型包括上层模型和下层模型，所述上层模型是一个运用动态规划递归求解的车辆排序问题，所述下层模型是一个运用动态矩阵预测算法求解每一单次车辆的轨迹优化问题，所述下层模型中每一单次车辆的轨迹优化结果将作为所述上层模型动态规划递归求解过程中的一个输入；通过所述模型预测控制和所述双层优化模型共同保证系统车辆运行最优；
(上述“当前时刻只执行邻近控制序列”中的该邻近控制序列是来自上一时刻计算出的完整控制序列。对于整个道路分组优化区段，包含X道路分组优化区段和Y道路分组优化区段的车辆，执行邻近控制序列可以使其中所有可优化控制的车辆即智能网联车辆前进至下一时刻，并且使最靠近车流交汇点的车辆能够顺利通过车流交汇点。)
该方法包括步骤：
S1、确定道路分组优化区段，并进行时域划分；
假定X道路和Y道路为两条有交叉的单向单行道路，且交叉路口前无车辆行驶信号指示，所述道路分组优化区段包括X道路分组优化区段和Y道路分组优化区段；将X道路上车辆到达车流交汇点前的一段道路设置为X道路分组优化区段，将Y道路上车辆到达车流交汇点前的一段道路设置为Y道路分组优化区段；
S2、根据所述道路分组优化区段进行交通流分组，将同一时刻行驶在所述道路分组优化区段上的车辆确定为组内车辆，获取所述组内车辆的实时状态信息；
S3、采用双层优化模型对所述组内车辆的运行轨迹进行预测，并据此做出优化控制决策，且依据所做出的优化控制决策对车辆进行优化控制，使所述组内车辆中最靠近车流交汇点的车辆能够顺利通过车流交汇点，且保证所述组内车辆的运行轨迹最优；
S4、通过重复执行步骤S2和S3，对下一时刻行驶在所述道路分组优化区段上的所述组内车辆的运行轨迹进行优化控制，循环执行，直到全部车辆都驶出所述道路分组优化区段。
(即：按时间进行切片，在某一时刻获取道路分组优化区段内的车辆信息且预测车辆轨迹，并通过执行双层优化模型对车辆运行轨迹进行优化控制；在下一时刻重新获取道路分组优化区段内的车辆信息再次预测车辆轨迹，并通过执行双层优化模型对车辆运行轨迹进行优化控制，不断重复直至结束。)
与现有技术相比，本发明具有有益效果如下：
本发明方法是采用基于模型预测控制的双层优化模型进行混合交通流协同决策控制，适用于两条有交叉的单向单行道路且交叉路口前无车辆行驶信号指示下混合交通流中的不同交通场景(包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口)。因此，本发明方法具有一定的普遍适用性。
在本发明方法中，双层优化模型的上层模型是一个运用动态规划递归求解的车辆排序问题，通过寻找系统最优序列，来保证混合交通流协同决策控制的系统最优；双层优化模型的下层模型是一个运用动态矩阵预测算法求解每一单次车辆的轨迹优化问题，通过对每一单次车辆的轨迹进行优化控制，使车辆能够顺利通过车流交汇点且车辆轨迹最优；双层优化模型的下层模型中的目标函数得到的车辆轨迹优化结果将作为上层模型动态规划递归求解过程中的一个输入，不断迭代直至完成当前车组的计算，输出一组控制序列，组内车辆执行序列中的第一个控制决策。基于模型预测控制机制，在下一时刻重新识别组内车辆并重新获取其状态信息，重复执行该双层优化模型的优化过程，该过程不断重复直至结束。最终，由模型预测控制和双层优化模型共同保证系统车辆运行最优，减少混合交通流环境下的车辆冲突次数，有效提高车辆通行效率与驾驶的舒适性。另外，运用本发明方法的控制机制可以实时优化车辆排序，并给出实时控制决策，以保证系统最优。
进一步地，步骤S3，采用双层优化模型对所述组内车辆的运行轨迹进行预测，并据此做出优化控制决策，且依据所做出的优化控制决策对车辆进行优化控制，使所述组内车辆中最靠近车流交汇点的车辆能够顺利通过车流交汇点，且保证所述组内车辆的运行轨迹最优，具体包括：
S3-1、建立所述上层模型，包括：
S3-1-1、确定所述上层模型的划分阶段、状态变量和决策变量，具体如下：
所述上层模型的划分阶段：在同一时刻，X道路分组优化区段上有n辆车需要依次汇入或通过Y道路分组优化区段上的车辆间存在的m+1个间隔，并将X道路分组优化区段上的每一单次车辆汇入或通过Y道路的行为表示为一个阶段，记X道路分组优化区段上的第k辆车汇入或通过Y道路的行为为第k阶段，其中k＝1,2,3,…,n；
所述上层模型的状态变量：第k阶段可供X道路分组优化区段上的第k至第n辆车汇入或通过Y道路分组优化区段上的车辆间隔数，用sk表示；
所述上层模型的决策变量：每个阶段所做的决策，表示第k阶段X道路分组优化区段上的第k辆车在可汇入或通过Y道路分组优化区段上的sk个车辆间隔中选择具体的第xk个车辆间隔汇入或通过；
S3-1-2、确定所述上层模型的状态转移方程、费用函数和目标函数，具体如下：
所述上层模型的状态转移方程：
Figure BDA0002857467950000041
设定初始条件为s0＝m+1；
所述上层模型的状态转移方程表明，当k＝1时，sk＝s1表示在第1阶段可供X道路分组优化区段上的第1辆车汇入或通过Y道路分组优化区段上的车辆间隔数为m+1个；当k＝2,3,…,n时，在第k-1阶段时X道路分组优化区段上的第k-1辆车选择了第xk-1个车辆间隔作为汇入或通过Y道路后状态变量sk的变化；s0＝m+1表示在初始状态下可供X道路分组优化区段上的车辆汇入或通过Y道路分组优化区段上的车辆间隔数为m+1个；
所述上层模型的费用函数：
Figure BDA0002857467950000042
所述上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数，其中
Figure BDA0002857467950000043
表示第k阶段在协同优化控制策略作用下X道路分组优化区段上的第k辆车在汇入或通过可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔产生的所有可能费用消耗；
Figure BDA0002857467950000044
是指Y道路分组优化区段上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆，因前车受车辆汇入或通过的影响，而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗；
所述上层模型的目标函数：
Figure BDA0002857467950000045
设定初始条件为f0(s0)＝0；
所述上层模型的目标函数fk(sk)表示第1阶段至第k阶段的系统车辆的累计费用消耗，f0(s0)＝0表示在初始状态下系统成本为0；
S3-2、建立所述下层模型，包括：
S3-2-1、确定微观跟驰模型，用所述微观跟驰模型描述车辆的跟驰状态，并预测车辆轨迹；所述车辆的跟驰状态包括车辆的速度、加速度和位置；
S3-2-2、建立用于判别第k阶段X道路分组优化区段上的第k辆车是否可以顺利汇入或通过Y道路的条件约束模型；
S3-2-3、基于步骤S3-2-1预测的车辆轨迹，由步骤S3-2-2建立的条件约束模型依次判断第k阶段X道路分组优化区段上的第k辆车能否汇入或通过Y道路分组优化区段上可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔的每个车辆间隔；
S3-2-4、将参与第k阶段的车辆中可优化控制的车辆(即：智能网联车辆)确定为目标车辆，对所述目标车辆的行驶轨迹进行优化，并将该优化问题归结为离散时间下连续轨迹状态约束的最优控制问题，用动态矩阵预测控制算法求解得到关于所述目标车辆的协同优化控制策略；
S3-2-5、计算第k阶段在协同优化控制策略作用下X道路分组优化区段上的第k辆车汇入或通过可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔的所有可能费用消耗
Figure BDA0002857467950000051
S3-3、求解所述双层优化模型：
S3-3-1、求解所述上层模型，确定系统车辆的累计费用消耗在最低时的所述上层模型的每个阶段所做的决策；
S3-3-2、由步骤S3-3-1确定的所述上层模型的每个阶段所做的决策逆推得到所述下层模型X道路分组优化区段上的每个单次车辆汇入或通过Y道路的车辆优化轨迹；
S3-4、由步骤S3-3求解得到所述双层优化模型的以系统最优为目的的混合交通流协同决策，并将其作用于系统车辆，控制系统车辆的运行。
在双层优化模型中，上层模型为排序问题，下层模型为轨迹优化问题。结合下层模型计算出的轨迹成本，上层模型可以保证解的全局最优，即尽管下层问题的求解有可能收敛至局部最优，但是通过上层模型仍可以保证解的全局性。这也是采用双层优化模型的最主要的优点。
进一步地，步骤S3-2-1中所述微观跟驰模型包括确定性微观跟驰模型和随机性微观跟驰模型，可优化控制车辆(即：智能网联车辆)采用所述确定性微观跟驰模型进行动作预测，所述确定性微观跟驰模型可以是Gipps跟驰模型或IDM/EIDM跟驰模型；不可优化控制车辆(即：传统驾驶车辆)采用所述随机性微观跟驰模型模拟驾驶行为的随机性，所述随机性微观跟驰模型可在确定性微观跟驰模型的基础上进行随机跟驰修改。
为了更为准确地定义车辆的驾驶行为及对驾驶行为的模拟，对智能网联车辆采用确定性微观跟驰模型，对传统驾驶车辆采用随机性微观跟驰模型。
进一步地，所述随机性微观跟驰模型如下：
Figure BDA0002857467950000052
vn(t+δ)＝min(ve+θ1,vsafe+θ2)，
θ1～N(0，σ1^2)，
θ2～N(0，σ2^2)，
其中，vsafe表示所述随机性微观跟驰模型中的安全速度；b表示减速度；δ表示相邻两个时间切片之间的间隔；n表示不可优化控制车辆的编号，n-1表示不可优化控制车辆n所跟驰的前车的编号，vn-1(t)表示车辆跟驰过程中前车n-1在t时刻的速度；ln(t)表示车辆跟驰过程中不可优化控制车辆n在t时刻的位置；ln-1(t)表示车辆跟驰过程中前车n-1在t时刻的位置；la表示车辆长度；l0表示车辆跟驰最小间距；vn(t+δ)表示车辆跟驰过程中不可优化控制车辆n在t+δ时刻的速度，取ve+θ1与vsafe+θ2中较小的一个；ve表示期望速度；θ1、θ2均为常量，且均服从正态分布；考虑到当车辆处于期望速度时其速度的波动会较小，而当车辆被迫减速至安全速度时的速度波动会较大，因此设置σ1<σ2。
进一步地，步骤S3-2-2中建立用于判别第k阶段X道路分组优化区段上的第k辆车是否可以顺利汇入或通过Y道路的条件约束模型，具体包括：
假定第k阶段X道路分组优化区段上的第k辆车，记为车辆k，将由Y道路上的连续车流的两车辆之间的间隔汇入或通过Y道路，所述Y道路上的连续车流的两车辆分别用k′ 1和k′ 2表示，其中车辆k′ 1表示前车，车辆k′ 2表示后车，则有：
Figure BDA0002857467950000061
其中，Ek(t)表示冲突协同效用函数，用来反映X道路上的辆车k是否可以顺利汇入或通过Y道路；|uk(t)|表示X道路上车辆k在t时刻的加速度或减速度的绝对值，
Figure BDA0002857467950000062
表示Y道路上的车辆k′ 2在t时刻的加速度或减速度的绝对值；
Figure BDA0002857467950000063
表示在t时刻，X道路上的车辆k和Y道路上的车辆k′ 1之间的相对距离，
Figure BDA0002857467950000064
表示在t时刻，X道路上的车辆k和Y道路上的车辆k′ 2之间的相对距离；lk(t)表示X道路上的车辆k在t时刻的位置，
Figure BDA0002857467950000065
表示Y道路上的车辆k′ 1在t时刻的位置，
Figure BDA0002857467950000066
表示Y道路上的车辆k′ 2在t时刻的位置，la为车辆长度；
Figure BDA0002857467950000067
表示可优化控制车辆(即：智能网联车辆)与其跟驰前车之间的最小车间距；
Figure BDA0002857467950000068
表示不可优化控制车辆(即：传统驾驶车辆)与其跟驰前车之间的最小车间距；在车辆k准备汇入或通过Y道路时，X道路上的车辆k实际跟驰Y道路上的车辆k′ 1运行，而Y道路上车辆k′ 2实际跟驰X道路上的车辆k运行，它们的加速度或减速度都可以根据微观跟驰模型计算得到；bsafe表示最大允许减速度；ΦA为可优化控制车辆集(即：智能网联车辆集)；ΦH为不可优化控制车辆集(即：传统驾驶车辆集)；η1表示安全系数；η2表示礼貌系数；
礼貌系数η2的表达式如下：
Figure BDA0002857467950000071
其中，vk是车辆k的速度，vth是给定的阈值速度，β1和β2为常数；
协同决策用mk(t+Tc)表示如下：
Figure BDA0002857467950000072
其中，mk(t+Tc)的值为1表示X道路上的车辆k在t+Tc时刻可以顺利汇入或通过Y道路；mk(t+Tc)的值为0表示X道路上的车辆k在t+Tc时刻无法顺利汇入或通过Y道路。
选定Y道路的间隙后，在保证安全的前提下，考虑了汇入或通过的礼貌问题，且可以根据系统侧重点的不同通过权重系数进行调整。
进一步地，所述第k阶段在协同优化控制策略作用下X道路分组优化区段上的第k辆车在汇入或通过可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔产生的所有可能费用消耗
Figure BDA0002857467950000073
具体包括：
定义车辆组合K：预测X道路上的车辆k，将经过Y道路上的连续车流的两车辆之间的间隔汇入或通过Y道路，所述Y道路上的连续车流的两车辆分别用
Figure BDA0002857467950000074
和
Figure BDA0002857467950000075
表示，其中车辆
Figure BDA0002857467950000076
表示预测前车，车辆
Figure BDA0002857467950000077
表示预测后车；进一步定义车辆组合K，表示X道路和Y道路上直接参与第k阶段的车辆组合，且K∈{K1,K2,K3}，车辆组合
Figure BDA0002857467950000078
表示参与第k阶段的车辆有车辆
Figure BDA0002857467950000079
车辆k、车辆
Figure BDA00028574679500000710
车辆组合
Figure BDA00028574679500000711
表示参与第k阶段的车辆有车辆k、车辆
Figure BDA00028574679500000712
此时位于Y道路上第xk个车辆间隔处无前车参与；车辆组合
Figure BDA00028574679500000713
表示参与第k阶段的车辆有车辆
Figure BDA00028574679500000714
车辆k，此时位于Y道路上第xk个车辆间隔处无后车参加；
则
Figure BDA00028574679500000715
的表达式如下：
Figure BDA00028574679500000716
其中，i表示当前车辆组合中的第i辆车，记为车辆i；
Figure BDA00028574679500000717
表示第k阶段车辆i在t时刻的速度；ve表示期望速度；t0表示当前时刻；TP表示预测时域长度；
Figure BDA00028574679500000718
表示第k-1阶段Y道路上的后车在t时刻的速度；xk>xk-1+1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所占据的Y道路上的车辆间隙之间至少还存在一个车辆间隙；xk＝xk-1+1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所占据的Y道路上的车辆间隙为两个连续的车辆间隙；xk＝xk-1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所选择的Y道路上的车辆间隙为同一个车辆间隙。
进一步地，所述Y道路分组优化区段上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆，因前车受车辆汇入或通过的影响，而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗
Figure BDA0002857467950000081
表达式如下：
Figure BDA0002857467950000082
其中，i表示当前车辆组合中的第i辆车，记为车辆i；
Figure BDA0002857467950000083
表示第k阶段车辆i在t时刻的速度；ve表示期望速度；t0表示当前时刻；TP表示预测时域长度；车辆组合K′表示Y道路分组优化区段上第k-1阶段的后车和第k阶段的前车之间的车辆，即没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆；xk>xk-1+1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所占据的Y道路上的车辆间隙之间至少还存在一个车辆间隙。
(下层模型问题的解决方案一旦完成，
Figure BDA0002857467950000084
的值将返回上层模型；然后上层模型问题继续求解，并最终完成当前分组中多CAV(可优化控制车辆，即智能网联车辆)的优化控制问题。)
对
Figure BDA0002857467950000085
的计算，涵盖了直接或间接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆对整体交通流的影响。通过最小化该影响，保证了上层问题解的全局最优性，进而保证了整个控制系统计算出的控制决策的全局最优。
进一步地，步骤S3-2-4，将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆，对所述目标车辆的行驶轨迹进行优化，并将该优化问题归结为离散时间下连续轨迹状态约束的最优控制问题，用动态矩阵预测控制算法求解得到关于所述目标车辆的协同优化控制策略，具体包括：
定义车辆组合K：预测X道路上的车辆k，将经过Y道路上的连续车流的两车辆之间的间隔汇入或通过Y道路，所述Y道路上的连续车流的两车辆分别用
Figure BDA0002857467950000086
和
Figure BDA0002857467950000087
表示，其中车辆
Figure BDA0002857467950000088
表示预测前车，车辆
Figure BDA0002857467950000089
表示预测后车；进一步定义车辆组合K，表示X道路和Y道路上直接参与第k阶段的车辆组合，且K∈{K1,K2,K3}，车辆组合
Figure BDA00028574679500000810
表示参与第k阶段的车辆有车辆
Figure BDA00028574679500000811
车辆k、车辆
Figure BDA00028574679500000812
车辆组合
Figure BDA00028574679500000813
表示参与第k阶段的车辆有车辆k、车辆
Figure BDA00028574679500000814
此时位于Y道路上第xk个车辆间隔处无前车参与；车辆组合
Figure BDA00028574679500000815
表示参与第k阶段的车辆有车辆
Figure BDA00028574679500000816
车辆k，此时位于Y道路上第xk个车辆间隔处无后车参加；
定义动态矩阵预测控制模型，如下：
Figure BDA00028574679500000817
Figure BDA00028574679500000818
Figure BDA0002857467950000091
Figure BDA0002857467950000092
对上述公式(1)～(4)进行描述：
公式(1)是动态矩阵预测控制模型的目标函数，其中
Figure BDA0002857467950000093
表示实际车速和期望速度的差；引入
Figure BDA0002857467950000094
是考虑驾驶员的舒适度，目标是使车辆加速度尽可能柔和；γ1、γ2是权重系数；权重系数γ2越大，则动态矩阵预测控制模型的目标函数侧重于优化被控车辆的舒适度；反之，动态矩阵预测控制模型的目标函数侧重于优化交通流整体的舒适度；
公式(2)、公式(3)和公式(4)是动态矩阵预测控制模型的约束条件；
公式(2)描述控制量约束，其中amin和amax分别代表可允许的最大减速度和最大加速度，其值基于受控车辆的舒适性来确定；
公式(3)是车辆速度状态约束，其中
Figure BDA0002857467950000095
表示车辆跟驰速度矩阵函数，该约束可以确保控制过程中跟驰行为的安全性，即防撞约束；其中，
Figure BDA0002857467950000096
表示车辆组合K中的车辆i在t0时刻的位置矩阵，其包含t0时刻至
Figure BDA0002857467950000097
时刻对车辆组合K中的车辆i的位置预测；
Figure BDA0002857467950000098
表示车辆组合K中的车辆i在t0时刻的速度矩阵，其包含t0时刻至
Figure BDA0002857467950000099
时刻对车辆组合K中的车辆i的速度预测；
Figure BDA00028574679500000910
表示车辆组合K中的车辆i所跟驰的前车在t0时刻的速度矩阵，其包含t0时刻至
Figure BDA00028574679500000911
时刻对车辆组合K中的车辆i所跟驰前车的速度预测；
公式(4)定义了最终状态约束，即第k阶段X道路上的车辆k在
Figure BDA00028574679500000912
时刻的冲突协同效用函数值只有大于或等于0时才可以在
Figure BDA00028574679500000913
时刻顺利汇入或通过Y道路；
为完成动态矩阵预测控制的迭代过程，对状态转移过程进行定义，如下：
Figure BDA00028574679500000914
上述公式(5)中，
Figure BDA00028574679500000915
表示车辆组合K中的车辆i在t0时刻的速度vi(t0)和位置li(t0)的集合；
Figure BDA00028574679500000916
Figure BDA00028574679500000917
Figure BDA00028574679500000918
上述公式(6)～(8)是不可优化控制车辆的状态转移方程，其中KH＝{i|αi＝0∩i∈K}，且αi是车辆类型，若车辆是可优化控制车辆则αi的取值为1，若车辆是不可优化控制车辆则αi的取值为0；
公式(6)是不可优化控制车辆的位置函数；
公式(7)是不可优化控制车辆的速度函数；
公式(8)是微观跟驰模型的通式，即不可优化控制车辆的加速度是关于该车辆与其跟驰前车之间的间隙的函数；
Figure BDA0002857467950000101
Figure BDA0002857467950000102
Figure BDA0002857467950000103
Figure BDA0002857467950000104
Figure BDA0002857467950000105
Cv＝[1 0]； (11)
Figure BDA0002857467950000106
Figure BDA0002857467950000107
Cs＝[0 1]； (12)
上述公式(9)～(12)是可优化控制车辆的状态转移方程，其中KA＝{i|αi＝1∩i∈K}，αi是车辆类型，若车辆是可优化控制车辆则αi的取值为1，若车辆是不可优化控制车辆则αi的取值为0；
公式(9)包含公式(9a)和公式(9b)，其中
Figure BDA0002857467950000108
描述了可优化控制车辆在t时刻的受控速度和位置，由于
Figure BDA0002857467950000109
存在由公式(9a)和公式(9b)所示的递推关系，因此在任意预测时刻的
Figure BDA00028574679500001010
可以由
Figure BDA00028574679500001011
和
Figure BDA00028574679500001012
进行表示；矩阵
Figure BDA00028574679500001013
矩阵
Figure BDA00028574679500001014
为对应的状态转移矩阵；
Figure BDA00028574679500001015
是可优化控制车辆在t时刻的加速度决策，即
Figure BDA00028574679500001016
是最优控制变量；
公式(10)，
Figure BDA00028574679500001017
是可优化控制车辆在每个预测时间点处的加速度决策的列向量集合；
公式(11)，
Figure BDA00028574679500001018
是可优化控制车辆在每个预测时间点处的受控车辆速度的列向量集合，其中
Figure BDA00028574679500001019
是对应的状态转移矩阵，
Figure BDA00028574679500001020
为推导过程中的辅助矩阵；
公式(12)，
Figure BDA0002857467950000111
是可优化控制车辆在每个预测时间点处的受控车辆位置的列向量集合，其中
Figure BDA0002857467950000112
是对应的状态转移矩阵，
Figure BDA0002857467950000113
为推导过程中的辅助矩阵。
(由于
Figure BDA0002857467950000114
和
Figure BDA0002857467950000115
均可由
Figure BDA0002857467950000116
进行表示，因此由动态矩阵预测控制进行求解的轨迹优化问题可以看成是一个有关独立变量
Figure BDA0002857467950000117
的非线性规划问题；问题中包含非线性状态转移方程(公式(6-8))和复杂状态约束(公式(3)和公式(4))，因此对该问题的求解采用了数值解法序列二次规划(SQP)。)
上述进一步描述了动态矩阵预测控制算法的过程。该方法不需要对控制量进行离散化处理，仅对时间进行了离散化处理。由于该方法可以采用数值解法，因此计算效率有显著提升，且这种提升随着计算规模的增大而明显，更符合实际使用中的需求。另外，采用数值解法优化出的轨迹更加平滑。虽然存在收敛至局部最优的可能性，但是由于上层模型的限制，对于系统整体的优化效果影响并不明显。
下面通过具体实施方式及附图对本发明作进一步详细说明，但并不意味着对本发明保护范围的限制。
附图说明
图1是本发明实施例中基于模型预测控制的混合交通流协同优化控制方法框架图。
图2是本发明实施例中根据道路分组优化区段进行交通流分组示意图。
图3是本发明实施例的时域划分图。
具体实施方式
下面结合附图，通过对实施例的描述，对本发明的具体实施方式作进一步的说明。
一种基于模型预测控制的混合交通流协同优化控制方法，该方法是采用基于模型预测控制的双层优化模型进行混合交通流协同决策控制，适用于两条有交叉的单向单行道路且交叉路口前无车辆行驶信号指示下混合交通流中的不同交通场景；所述模型预测控制是指通过建立系统架构，实现实时闭环控制，用以解决实际情况中出现的驾驶行为随机性问题；所述双层优化模型包括上层模型和下层模型，所述上层模型是一个运用动态规划递归求解的车辆排序问题，所述下层模型是一个运用动态矩阵预测算法求解每一单次车辆的轨迹优化问题，所述下层模型中每一单次车辆的轨迹优化结果将作为所述上层模型动态规划递归求解过程中的一个输入；通过所述模型预测控制和所述双层优化模型共同保证系统车辆运行最优；
该方法包括步骤：
S1、确定道路分组优化区段，并进行时域划分；
假定X道路和Y道路为两条有交叉的单向单行道路，且交叉路口前无车辆行驶信号指示，所述道路分组优化区段包括X道路分组优化区段和Y道路分组优化区段；将X道路上车辆到达车流交汇点前的一段道路设置为X道路分组优化区段，将Y道路上车辆到达车流交汇点前的一段道路设置为Y道路分组优化区段；
S2、根据所述道路分组优化区段进行交通流分组，将同一时刻行驶在所述道路分组优化区段上的车辆确定为组内车辆，获取所述组内车辆的实时状态信息；
S3、采用双层优化模型对所述组内车辆的运行轨迹进行预测，并据此做出优化控制决策，且依据所做出的优化控制决策对车辆进行优化控制，使所述组内车辆中最靠近车流交汇点的车辆能够顺利通过车流交汇点，且保证所述组内车辆的运行轨迹最优；
S4、通过重复执行步骤S2和S3，对下一时刻行驶在所述道路分组优化区段上的所述组内车辆的运行轨迹进行优化控制，循环执行，直到全部车辆都驶出所述道路分组优化区段。
实施例
本发明方法是采用基于模型预测控制的双层优化模型进行混合交通流协同决策控制，适用于两条有交叉的单向单行道路且交叉路口前无车辆行驶信号指示下混合交通流中的不同交通场景，包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口。现以基于高速公路匝道车辆汇流的情况对本发明方法作进一步说明(本例中匝道为X道路，主干道为Y道路)。图1是本例中基于模型预测控制的混合交通流协同优化控制方法框架图。下面按步骤进行具体描述：
S1、确定道路分组优化区段，并进行时域划分。
将匝道上车辆到达车流交汇点前的一段道路设置为匝道分组优化区段，将主干道上车辆到达车流交汇点前的一段道路设置为主干道分组优化区段。
图2是本例中根据道路分组优化区段进行交通流分组示意图，由图2可知本例中的高速公路匝道车辆汇流情况的路段结构。本例中以图2所示的路段结构示意图中的虚拟车辆的位置为0m，将车流来向确定为正方向。
确定匝道分组优化区段：如图2所示，将匝道车流来向上距离虚拟车辆的位置为225m～500m之间的道路确定为匝道分组优化区段。
确定主干道分组优化区段：如图2所示，将主干道车流来向上距离虚拟车辆的位置为200m～550m之间的道路确定为主干道分组优化区段。
图3是本例中的时域划分图，描述了一辆车从进入控制区域至驶出控制区域过程中其控制时域
Figure BDA0002857467950000121
和预测时域(Tp)的变化过程图。图3中的横坐标是时间，纵坐标是匝道车的编号。假设共有n辆匝道车，字母k是当前进行计算的匝道车编号。
Figure BDA0002857467950000122
是汇流决策时间点。该时间点是通过并行仿真，假设车辆在非协同状态下行驶，到达汇流决策点的时间，即
Figure BDA0002857467950000131
控制时域
Figure BDA0002857467950000132
即实际执行决策的时间范围。对于匝道车辆来说，
Figure BDA0002857467950000133
的定义是从当前时间点t0到该匝道车辆k做出是否汇流的决策的时间点
Figure BDA0002857467950000134
即
Figure BDA0002857467950000135
对于主干道车辆来说，
Figure BDA0002857467950000136
的定义是
Figure BDA0002857467950000137
Figure BDA0002857467950000138
因此，对于同一个分组K来说，匝道车辆k以及与其对应的主干道上的后车
Figure BDA0002857467950000139
和前车
Figure BDA00028574679500001310
的控制时域是相同的。
预测时域(Tp)即针对每辆车进行预测的时间范围。Tp的定义是从数据采集时间点t0到最后一辆匝道车做出汇流决策的时间点
Figure BDA00028574679500001311
即
Figure BDA00028574679500001312
执行时域：邻近控制序列的覆盖时间范围，在本例中该时间范围为1秒。
在时间点t0，匝道上的每一辆车的控制时域
Figure BDA00028574679500001313
都是不同的，但是匝道上的每辆车的预测时域(Tp)是一致的。在时间点t0+τ，随着车辆不断逼近汇流决策点
Figure BDA00028574679500001314
每辆车的控制时域
Figure BDA00028574679500001315
在不断缩短。
S2、根据道路分组优化区段进行交通流分组，将同一时刻行驶在道路分组优化区段上的车辆确定为组内车辆，获取组内车辆的实时状态信息。
图2给出了本例中根据道路分组优化区段进行交通流分组的示意图。如图2(a)所示是一个分组示例。图2(a)中的250m点处是汇流动作的起始点，即如果判断匝道车可以进行汇流，那么从250m点处开始进行动作。
M(t)＝{k；225<lk(t)<500} (1-1)
Figure BDA00028574679500001316
公式(1-1)、(1-2)定义了分组规则，其中M(t)代表t时刻的主干道车组，R(t)代表t时刻的匝道车组。由于每秒重新获取车辆位置，因此分组信息也会每秒进行更新，即M(t)、R(t)在仿真过程中是根据具体时刻的不同一直变化的。由图2可以看到，主干道车组的划分范围明显大于匝道车组，这主要是为了保证匝道分组内第一辆车可以将其主干道前车纳入计算范围，以及匝道分组内最后一辆车可以将其主干道后车纳入计算范围内，从而尽可能放大优化效果。图2中车3和车4由t＝t0时刻的分组外状态(如图2(a)所示)到在t＝t0+1时刻进入分组(如图2(b)所示)的过程就是对上述滚动过程的示例。
S3、采用双层优化模型对组内车辆的运行轨迹进行预测，并据此做出优化控制决策，且依据所做出的优化控制决策对车辆进行优化控制，使组内车辆中最靠近车流交汇点的车辆能够顺利通过车流交汇点，且保证组内车辆的运行轨迹最优。具体包括：
S3-1、建立上层模型，包括：
S3-1-1、确定上层模型的划分阶段、状态变量和决策变量，具体如下：
上层模型的划分阶段：在同一时刻，匝道分组优化区段上有n辆车需要依次汇入主干道分组优化区段上的车辆间存在的m+1个间隔，并将匝道分组优化区段上的每一单次车辆汇入主干道的行为表示为一个阶段，记匝道分组优化区段上的第k辆车汇入主干道的行为为第k阶段，其中k＝1,2,3,…,n；
上层模型的状态变量：第k阶段可供匝道分组优化区段上的第k至第n辆车汇入主干道分组优化区段上的车辆间隔数，用sk表示；
上层模型的决策变量：每个阶段所做的决策，表示第k阶段匝道分组优化区段上的第k辆车在可汇入主干道分组优化区段上的sk个车辆间隔中选择具体的第xk个车辆间隔汇入。
S3-1-2、确定上层模型的状态转移方程、费用函数和目标函数，具体如下：
上层模型的状态转移方程：
Figure BDA0002857467950000141
设定初始条件为s0＝m+1；
上层模型的状态转移方程表明，当k＝1时，sk＝s1表示在第1阶段可供匝道分组优化区段上的第1辆车汇入主干道分组优化区段上的车辆间隔数为m+1个；当k＝2,3,…,n时，在第k-1阶段时匝道分组优化区段上的第k-1辆车选择了第xk-1个车辆间隔作为汇入主干道后状态变量sk的变化；s0＝m+1表示在初始状态下可供匝道分组优化区段上的车辆汇入主干道分组优化区段上的车辆间隔数为m+1个；
上层模型的费用函数：
Figure BDA0002857467950000142
上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数，其中
Figure BDA0002857467950000143
表示第k阶段在协同优化控制策略作用下匝道分组优化区段上的第k辆车在汇入可供第k辆车汇入主干道分组优化区段上的sk个车辆间隔产生的所有可能费用消耗；
Figure BDA0002857467950000144
是指主干道分组优化区段上没有直接参与到车辆汇流过程的车辆，因前车受车辆汇入的影响，而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗；
上层模型的目标函数：
Figure BDA0002857467950000145
设定初始条件为f0(s0)＝0；
上层模型的目标函数fk(sk)表示第1阶段至第k阶段的系统车辆的累计费用消耗，f0(s0)＝0表示在初始状态下系统成本为0。
①第k阶段在协同优化控制策略作用下匝道分组优化区段上的第k辆车在汇入可供第k辆车汇入主干道分组优化区段上的sk个车辆间隔产生的所有可能费用消耗
Figure BDA0002857467950000151
具体包括：
定义车辆组合K：预测匝道上的车辆k，将经过主干道上的连续车流的两车辆之间的间隔汇入主干道，主干道上的连续车流的两车辆分别用
Figure BDA0002857467950000152
和
Figure BDA0002857467950000153
表示，其中车辆
Figure BDA0002857467950000154
表示预测前车，车辆
Figure BDA0002857467950000155
表示预测后车；进一步定义车辆组合K，表示匝道和主干道上直接参与第k阶段的车辆组合，且K∈{K1,K2,K3}，车辆组合
Figure BDA0002857467950000156
表示参与第k阶段的车辆有车辆
Figure BDA0002857467950000157
车辆k、车辆
Figure BDA0002857467950000158
车辆组合
Figure BDA0002857467950000159
表示参与第k阶段的车辆有车辆k、车辆
Figure BDA00028574679500001510
此时位于主干道上第xk个车辆间隔处无前车参与；车辆组合
Figure BDA00028574679500001511
表示参与第k阶段的车辆有车辆
Figure BDA00028574679500001512
车辆k，此时位于主干道上第xk个车辆间隔处无后车参加；
则
Figure BDA00028574679500001513
的表达式如下：
Figure BDA00028574679500001514
其中，i表示当前车辆组合中的第i辆车，记为车辆i；
Figure BDA00028574679500001515
表示第k阶段车辆i在t时刻的速度；ve表示期望速度；t0表示当前时刻；TP表示预测时域长度；
Figure BDA00028574679500001516
表示第k-1阶段主干道上的后车在t时刻的速度；xk>xk-1+1表示第k阶段匝道上的车辆k和第k-1阶段匝道上的车辆k-1所占据的主干道上的车辆间隙之间至少还存在一个车辆间隙；xk＝xk-1+1表示第k阶段匝道上的车辆k和第k-1阶段匝道上的车辆k-1所占据的主干道上的车辆间隙为两个连续的车辆间隙；xk＝xk-1表示第k阶段匝道上的车辆k和第k-1阶段匝道上的车辆k-1所选择的主干道上的车辆间隙为同一个车辆间隙。
②主干道分组优化区段上没有直接参与到车辆汇流过程的车辆，因前车受车辆汇入的影响，而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗
Figure BDA00028574679500001517
表达式如下：
Figure BDA00028574679500001518
其中，i表示当前车辆组合中的第i辆车，记为车辆i；
Figure BDA00028574679500001519
表示第k阶段车辆i在t时刻的速度；ve表示期望速度；t0表示当前时刻；TP表示预测时域长度；车辆组合K′表示主干道分组优化区段上第k-1阶段的后车和第k阶段的前车之间的车辆，即没有直接参与到车辆汇流过程的车辆；xk>xk-1+1表示第k阶段匝道上的车辆k和第k-1阶段匝道上的车辆k-1所占据的主干道上的车辆间隙之间至少还存在一个车辆间隙。
S3-2、建立所述下层模型，包括：
S3-2-1、确定微观跟驰模型，用微观跟驰模型描述车辆的跟驰状态，并预测车辆轨迹；车辆的跟驰状态包括车辆的速度、加速度和位置。
微观跟驰模型包括确定性微观跟驰模型和随机性微观跟驰模型，可优化控制车辆采用确定性微观跟驰模型进行动作预测，确定性微观跟驰模型可以是Gipps跟驰模型或IDM/EIDM跟驰模型；不可优化控制车辆采用随机性微观跟驰模型模拟驾驶行为的随机性，随机性微观跟驰模型可在确定性微观跟驰模型的基础上进行随机跟驰修改。
随机性微观跟驰模型如下：
Figure BDA0002857467950000161
vn(t+δ)＝min(ve+θ1,vsafe+θ2)，
θ1～N(0，σ1^2)，
θ2～N(0，σ2^2)，
其中，vsafe表示随机性微观跟驰模型中的安全速度；b表示减速度；δ表示相邻两个时间切片之间的间隔；n表示不可优化控制车辆的编号，n-1表示不可优化控制车辆n所跟驰的前车的编号，vn-1(t)表示车辆跟驰过程中前车n-1在t时刻的速度；ln(t)表示车辆跟驰过程中不可优化控制车辆n在t时刻的位置；ln-1(t)表示车辆跟驰过程中前车n-1在t时刻的位置；la表示车辆长度；l0表示车辆跟驰最小间距；vn(t+δ)表示车辆跟驰过程中不可优化控制车辆n在t+δ时刻的速度，取ve+θ1与vsafe+θ2中较小的一个；ve表示期望速度；θ1、θ2均为常量，且均服从正态分布；考虑到当车辆处于期望速度时其速度的波动会较小，而当车辆被迫减速至安全速度时的速度波动会较大，因此设置σ1<σ2。
S3-2-2、建立用于判别第k阶段匝道分组优化区段上的第k辆车是否可以顺利汇入主干道的条件约束模型。(即：图1中描述的建立确定性汇流决策模型。)具体包括：
假定第k阶段匝道分组优化区段上的第k辆车，记为车辆k，将由主干道上的连续车流的两车辆之间的间隔汇入主干道，主干道上的连续车流的两车辆分别用k′ 1和k′ 2表示，其中车辆k′ 1表示前车，车辆k′ 2表示后车，则有：
Figure BDA0002857467950000171
其中，Ek(t)表示冲突协同效用函数，用来反映匝道上的辆车k是否可以顺利汇入主干道；|uk(t)|表示匝道上车辆k在t时刻的加速度或减速度的绝对值，
Figure BDA0002857467950000172
表示主干道上的车辆k′ 2在t时刻的加速度或减速度的绝对值；
Figure BDA0002857467950000173
表示在t时刻，匝道上的车辆k和主干道上的车辆k′ 1之间的相对距离，
Figure BDA0002857467950000174
表示在t时刻，匝道上的车辆k和主干道上的车辆k′ 2之间的相对距离；lk(t)表示匝道上的车辆k在t时刻的位置，
Figure BDA0002857467950000175
表示主干道上的车辆k′ 1在t时刻的位置，
Figure BDA0002857467950000176
表示主干道上的车辆k′ 2在t时刻的位置，la为车辆长度；
Figure BDA0002857467950000177
表示可优化控制车辆与其跟驰前车之间的最小车间距；
Figure BDA0002857467950000178
表示不可优化控制车辆与其跟驰前车之间的最小车间距；在车辆k准备汇入主干道时，匝道上的车辆k实际跟驰主干道上的车辆k′ 1运行，而主干道上车辆k′ 2实际跟驰匝道上的车辆k运行，它们的加速度或减速度都可以根据微观跟驰模型计算得到；bsafe表示最大允许减速度；ΦA为可优化控制车辆集；ΦH为不可优化控制车辆集；η1表示安全系数；η2表示礼貌系数；
礼貌系数η2的表达式如下：
Figure BDA0002857467950000179
其中，vk是车辆k的速度，vth是给定的阈值速度，β1和β2为常数；
协同决策用mk(t+Tc)表示如下：
Figure BDA00028574679500001710
其中，mk(t+Tc)的值为1表示匝道上的车辆k在t+Tc时刻可以顺利汇入主干道；mk(t+Tc)的值为0表示匝道上的车辆k在t+Tc时刻无法顺利汇入主干道。
S3-2-3、基于步骤S3-2-1预测的车辆轨迹，由步骤S3-2-2建立的条件约束模型依次判断第k阶段匝道分组优化区段上的第k辆车能否汇入主干道分组优化区段上可供第k辆车汇入主干道分组优化区段上的sk个车辆间隔的每个车辆间隔。
S3-2-4、将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆，对目标车辆的行驶轨迹进行优化，并将该优化问题归结为离散时间下连续轨迹状态约束的最优控制问题，用动态矩阵预测控制算法求解得到关于所述目标车辆的协同优化控制策略。(即：图1中描述的建立基于动态矩阵预测控制进行离散时间下的连续轨迹优化模型。)具体包括：
定义动态矩阵预测控制模型，如下：
Figure BDA0002857467950000181
Figure BDA0002857467950000182
Figure BDA0002857467950000183
Figure BDA0002857467950000184
对上述公式(1)～(4)进行描述：
公式(1)是动态矩阵预测控制模型的目标函数，其中
Figure BDA0002857467950000185
表示实际车速和期望速度的差；引入
Figure BDA0002857467950000186
是考虑驾驶员的舒适度，目标是使车辆加速度尽可能柔和；γ1、γ2是权重系数；权重系数γ2越大，则动态矩阵预测控制模型的目标函数侧重于优化被控车辆的舒适度；反之，动态矩阵预测控制模型的目标函数侧重于优化交通流整体的舒适度；
公式(2)、公式(3)和公式(4)是动态矩阵预测控制模型的约束条件；
公式(2)描述控制量约束，其中amin和amax分别代表可允许的最大减速度和最大加速度，其值基于受控车辆的舒适性来确定；
公式(3)是车辆速度状态约束，其中
Figure BDA0002857467950000187
表示车辆跟驰速度矩阵函数，该约束可以确保控制过程中跟驰行为的安全性，即防撞约束；其中，
Figure BDA0002857467950000188
表示车辆组合K中的车辆i在t0时刻的位置矩阵，其包含t0时刻至
Figure BDA0002857467950000189
时刻对车辆组合K中的车辆i的位置预测；
Figure BDA00028574679500001810
表示车辆组合K中的车辆i在t0时刻的速度矩阵，其包含t0时刻至
Figure BDA00028574679500001811
时刻对车辆组合K中的车辆i的速度预测；
Figure BDA00028574679500001812
表示车辆组合K中的车辆i所跟驰的前车在t0时刻的速度矩阵，其包含t0时刻至
Figure BDA00028574679500001813
时刻对车辆组合K中的车辆i所跟驰前车的速度预测；
公式(4)定义了最终状态约束，即第k阶段匝道上的车辆k在
Figure BDA00028574679500001814
时刻的冲突协同效用函数值只有大于或等于0时才可以在
Figure BDA00028574679500001815
时刻顺利汇入主干道；
为完成动态矩阵预测控制的迭代过程，对状态转移过程进行定义，如下：
Figure BDA00028574679500001816
上述公式(5)中，
Figure BDA00028574679500001817
表示车辆组合K中的车辆i在t0时刻的速度vi(t0)和位置li(t0)的集合；
Figure BDA00028574679500001818
Figure BDA00028574679500001819
Figure BDA00028574679500001820
上述公式(6)～(8)是不可优化控制车辆的状态转移方程，其中KH＝{i|αi＝0∩i∈K}，且αi是车辆类型，若车辆是可优化控制车辆则αα的取值为1，若车辆是不可优化控制车辆则αi的取值为0；
公式(6)是不可优化控制车辆的位置函数；
公式(7)是不可优化控制车辆的速度函数；
公式(8)是微观跟驰模型的通式，即不可优化控制车辆的加速度是关于该车辆与其跟驰前车之间的间隙的函数；
Figure BDA0002857467950000191
Figure BDA0002857467950000192
Figure BDA0002857467950000193
Figure BDA0002857467950000194
Figure BDA0002857467950000195
Cv＝[1 0]； (11)
Figure BDA0002857467950000196
Figure BDA0002857467950000197
Cs＝[0 1]； (12)
上述公式(9)～(12)是可优化控制车辆的状态转移方程，其中KA＝{i|αi＝1∩i∈K}，αi是车辆类型，若车辆是可优化控制车辆则αi的取值为1，若车辆是不可优化控制车辆则αi的取值为0；
公式(9)包含公式(9a)和公式(9b)，其中
Figure BDA0002857467950000198
描述了可优化控制车辆在t时刻的受控速度和位置，由于
Figure BDA0002857467950000199
存在由公式(9a)和公式(9b)所示的递推关系，因此在任意预测时刻的
Figure BDA00028574679500001910
可以由
Figure BDA00028574679500001911
和
Figure BDA0002857467950000201
进行表示；矩阵
Figure BDA0002857467950000202
矩阵
Figure BDA0002857467950000203
为对应的状态转移矩阵；
Figure BDA0002857467950000204
是可优化控制车辆在t时刻的加速度决策，即
Figure BDA0002857467950000205
是最优控制变量；
公式(10)，
Figure BDA0002857467950000206
是可优化控制车辆在每个预测时间点处的加速度决策的列向量集合；
公式(11)，
Figure BDA0002857467950000207
是可优化控制车辆在每个预测时间点处的受控车辆速度的列向量集合，其中
Figure BDA0002857467950000208
是对应的状态转移矩阵，
Figure BDA0002857467950000209
为推导过程中的辅助矩阵；
公式(12)，
Figure BDA00028574679500002010
是可优化控制车辆在每个预测时间点处的受控车辆位置的列向量集合，其中
Figure BDA00028574679500002011
是对应的状态转移矩阵，
Figure BDA00028574679500002012
为推导过程中的辅助矩阵。
S3-2-5、计算第k阶段在协同优化控制策略作用下匝道分组优化区段上的第k辆车汇入可供第k辆车汇入主干道分组优化区段上的sk个车辆间隔的所有可能费用消耗
Figure BDA00028574679500002013
S3-3、求解双层优化模型：
S3-3-1、求解上层模型，确定系统车辆的累计费用消耗在最低时的上层模型的每个阶段所做的决策。
S3-3-2、由步骤S3-3-1确定的上层模型的每个阶段所做的决策逆推得到下层模型匝道分组优化区段上的每个单次车辆汇入或通过主干道的车辆优化轨迹。
S3-4、由步骤S3-3求解得到双层优化模型的以系统最优为目的的混合交通流协同决策，并将其作用于系统车辆，控制系统车辆的运行。
S4、通过重复执行步骤S2和S3，对下一时刻行驶在道路分组优化区段上的组内车辆的运行轨迹进行优化控制，循环执行，直到全部车辆都驶出道路分组优化区段。
本例技术方案的主要优化手段是在分组内执行多智能体(智能网联车辆即可优化控制车辆)的优化控制。为保证匝道车辆能在汇流决策点(图2(a)中250m处)成功开始汇流动作，协同优化算法计算了所有可优化控制车辆在脱离优化区域前的所有控制序列。上层模型是一个运用动态规划递归求解的车辆排序问题，对车辆的汇流顺进行优化。下层模型是一个运用动态矩阵预测算法求解每一单次车辆的轨迹优化问题，对每一单次车辆的汇流轨迹进行优化。下层模型的目标是针对某个特定车辆的轨迹进行优化，计算出对应的系统成本并返回上层模型。阶段变量k由匝道车辆数目决定，即每一个匝道车对应一个上层问题的阶段。滚动计算过程将一直持续到最后一辆车驶出优化区段。
优化后的下一秒控制序列将传递给每辆可优化控制车辆，并执行。决策执行后，车辆的状态改变，又会触发双层优化模型的执行，形成闭环，构成模型预测控制机制。该机制适用于多种微观混合交通流场景。
通过构建微观交通流仿真环境，对本例的基于模型预测控制的混合交通流协同优化控制方法进行仿真分析。仿真运行结果表明，运用本发明方法的控制机制可以优化车辆汇流顺序，解决传统驾驶车辆可能出现的随机性问题，减少混合交通流环境下的车辆冲突，有效提高车辆通行效率与驾驶的舒适性，并且该控制机制能够实现实时控制。

Claims (6)

1.一种基于模型预测控制的混合交通流协同优化控制方法，其特征在于：该方法是采用基于模型预测控制的双层优化模型进行混合交通流协同决策控制，适用于两条有交叉的单向单行道路且交叉路口前无车辆行驶信号指示下混合交通流中的不同交通场景；所述模型预测控制是指通过建立系统架构，实现实时闭环控制，用以解决实际情况中出现的驾驶行为随机性问题；所述双层优化模型包括上层模型和下层模型，所述上层模型是一个运用动态规划递归求解的车辆排序问题，所述下层模型是一个运用动态矩阵预测算法求解每一单次车辆的轨迹优化问题，所述下层模型中每一单次车辆的轨迹优化结果将作为所述上层模型动态规划递归求解过程中的一个输入；通过所述模型预测控制和所述双层优化模型共同保证系统车辆运行最优；
该方法包括步骤：
S1、确定道路分组优化区段，并进行时域划分；
假定X道路和Y道路为两条有交叉的单向单行道路，且交叉路口前无车辆行驶信号指示，所述道路分组优化区段包括X道路分组优化区段和Y道路分组优化区段；将X道路上车辆到达车流交汇点前的一段道路设置为X道路分组优化区段，将Y道路上车辆到达车流交汇点前的一段道路设置为Y道路分组优化区段；
S2、根据所述道路分组优化区段进行交通流分组，将同一时刻行驶在所述道路分组优化区段上的车辆确定为组内车辆，获取所述组内车辆的实时状态信息；
S3、采用双层优化模型对所述组内车辆的运行轨迹进行预测，并据此做出优化控制决策，且依据所做出的优化控制决策对车辆进行优化控制，使所述组内车辆中最靠近车流交汇点的车辆能够顺利通过车流交汇点，且保证所述组内车辆的运行轨迹最优；
S4、通过重复执行步骤S2和S3，对下一时刻行驶在所述道路分组优化区段上的所述组内车辆的运行轨迹进行优化控制，循环执行，直到全部车辆都驶出所述道路分组优化区段；
所述S3，采用双层优化模型对所述组内车辆的运行轨迹进行预测，并据此做出优化控制决策，且依据所做出的优化控制决策对车辆进行优化控制，使所述组内车辆中最靠近车流交汇点的车辆能够顺利通过车流交汇点，且保证所述组内车辆的运行轨迹最优，具体包括：
S3-1、建立所述上层模型，包括：
S3-1-1、确定所述上层模型的划分阶段、状态变量和决策变量，具体如下：
所述上层模型的划分阶段：在同一时刻，X道路分组优化区段上有n辆车需要依次汇入或通过Y道路分组优化区段上的车辆间存在的m+1个间隔，并将X道路分组优化区段上的每一单次车辆汇入或通过Y道路的行为表示为一个阶段，记X道路分组优化区段上的第k辆车汇入或通过Y道路的行为为第k阶段，其中k＝1,2,3,…,n；
所述上层模型的状态变量：第k阶段可供X道路分组优化区段上的第k至第n辆车汇入或通过Y道路分组优化区段上的车辆间隔数，用sk表示；
所述上层模型的决策变量：每个阶段所做的决策，表示第k阶段X道路分组优化区段上的第k辆车在可汇入或通过Y道路分组优化区段上的sk个车辆间隔中选择具体的第xk个车辆间隔汇入或通过；
S3-1-2、确定所述上层模型的状态转移方程、费用函数和目标函数，具体如下：
所述上层模型的状态转移方程：
Figure FDA0003958948130000021
设定初始条件为s0＝m+1；
所述上层模型的状态转移方程表明，当k＝1时，sk＝s1表示在第1阶段可供X道路分组优化区段上的第1辆车汇入或通过Y道路分组优化区段上的车辆间隔数为m+1个；当k＝2,3,…,n时，在第k-1阶段时X道路分组优化区段上的第k-1辆车选择了第xk-1个车辆间隔作为汇入或通过Y道路后状态变量sk的变化；s0＝m+1表示在初始状态下可供X道路分组优化区段上的车辆汇入或通过Y道路分组优化区段上的车辆间隔数为m+1个；
所述上层模型的费用函数：
Figure FDA0003958948130000022
所述上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数，其中
Figure FDA0003958948130000023
表示第k阶段在协同优化控制策略作用下X道路分组优化区段上的第k辆车在汇入或通过可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔产生的所有可能费用消耗；
Figure FDA0003958948130000024
是指Y道路分组优化区段上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆，因前车受车辆汇入或通过的影响，而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗；
所述上层模型的目标函数：
Figure FDA0003958948130000025
设定初始条件为f0(s0)＝0；
所述上层模型的目标函数fk(sk)表示第1阶段至第k阶段的系统车辆的累计费用消耗，f0(s0)＝0表示在初始状态下系统成本为0；
S3-2、建立所述下层模型，包括：
S3-2-1、确定微观跟驰模型，用所述微观跟驰模型描述车辆的跟驰状态，并预测车辆轨迹；所述车辆的跟驰状态包括车辆的速度、加速度和位置；
S3-2-2、建立用于判别第k阶段X道路分组优化区段上的第k辆车是否可以顺利汇入或通过Y道路的条件约束模型；
S3-2-3、基于步骤S3-2-1预测的车辆轨迹，由步骤S3-2-2建立的条件约束模型依次判断第k阶段X道路分组优化区段上的第k辆车能否汇入或通过Y道路分组优化区段上可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔的每个车辆间隔；
S3-2-4、将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆，对所述目标车辆的行驶轨迹进行优化，并将该优化问题归结为离散时间下连续轨迹状态约束的最优控制问题，用动态矩阵预测控制算法求解得到关于所述目标车辆的协同优化控制策略；
S3-2-5、计算第k阶段在协同优化控制策略作用下X道路分组优化区段上的第k辆车汇入或通过可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔的所有可能费用消耗
Figure FDA0003958948130000031
S3-3、求解所述双层优化模型：
S3-3-1、求解所述上层模型，确定系统车辆的累计费用消耗在最低时的所述上层模型的每个阶段所做的决策；
S3-3-2、由步骤S3-3-1确定的所述上层模型的每个阶段所做的决策逆推得到所述下层模型X道路分组优化区段上的每个单次车辆汇入或通过Y道路的车辆优化轨迹；
S3-4、由步骤S3-3求解得到所述双层优化模型的以系统最优为目的的混合交通流协同决策，并将其作用于系统车辆，控制系统车辆的运行；
所述S3-2-4，将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆，对所述目标车辆的行驶轨迹进行优化，并将该优化问题归结为离散时间下连续轨迹状态约束的最优控制问题，用动态矩阵预测控制算法求解得到关于所述目标车辆的协同优化控制策略，具体包括：
定义车辆组合K：预测X道路上的车辆k，将经过Y道路上的连续车流的两车辆之间的间隔汇入或通过Y道路，所述Y道路上的连续车流的两车辆分别用
Figure FDA0003958948130000032
和
Figure FDA0003958948130000033
表示，其中车辆
Figure FDA0003958948130000034
表示预测前车，车辆
Figure FDA0003958948130000035
表示预测后车；进一步定义车辆组合K，表示X道路和Y道路上直接参与第k阶段的车辆组合，且K∈{K1,K2,K3}，车辆组合
Figure FDA0003958948130000036
表示参与第k阶段的车辆有车辆
Figure FDA0003958948130000037
车辆k、车辆
Figure FDA0003958948130000038
车辆组合
Figure FDA0003958948130000039
表示参与第k阶段的车辆有车辆k、车辆
Figure FDA00039589481300000310
此时位于Y道路上第xk个车辆间隔处无前车参与；车辆组合
Figure FDA00039589481300000311
表示参与第k阶段的车辆有车辆
Figure FDA00039589481300000312
车辆k，此时位于Y道路上第xk个车辆间隔处无后车参加；
定义动态矩阵预测控制模型，如下：
Figure FDA0003958948130000041
Figure FDA0003958948130000042
Figure FDA0003958948130000043
Figure FDA0003958948130000044
对上述公式(1)～(4)进行描述：
公式(1)是动态矩阵预测控制模型的目标函数，其中
Figure FDA0003958948130000045
表示实际车速和期望速度的差；引入
Figure FDA0003958948130000046
是考虑驾驶员的舒适度，目标是使车辆加速度尽可能柔和；γ1、γ2是权重系数；权重系数γ2越大，则动态矩阵预测控制模型的目标函数侧重于优化被控车辆的舒适度；反之，动态矩阵预测控制模型的目标函数侧重于优化交通流整体的舒适度；
公式(2)、公式(3)和公式(4)是动态矩阵预测控制模型的约束条件；
公式(2)描述控制量约束，其中amin和amax分别代表可允许的最大减速度和最大加速度，其值基于受控车辆的舒适性来确定；
公式(3)是车辆速度状态约束，其中
Figure FDA0003958948130000047
表示车辆跟驰速度矩阵函数，该约束可以确保控制过程中跟驰行为的安全性，即防撞约束；其中，
Figure FDA0003958948130000048
表示车辆组合K中的车辆i在t0时刻的位置矩阵，其包含t0时刻至
Figure FDA0003958948130000049
时刻对车辆组合K中的车辆i的位置预测；
Figure FDA00039589481300000421
表示车辆组合K中的车辆i在t0时刻的速度矩阵，其包含t0时刻至
Figure FDA00039589481300000410
时刻对车辆组合K中的车辆i的速度预测；
Figure FDA00039589481300000411
表示车辆组合K中的车辆i所跟驰的前车在t0时刻的速度矩阵，其包含t0时刻至
Figure FDA00039589481300000412
时刻对车辆组合K中的车辆i所跟驰前车的速度预测；
Figure FDA00039589481300000413
表示控制时域，即车辆实际执行决策的时间范围；
公式(4)定义了最终状态约束，即第k阶段X道路上的车辆k在
Figure FDA00039589481300000414
时刻的冲突协同效用函数值只有大于或等于0时才可以在
Figure FDA00039589481300000415
时刻顺利汇入或通过Y道路；
为完成动态矩阵预测控制的迭代过程，对状态转移过程进行定义，如下：
Figure FDA00039589481300000416
上述公式(5)中，
Figure FDA00039589481300000417
表示车辆组合K中的车辆i在t0时刻的速度vi(t0)和位置li(t0)的集合；
Figure FDA00039589481300000418
Figure FDA00039589481300000419
Figure FDA00039589481300000420
上述公式(6)～(8)是不可优化控制车辆的状态转移方程，其中KH＝{i|αi＝0∩i∈K}，且αi是车辆类型，若车辆是可优化控制车辆则αi的取值为1，若车辆是不可优化控制车辆则αi的取值为0；
公式(6)是不可优化控制车辆的位置函数；
公式(7)是不可优化控制车辆的速度函数；
公式(8)是微观跟驰模型的通式，即不可优化控制车辆的加速度是关于该车辆与其跟驰前车之间的间隙的函数；
Figure FDA0003958948130000058
表示车辆i根据微观跟驰模型所预测的在t时刻的车辆安全跟驰加速度，其中li(t)表示在t时刻车辆i与其跟驰前车之间的相对距离，vi(t)表示车辆i在t时刻的速度，
Figure FDA0003958948130000059
表示车辆i所跟驰的前车在t时刻的速度；
Figure FDA0003958948130000051
Figure FDA0003958948130000052
Figure FDA0003958948130000053
Figure FDA0003958948130000054
Figure FDA0003958948130000055
Cv＝[1 0]； (11)
Figure FDA0003958948130000056
Figure FDA0003958948130000057
Cs＝[0 1]； (12)
上述公式(9)～(12)是可优化控制车辆的状态转移方程，其中KA＝{i|αi＝1∩i∈K}，αi是车辆类型，若车辆是可优化控制车辆则αi的取值为1，若车辆是不可优化控制车辆则αi的取值为0；τ表示时间间隔；
公式(9)包含公式(9a)和公式(9b)，其中
Figure FDA0003958948130000061
描述了可优化控制车辆在t时刻的受控速度和位置，由于
Figure FDA0003958948130000062
存在由公式(9a)和公式(9b)所示的递推关系，因此在任意预测时刻的
Figure FDA0003958948130000063
可以由
Figure FDA0003958948130000064
和
Figure FDA0003958948130000065
进行表示；矩阵
Figure FDA0003958948130000066
矩阵
Figure FDA0003958948130000067
为对应的状态转移矩阵；
Figure FDA0003958948130000068
是可优化控制车辆在t时刻的加速度决策，即
Figure FDA0003958948130000069
是最优控制变量；
公式(10)，
Figure FDA00039589481300000610
是可优化控制车辆在每个预测时间点处的加速度决策的列向量集合；
公式(11)，
Figure FDA00039589481300000611
是可优化控制车辆在每个预测时间点处的受控车辆速度的列向量集合，其中
Figure FDA00039589481300000612
是对应的状态转移矩阵，
Figure FDA00039589481300000613
为推导过程中的辅助矩阵；Cv是已知矩阵，即Cv＝[10]；
公式(12)，
Figure FDA00039589481300000614
是可优化控制车辆在每个预测时间点处的受控车辆位置的列向量集合，其中
Figure FDA00039589481300000615
是对应的状态转移矩阵，
Figure FDA00039589481300000616
为推导过程中的辅助矩阵；Cs是已知矩阵，即Cs＝[01]。
2.根据权利要求1所述的一种基于模型预测控制的混合交通流协同优化控制方法，其特征在于：步骤S3-2-1中所述微观跟驰模型包括确定性微观跟驰模型和随机性微观跟驰模型，可优化控制车辆采用所述确定性微观跟驰模型进行动作预测，所述确定性微观跟驰模型可以是Gipps跟驰模型或IDM/EIDM跟驰模型；不可优化控制车辆采用所述随机性微观跟驰模型模拟驾驶行为的随机性，所述随机性微观跟驰模型可在确定性微观跟驰模型的基础上进行随机跟驰修改。
3.根据权利要求2所述的一种基于模型预测控制的混合交通流协同优化控制方法，其特征在于：所述随机性微观跟驰模型如下：
Figure FDA00039589481300000617
vn(t+δ)＝min(ve+θ1,vsafe+θ2)，
θ1～N(0，σ1^2)，
θ2～N(0，σ2^2)，
其中，vsafe表示所述随机性微观跟驰模型中的安全速度；b表示减速度；δ表示相邻两个时间切片之间的间隔；n表示不可优化控制车辆的编号，n-1表示不可优化控制车辆n所跟驰的前车的编号，vn-1(t)表示车辆跟驰过程中前车n-1在t时刻的速度；ln(t)表示车辆跟驰过程中不可优化控制车辆n在t时刻的位置；ln-1(t)表示车辆跟驰过程中前车n-1在t时刻的位置；la表示车辆长度；l0表示车辆跟驰最小间距；vn(t+δ)表示车辆跟驰过程中不可优化控制车辆n在t+δ时刻的速度，取ve+θ1与vsafe+θ2中较小的一个；ve表示期望速度；θ1、θ2均为常量，且均服从正态分布；考虑到当车辆处于期望速度时其速度的波动会较小，而当车辆被迫减速至安全速度时的速度波动会较大，因此设置σ1<σ2。
4.根据权利要求1所述的一种基于模型预测控制的混合交通流协同优化控制方法，其特征在于：步骤S3-2-2中建立用于判别第k阶段X道路分组优化区段上的第k辆车是否可以顺利汇入或通过Y道路的条件约束模型，具体包括：
假定第k阶段X道路分组优化区段上的第k辆车，记为车辆k，将由Y道路上的连续车流的两车辆之间的间隔汇入或通过Y道路，所述Y道路上的连续车流的两车辆分别用k′1和k′2表示，其中车辆k′1表示前车，车辆k′2表示后车，则有：
Figure FDA0003958948130000071
其中，Ek(t)表示冲突协同效用函数，用来反映X道路上的辆车k是否可以顺利汇入或通过Y道路；|uk(t)|表示X道路上车辆k在t时刻的加速度或减速度的绝对值，
Figure FDA0003958948130000072
表示Y道路上的车辆k′2在t时刻的加速度或减速度的绝对值；
Figure FDA0003958948130000073
表示在t时刻，X道路上的车辆k和Y道路上的车辆k′1之间的相对距离，
Figure FDA0003958948130000074
表示在t时刻，X道路上的车辆k和Y道路上的车辆k′2之间的相对距离；lk(t)表示X道路上的车辆k在t时刻的位置，
Figure FDA0003958948130000075
表示Y道路上的车辆k′1在t时刻的位置，
Figure FDA0003958948130000076
表示Y道路上的车辆k′2在t时刻的位置，la为车辆长度；
Figure FDA0003958948130000077
表示可优化控制车辆与其跟驰前车之间的最小车间距；
Figure FDA0003958948130000078
表示不可优化控制车辆与其跟驰前车之间的最小车间距；在车辆k准备汇入或通过Y道路时，X道路上的车辆k实际跟驰Y道路上的车辆k′1运行，而Y道路上车辆k′2实际跟驰X道路上的车辆k运行，它们的加速度或减速度都可以根据微观跟驰模型计算得到；bsafe表示最大允许减速度；ΦA为可优化控制车辆集；ΦH为不可优化控制车辆集；k1表示安全系数；k2表示礼貌系数；
礼貌系数η2的表达式如下：
Figure FDA0003958948130000079
其中，vk是车辆k的速度，vth是给定的阈值速度，ve表示期望速度，β1和β2为常数；
协同决策用mk(t+Tc)表示如下：
Figure FDA00039589481300000710
其中，mk(t+Tc)的值为1表示X道路上的车辆k在t+Tc时刻可以顺利汇入或通过Y道路；mk(t+Tc)的值为0表示X道路上的车辆k在t+Tc时刻无法顺利汇入或通过Y道路。
5.根据权利要求1所述的一种基于模型预测控制的混合交通流协同优化控制方法，其特征在于：所述第k阶段在协同优化控制策略作用下X道路分组优化区段上的第k辆车在汇入或通过可供第k辆车汇入或通过Y道路分组优化区段上的sk个车辆间隔产生的所有可能费用消耗
Figure FDA0003958948130000081
具体包括：
定义车辆组合K：预测X道路上的车辆k，将经过Y道路上的连续车流的两车辆之间的间隔汇入或通过Y道路，所述Y道路上的连续车流的两车辆分别用
Figure FDA0003958948130000082
和
Figure FDA0003958948130000083
表示，其中车辆
Figure FDA0003958948130000084
表示预测前车，车辆
Figure FDA0003958948130000085
表示预测后车；进一步定义车辆组合K，表示X道路和Y道路上直接参与第k阶段的车辆组合，且K∈{K1,K2,K3}，车辆组合
Figure FDA0003958948130000086
表示参与第k阶段的车辆有车辆
Figure FDA0003958948130000087
车辆k、车辆
Figure FDA0003958948130000088
车辆组合
Figure FDA0003958948130000089
表示参与第k阶段的车辆有车辆k、车辆
Figure FDA00039589481300000810
此时位于Y道路上第xk个车辆间隔处无前车参与；车辆组合
Figure FDA00039589481300000811
表示参与第k阶段的车辆有车辆
Figure FDA00039589481300000812
车辆k，此时位于Y道路上第xk个车辆间隔处无后车参加；
则
Figure FDA00039589481300000813
的表达式如下：
Figure FDA00039589481300000814
其中，i表示当前车辆组合中的第i辆车，记为车辆i；
Figure FDA00039589481300000815
表示第k阶段车辆i在t时刻的速度；ve表示期望速度；t0表示当前时刻；TP表示预测时域长度；
Figure FDA00039589481300000816
表示第k-1阶段Y道路上的后车在t时刻的速度；xk>xk-1+1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所占据的Y道路上的车辆间隙之间至少还存在一个车辆间隙；xk＝xk-1+1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所占据的Y道路上的车辆间隙为两个连续的车辆间隙；xk＝xk-1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所选择的Y道路上的车辆间隙为同一个车辆间隙。
6.根据权利要求1所述的一种基于模型预测控制的混合交通流协同优化控制方法，其特征在于：所述Y道路分组优化区段上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆，因前车受车辆汇入或通过的影响，而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗
Figure FDA00039589481300000817
表达式如下：
Figure FDA00039589481300000818
其中，i表示当前车辆组合中的第i辆车，记为车辆i；
Figure FDA00039589481300000819
表示第k阶段车辆i在t时刻的速度；ve表示期望速度；t0表示当前时刻；TP表示预测时域长度；车辆组合K′表示Y道路分组优化区段上第k-1阶段的后车和第k阶段的前车之间的车辆，即没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆；xk>xk-1+1表示第k阶段X道路上的车辆k和第k-1阶段X道路上的车辆k-1所占据的Y道路上的车辆间隙之间至少还存在一个车辆间隙。
CN202011549608.1A 2020-12-24 2020-12-24 一种基于模型预测控制的混合交通流协同优化控制方法 Active CN112735126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011549608.1A CN112735126B (zh) 2020-12-24 2020-12-24 一种基于模型预测控制的混合交通流协同优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011549608.1A CN112735126B (zh) 2020-12-24 2020-12-24 一种基于模型预测控制的混合交通流协同优化控制方法

Publications (2)

Publication Number Publication Date
CN112735126A CN112735126A (zh) 2021-04-30
CN112735126B true CN112735126B (zh) 2023-02-03

Family

ID=75605922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011549608.1A Active CN112735126B (zh) 2020-12-24 2020-12-24 一种基于模型预测控制的混合交通流协同优化控制方法

Country Status (1)

Country Link
CN (1) CN112735126B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113963532B (zh) * 2021-09-10 2023-06-23 南京莱斯信息技术股份有限公司 一种基于间断放行特征的路段内车辆数估计方法及终端
CN114187759B (zh) * 2021-11-19 2023-01-03 东南大学 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置
CN114495527B (zh) * 2022-02-23 2023-10-27 长安大学 一种混合交通环境下网联交叉口车路协同优化方法及系统
CN114973733B (zh) * 2022-04-29 2023-09-29 北京交通大学 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN115116225B (zh) * 2022-06-23 2023-08-04 上海交通大学 一种面向混合交通流的数据驱动随机模型预测控制方法
CN115465332B (zh) * 2022-10-27 2023-12-29 北京交通大学 一种动车组列车控制方法、系统、电子设备及存储介质
CN115830908B (zh) * 2022-11-23 2023-10-27 长安大学 一种无人驾驶车辆队列在混合交通流中协同变道方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104950667A (zh) * 2015-03-25 2015-09-30 华东交通大学 一种应用在列车主动悬挂系统上的多速率预测控制方法
GB2574257B (en) * 2018-06-01 2021-06-30 Jaguar Land Rover Ltd Vehicle dynamics estimation method and apparatus
CN108919799B (zh) * 2018-06-10 2020-08-11 同济大学 一种网联智能车辆协作换道方法
CN108806252B (zh) * 2018-06-19 2019-10-01 西南交通大学 一种高速公路混合交通流协同优化控制方法
CN109521677B (zh) * 2018-12-29 2022-03-01 浙江中控技术股份有限公司 一种基于预测模型的控制方法和控制器
CN110570049B (zh) * 2019-09-19 2022-04-29 西南交通大学 一种高速公路混合交通流汇流协同优化底层控制方法
CN110599772B (zh) * 2019-09-19 2020-08-28 西南交通大学 一种基于双层规划的混合交通流协同优化控制方法
CN110979350A (zh) * 2019-12-18 2020-04-10 奇瑞汽车股份有限公司 一种基于行车记录仪的ar导航系统

Also Published As

Publication number Publication date
CN112735126A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112735126B (zh) 一种基于模型预测控制的混合交通流协同优化控制方法
Feng et al. Spatiotemporal intersection control in a connected and automated vehicle environment
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN110599772B (zh) 一种基于双层规划的混合交通流协同优化控制方法
Chalaki et al. Optimal control of connected and automated vehicles at multiple adjacent intersections
CN114067559B (zh) 一种自动车专用道并入普通车道的合流优化控制方法
CN101639978B (zh) 一种动态划分交通控制子区的方法
CN110992695B (zh) 基于冲突消解的车辆城市交叉口通行决策多目标优化方法
CN107919014B (zh) 面向多载客里程的出租车运行线路优化方法
CN111311913A (zh) 一种提高公路变窄路段通行效率的控制方法和系统
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
CN114495527A (zh) 一种混合交通环境下网联交叉口车路协同优化方法及系统
CN113312752B (zh) 一种主路优先控制交叉口交通仿真方法及装置
Krzysztof The importance of automatic traffic lights time algorithms to reduce the negative impact of transport on the urban environment
CN114495547B (zh) 一种面向自动驾驶汽车的信号交叉口协同通行方法
Wang et al. Connected automated vehicle trajectory optimization along signalized arterial: A decentralized approach under mixed traffic environment
Jiang et al. Learning the policy for mixed electric platoon control of automated and human-driven vehicles at signalized intersection: A random search approach
Jiang et al. Integrating traffic signal optimization with vehicle microscopic control to reduce energy consumption in a connected and automated vehicles environment
Liu et al. Coordinated lane-changing scheduling of multilane CAV platoons in heterogeneous scenarios
Bakibillah et al. Sustainable eco-driving strategy at signalized intersections from driving data
Shi et al. Cooperative merging strategy in mixed traffic based on optimal final-state phase diagram with flexible highway merging points
Zhao et al. A co-simulation, optimization, control approach for traffic light control with truck priority
De Schutter et al. • Advances traffic control on highways
Pasquale et al. Optimal charging and speed control of electric buses based on traffic flow predictions
Gong et al. Collision-Free Cooperative Motion Planning and Decision-Making for Connected and Automated Vehicles at Unsignalized Intersections

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