CN112837534A - 一种智能网联车环境下多车道环岛车辆协同控制方法 - Google Patents

一种智能网联车环境下多车道环岛车辆协同控制方法 Download PDF

Info

Publication number
CN112837534A
CN112837534A CN202110036440.2A CN202110036440A CN112837534A CN 112837534 A CN112837534 A CN 112837534A CN 202110036440 A CN202110036440 A CN 202110036440A CN 112837534 A CN112837534 A CN 112837534A
Authority
CN
China
Prior art keywords
vehicle
optimization model
time
roundabout
rotary island
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.)
Granted
Application number
CN202110036440.2A
Other languages
English (en)
Other versions
CN112837534B (zh
Inventor
龙可可
马成元
赖金涛
杨晓光
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202110036440.2A priority Critical patent/CN112837534B/zh
Publication of CN112837534A publication Critical patent/CN112837534A/zh
Application granted granted Critical
Publication of CN112837534B publication Critical patent/CN112837534B/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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种智能网联车环境下多车道环岛车辆协同控制方法，包括：获取环岛控制区内的车辆信息；分别构建车辆通行顺序优化模型和车辆轨迹优化模型；将车辆通行顺序优化模型和车辆轨迹优化模型整合成车辆协同优化模型，对车辆协同优化模型进行迭代求解，得到环岛控制区内各车辆的运行轨迹；由环岛中央控制器控制各车辆按照对应的运行轨迹行驶通过环岛。与现有技术相比，本发明通过收集环岛控制区内车辆信息，并构建车辆通行顺序优化模型和车辆轨迹优化模型、整合得到车辆协同优化模型，能够使车辆按照运行轨迹行驶通过环岛，在保障通行安全的前提下提高通行效率，有效平衡环岛的通行效率与整体油耗，使环岛适应高流量环境。

Description

一种智能网联车环境下多车道环岛车辆协同控制方法
技术领域
本发明涉及智能交通控制技术领域，尤其是涉及一种智能网联车环境下多车道环岛车辆协同控制方法。
背景技术
相对交叉口，环岛在安全方面具有一定的优势：同样车道条件下的环岛冲突点相对于交叉口较少，且车辆在环岛内通行速度低，安全性更高。因此环岛在世界各地都得到了广泛的应用。但是，传统交通环境下的环岛最大通行能力有限，不能适应较大的车流量。
近年来，智能网联车技术在解决交通安全、道路拥堵和改善驾乘体验上展现出了巨大潜力，在智能网联车环境下，不仅可以实时获取车辆及周围环境的信息，还可以对车辆进行精确控制，这使得智能交通的控制对象可以精确到每一辆车。
为解决环岛通行能力有限的问题，目前基于智能网联车技术，主要针对环岛进行了以下研究：第一种集中于研究小范围车辆协同进入环岛的方法，以解决车辆之间的冲突问题；第二种研究则基于特定的通行规则，例如“先到先服务”规则(FCFS，First ComeFirst Service)和“先进先出”规则(FIFO，First In First Out)，以对车辆的轨迹进行规划。上述两种研究仅仅能够对环岛内可能产生冲突的2～3辆车进行控制，均不能实现大范围内优化车辆之间通行顺序的目的，也就无法有效提升环岛的通行效率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智联网联车环境下多车道环岛车辆协同控制方法，以有效提升环岛通行效率，使环岛能够适应高流量环境。
本发明的目的可以通过以下技术方案来实现：一种智能网联车环境下多车道环岛车辆协同控制方法，包括以下步骤：
S1、获取环岛控制区内的车辆信息；
S2、分别构建车辆通行顺序优化模型和车辆轨迹优化模型；
S3、将车辆通行顺序优化模型和车辆轨迹优化模型整合成车辆协同优化模型，对车辆协同优化模型进行迭代求解，得到环岛控制区内各车辆的运行轨迹；
S4、根据环岛控制区内各车辆的运行轨迹，由环岛中央控制器控制各车辆按照对应的运行轨迹行驶通过环岛。
进一步地，所述步骤S1具体包括以下步骤：
S11、将距离进入环岛停车线小于或等于预设长度的进口道设置为环岛控制区，所述环岛控制区内的车辆实时与环岛中央控制器进行通讯，且由环岛中央控制器控制环岛控制区内的各车辆按照运行轨迹行驶；
S12、环岛中央控制器实时收集环岛控制区内各车辆的车辆信息，所述车辆信息包括车辆当前位置、速度和加速度。
进一步地，所述步骤S2具体包括以下步骤：
S21、构建车辆通行顺序优化模型，所述车辆通行顺序优化模型的目标函数为车辆平均延误最短，约束条件包括车辆通过停车线的时间约束、车辆通过冲突点的时间约束、车辆最早到达时间约束以及车辆第一动力学约束；
S22、构建车辆轨迹优化模型，所述车辆轨迹优化模型的目标函数为车辆总油耗最低，约束条件包括车辆初始状态与终止状态约束、跟车安全距离约束以及车辆第二动力学约束。
进一步地，所述步骤S21中车辆通行顺序优化模型的目标函数具体为：
Figure BDA0002893341470000021
其中，J1为车辆平均延误最短目标函数，
Figure BDA0002893341470000022
为车辆i通过停车线的时间，即车辆i进入环岛的时间，I为环岛控制区内的车辆集合。
进一步地，所述步骤S21中车辆通过停车线的时间约束具体为：
Figure BDA0002893341470000023
Figure BDA0002893341470000024
Figure BDA0002893341470000025
其中，
Figure BDA0002893341470000026
和
Figure BDA0002893341470000027
分别为车辆i和j通过停车线的时间，τ与d是Newell跟驰模型的参数，
Figure BDA0002893341470000031
和
Figure BDA0002893341470000032
分别为车辆i和j通过停车线的速度，γi,j和ηi,j是用于表示车辆之间冲突关系的0-1变量：如果车辆i与车辆j在同一车道上行驶，则γi,j＝1，否则γi,j＝0；如果车辆i在车辆j之前通过停车线，则ηi,j＝1，否则ηi,j＝0；M为设置的常数，K为由进口道k进入环岛且已经确定车辆轨迹的车辆集合，
Figure BDA0002893341470000033
是车辆集合K中车辆最晚通过停车线的时间；
所述车辆通过冲突点的时间约束具体为：
Figure BDA0002893341470000034
Figure BDA0002893341470000035
Figure BDA0002893341470000036
Figure BDA0002893341470000037
Figure BDA0002893341470000038
其中，
Figure BDA0002893341470000039
和
Figure BDA00028933414700000310
分别为车辆i和j通过冲突点n的时间，N为环岛内冲突点集合，
Figure BDA00028933414700000311
是用于表示车辆之间冲突关系的0-1变量：如果车辆i在车辆j之前通过冲突点n，则
Figure BDA00028933414700000312
否则
Figure BDA00028933414700000313
Figure BDA00028933414700000314
和
Figure BDA00028933414700000315
为冲突点n分别与车辆i、车辆j经过的停车线之间的距离，
Figure BDA00028933414700000316
为已经确定车辆轨迹的车辆中车辆最晚通过冲突点n的时间；
所述车辆最早到达时间约束具体为：
Figure BDA00028933414700000317
Figure BDA00028933414700000318
Figure BDA00028933414700000319
Figure BDA00028933414700000320
Figure BDA00028933414700000321
其中，
Figure BDA00028933414700000322
为车辆i到达环岛的最早时间，
Figure BDA00028933414700000323
和
Figure BDA00028933414700000324
分别为车辆i到达环岛的第一段时间、第二段时间和第三段时间，
Figure BDA00028933414700000325
为优化开始时间，
Figure BDA00028933414700000326
为优化开始时车辆速度，
Figure BDA00028933414700000327
为车辆的中间速度值，
Figure BDA00028933414700000328
为环岛内的最高车速限制，amin为加速度最低限制，amax为加速度最高限制，Vmax为车辆在进口道的最高车速限制；
所述车辆第一动力学约束具体为：
Figure BDA00028933414700000329
Figure BDA00028933414700000330
其中，
Figure BDA0002893341470000041
为车辆在环岛内的最低车速限制，
Figure BDA0002893341470000042
为车辆在环岛内的最高车速限制。
进一步地，所述冲突点包括合流冲突点、分流冲突点和横向冲突点。
进一步地，所述步骤S22中车辆轨迹优化模型的目标函数具体为：
Figure BDA0002893341470000043
L(xi(t),ui(t))＝MOEe(xi(t),ui(t))
Figure BDA0002893341470000044
其中，J2为车辆总油耗最低目标函数，
Figure BDA0002893341470000045
为优化终止时间，L(xi(t),ui(t))为过程成本，即车辆的瞬时油耗，xi(t)是车辆i在t时刻的位置，vi(t)是车辆i在t时刻的速度，ui(t)是车辆i在t时刻的加速度，
Figure BDA0002893341470000046
与
Figure BDA0002893341470000047
是VT-Micro模型的参数，VT-Micro模型用于计算车辆瞬时油耗。
进一步地，所述步骤S22中车辆初始状态约束具体为：
Figure BDA0002893341470000048
其中，
Figure BDA0002893341470000049
是车辆i在进行优化时刻的位置，
Figure BDA00028933414700000410
是车辆i在进行优化时刻的速度；
所述车辆终止状态约束具体为：
Figure BDA00028933414700000411
Figure BDA00028933414700000412
Figure BDA00028933414700000413
其中，
Figure BDA00028933414700000414
为车辆i的终止位置，Lc为环岛控制区的长度，
Figure BDA00028933414700000415
为车辆i的终止速度；
所述跟车安全距离约束具体为：
Figure BDA00028933414700000416
Figure BDA00028933414700000417
其中，xj(t+τ)为车辆j在(t+τ)时刻的位置；
所述车辆第二动力学约束具体为：
Figure BDA00028933414700000418
Figure BDA00028933414700000419
进一步地，所述步骤S3具体包括以下步骤：
S31、将车辆通行顺序优化模型和车辆轨迹优化模型整合成车辆协同优化模型；
S32、根据获取的车辆信息，确定各车辆的最早到达时间；
S33、求解车辆轨迹优化模型，若该模型不可行，则以0.1s为步长增大最早到达时间数值，之后返回重新求解，否则直接求解得到各车辆的到达时间和对应的到达速度；
S34、根据求解得到的各车辆的到达时间和对应的到达速度，求解车辆通行顺序优化模型，得到各车辆的实际到达时间；
S35、连续两次求解得到车辆协同优化模型的求解值，若当前求解值与前一次求解值之差小于预设阈值，则终止求解过程，根据求解得到的各车辆的到达时间和对应的到速度，得到各车辆的运行轨迹；否则将步骤S34中各车辆的实际到达时间作为各车辆的最早到达时间，之后返回步骤S33。
进一步地，所述步骤S31中车辆协同优化模型具体为：
J＝w1J1+w2J2
其中，w1和w2分别为车辆通行顺序优化模型和车辆轨迹优化模型的权重值。
与现有技术相比，本发明具有以下优点：
一、本发明在智能网联车环境下，通过获取环岛控制区内各车辆的车辆信息，分别构建车辆通行顺序优化模型和车辆轨迹优化模型，以整合得到车辆协同优化模型，结合迭代求解的方式，能够对整个环岛控制区内与环岛中央控制器通讯的所有车辆进行协同控制，使各车辆均按照对应的运行轨迹行驶通过环岛，从而在保障环岛交通安全的前提下有效提高环岛的通行效率，使环岛能够很好地适应高流量环境。
二、本发明利用车辆通行顺序优化模型，以求解车辆进入环岛的最佳时间，从而确定车辆的行驶顺序；利用车辆轨迹优化模型，以求解车辆的运行轨迹，同时设定车辆总油耗最低作为车辆轨迹优化模型的目标函数，从而能够在有效提高环岛通行效率的同时减少车辆油耗，进一步平衡环岛通行效率与整体油耗，具有节能控制的优点。
附图说明
图1为本发明的方法流程示意图；
图2为环岛冲突点分布示意图；
图3为车辆最早到达时间计算的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种智能网联车环境下多车道环岛车辆协同控制方法，包括以下步骤：
S1、获取环岛控制区内的车辆信息；
S2、分别构建车辆通行顺序优化模型和车辆轨迹优化模型；
S3、将车辆通行顺序优化模型和车辆轨迹优化模型整合成车辆协同优化模型，对车辆协同优化模型进行迭代求解，得到环岛控制区内各车辆的运行轨迹；
S4、根据环岛控制区内各车辆的运行轨迹，由环岛中央控制器控制各车辆按照对应的运行轨迹行驶通过环岛。
将上述方法应用于实际，其具体过程为：
步骤1、收集车辆信息
1.1、将距离进入环岛停车线Lc以内的进口道设置为控制区。该区域内的车辆需要实时与环岛中央控制器进行通讯，并按照环岛中央控制器传递给车辆的轨迹计划进行行驶。
1.2、环岛中央控制器收集控制区内所有车辆的当前位置，速度与加速度。
步骤2、构建车辆通行顺序优化模型
2.1、设置车辆通行顺序优化模型的目标函数：车辆平均延误最短
Figure BDA0002893341470000061
其中，J1为车辆平均延误最短目标函数，
Figure BDA0002893341470000062
为车辆i通过停车线的时间，即车辆i进入环岛的时间，I为环岛控制区内的车辆集合。
2.2、添加优化模型的约束1：车辆通过停车线的时间约束。
Figure BDA0002893341470000063
Figure BDA0002893341470000064
其中，
Figure BDA0002893341470000065
和
Figure BDA0002893341470000066
分别为车辆i和j通过停车线的时间，τ与d是Newell跟驰模型的参数，
Figure BDA0002893341470000067
和
Figure BDA0002893341470000068
分别为车辆i和j通过停车线的速度，γi,j和ηi,j是用于表示车辆之间冲突关系的0-1变量：如果车辆i与车辆j在同一车道上行驶，则γi,j＝1，否则γi,j＝0；如果车辆i在车辆j之前通过停车线，则ηi,j＝1，否则ηi,j＝0；M为设置的一个充分大的常数。
此外，参与优化的车辆通过停车线的时间，必须晚于已经确定其车辆轨迹的车辆通过停车线的时间：
Figure BDA0002893341470000071
式中，
Figure BDA0002893341470000072
是由进口道k进入环岛且已经确定车辆轨迹的车辆中，最晚通过停车线的时间，K为由进口道k进入环岛且已经确定车辆轨迹的车辆集合。
2.3、添加优化模型的约束2：车辆通过冲突点的时间约束。
Figure BDA0002893341470000073
Figure BDA0002893341470000074
Figure BDA0002893341470000075
Figure BDA0002893341470000076
式中，
Figure BDA0002893341470000077
和
Figure BDA0002893341470000078
分别为车辆i和j通过冲突点n的时间，N为环岛内冲突点集合(环岛内的冲突点如图2所示，包括合流冲突点、分流冲突点和横向冲突点)，
Figure BDA0002893341470000079
是用于表示车辆之间冲突关系的0-1变量：如果车辆i在车辆j之前通过冲突点n，则
Figure BDA00028933414700000710
否则
Figure BDA00028933414700000711
Figure BDA00028933414700000712
和
Figure BDA00028933414700000713
为冲突点n分别与车辆i、车辆j经过的停车线之间的距离。
此外，参与优化的车辆通过每一个冲突点的时间，必须晚于已经确定其车辆轨迹的车辆通过该冲突点的时间：
Figure BDA00028933414700000714
式中，
Figure BDA00028933414700000715
是已经确定车辆轨迹的车辆中，最晚通过冲突点n的时间。
2.4、添加优化模型的约束3：车辆最早到达时间约束。
当车辆加速到最大速度，再以最大减速度减速至环岛内允许的最大通行速度时，车辆到达环岛内的时间最早，记为
Figure BDA00028933414700000716
为了方便计算，该过程简化为三段(如图3所示)，每一段的时间计算方法如下：
Figure BDA00028933414700000717
Figure BDA00028933414700000718
Figure BDA0002893341470000081
Figure BDA0002893341470000082
Figure BDA0002893341470000083
式中，
Figure BDA0002893341470000084
为优化开始时间，amin为加速度最低限制，amax为加速度最高限制，Vmax为车辆在进口道的最高车速限制。
2.5、添加优化模型的约束4：车辆动力学约束。
当车辆在进口道行驶时，出于安全考虑，对车辆的最大速度进行限制：
Figure BDA0002893341470000085
式中，当车辆在环岛内行驶时，出于安全考虑，对车辆的最大速度进行限制，且由于车辆在环岛内出于曲线行驶状态，限速低于进口道限速，出于对能耗的考虑，对车辆的最小速度进行限制。
Figure BDA0002893341470000086
式中，
Figure BDA0002893341470000087
为车辆在环岛内的最低车速限制，
Figure BDA0002893341470000088
为车辆在环岛内的最高车速限制。
步骤3、构建车辆轨迹优化模型
3.1、构建车辆控制模型：
车辆的状态方程设置为：
xi(t)＝[xi(t),vi(t)]T
式中，xi(t)是车辆i在t时刻的位置，vi(t)是车辆i在t时刻的速度。
因此，车辆的状态转移方程为：
Figure BDA0002893341470000089
式中，ui(t)是车辆i在t时刻的加速度。
3.2、设置车辆轨迹优化模型的目标函数为车辆在通过环岛的过程中总油耗最少
Figure BDA00028933414700000810
式中，
Figure BDA00028933414700000811
为优化终止时间，L(xi(t),ui(t))为过程成本，即车辆的瞬时油耗。此处采用被广泛应用的VT-Micro模型计算车辆瞬时油耗，公式为：
L(xi(t),ui(t))＝MOEe(xi(t),ui(t))
Figure BDA0002893341470000091
式中，
Figure BDA0002893341470000092
与
Figure BDA0002893341470000093
是VT-Micro模型的参数。
3.3、添加优化模型的约束1：车辆初始状态与终止状态约束。
车辆的初始状态，为当前车辆所处的位置与车辆速度：
Figure BDA0002893341470000094
式中，
Figure BDA0002893341470000095
是车辆i在进行优化时刻的位置，
Figure BDA0002893341470000096
是车辆i在进行优化时刻的速度。
车辆的终止状态，是车辆需要在给定时间，以给定速度到达停车线。
Figure BDA0002893341470000097
Figure BDA0002893341470000098
Figure BDA0002893341470000099
式中，
Figure BDA00028933414700000910
为车辆i的终止位置，Lc为环岛控制区的长度，
Figure BDA00028933414700000911
为车辆i的终止速度。
3.4、添加优化模型的约束2：跟车安全距离约束
Figure BDA00028933414700000912
Figure BDA00028933414700000913
式中，τ与d是Newell跟驰模型的参数，xj(t+τ)为车辆j在(t+τ)时刻的位置。
3.5、添加优化模型的约束3：车辆动力学约束
为了保证得到的车辆轨迹可以被车辆执行，因此对车辆的加速度有一定的限制：
Figure BDA00028933414700000914
对车辆的速度限制，与步骤2中构建的车辆通行顺序优化模型的约束条件保持一致：
Figure BDA00028933414700000915
式中，Vmax为车辆在进口道的最高车速限制。
步骤4、迭代求解双目标模型
首先确定协同优化模型的目标函数。车辆通行顺序优化模型给出了车辆进入环岛的最佳时间，从而确定了车辆的驾驶顺序；车辆轨迹优化模型决定了车辆在入口车道的行驶轨迹。两种模型相互影响。本技术方案从效率和节能的角度出发，将两种模型整合成一个协同优化模型，目标定义为：
J＝w1J1+w2J2
其中，w1和w2分别为车辆通行顺序优化模型和车辆轨迹优化模型的权重值
迭代求解步骤为：
第一步：根据收集的控制区内车辆的信息(位移、速度、加速度)，计算每辆车的最早到达时间，预设每辆车的到达时间为其最早到达时间。
第二步：利用Gurobi求解器求解车辆轨迹优化模型。
第三步：如果模型不可行，则以0.1s为步长增大最早到达时间，进入第二步，否则，得到每辆车的到达时间与到达速度，进入下一步。
第四步：用上一步求解得到的到达时间与到达速度，利用Matlab优化工具箱求解车辆通行顺序优化模型，得到每辆车的实际到达时间。
第五步：如果两次优化的目标函数值之差小于2％，则终止求解过程，之后根据优化结果更新车辆的轨迹计划，这个轨迹就是车辆在接下来一定时间内车辆对应的速度数据；如果不满足终止迭代的条件，则以求解车辆通行顺序优化模型得到的实际到达时间进入第二步。
最后中央环岛控制器将各车辆的运行轨迹对应发送给各车辆，使各车辆按照各自的运行轨迹行驶通过环岛。
综上所述，本技术方案利用智能网联车环境中环岛中央控制器与各车辆的实时通讯，以收集进口道各车辆状态，为每辆车制定通过环岛的轨迹，让每辆车以稳定的速度通过环岛，从而在保障交叉口安全的前提下提高交叉口的效率，有效地平衡环岛的通行效率与整体油耗，使环岛适应高流量环境。

Claims (10)

1.一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，包括以下步骤：
S1、获取环岛控制区内的车辆信息；
S2、分别构建车辆通行顺序优化模型和车辆轨迹优化模型；
S3、将车辆通行顺序优化模型和车辆轨迹优化模型整合成车辆协同优化模型，对车辆协同优化模型进行迭代求解，得到环岛控制区内各车辆的运行轨迹；
S4、根据环岛控制区内各车辆的运行轨迹，由环岛中央控制器控制各车辆按照对应的运行轨迹行驶通过环岛。
2.根据权利要求1所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、将距离进入环岛停车线小于或等于预设长度的进口道设置为环岛控制区，所述环岛控制区内的车辆实时与环岛中央控制器进行通讯，且由环岛中央控制器控制环岛控制区内的各车辆按照运行轨迹行驶；
S12、环岛中央控制器实时收集环岛控制区内各车辆的车辆信息，所述车辆信息包括车辆当前位置、速度和加速度。
3.根据权利要求1所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、构建车辆通行顺序优化模型，所述车辆通行顺序优化模型的目标函数为车辆平均延误最短，约束条件包括车辆通过停车线的时间约束、车辆通过冲突点的时间约束、车辆最早到达时间约束以及车辆第一动力学约束；
S22、构建车辆轨迹优化模型，所述车辆轨迹优化模型的目标函数为车辆总油耗最低，约束条件包括车辆初始状态与终止状态约束、跟车安全距离约束以及车辆第二动力学约束。
4.根据权利要求3所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S21中车辆通行顺序优化模型的目标函数具体为：
Figure FDA0002893341460000011
其中，J1为车辆平均延误最短目标函数，
Figure FDA0002893341460000012
为车辆i通过停车线的时间，即车辆i进入环岛的时间，I为环岛控制区内的车辆集合。
5.根据权利要求4所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S21中车辆通过停车线的时间约束具体为：
Figure FDA0002893341460000021
Figure FDA0002893341460000022
Figure FDA0002893341460000023
其中，
Figure FDA0002893341460000024
和
Figure FDA0002893341460000025
分别为车辆i和j通过停车线的时间，τ与d是Newell跟驰模型的参数，
Figure FDA0002893341460000026
和
Figure FDA0002893341460000027
分别为车辆i和j通过停车线的速度，γi,j和ηi,j是用于表示车辆之间冲突关系的0-1变量：如果车辆i与车辆j在同一车道上行驶，则γi,j＝1，否则γi,j＝0；如果车辆i在车辆j之前通过停车线，则ηi,j＝1，否则ηi,j＝0；M为设置的常数，K为由进口道k进入环岛且已经确定车辆轨迹的车辆集合，
Figure FDA0002893341460000028
是车辆集合K中车辆最晚通过停车线的时间；
所述车辆通过冲突点的时间约束具体为：
Figure FDA0002893341460000029
Figure FDA00028933414600000210
Figure FDA00028933414600000211
Figure FDA00028933414600000212
Figure FDA00028933414600000213
其中，
Figure FDA00028933414600000214
和
Figure FDA00028933414600000215
分别为车辆i和j通过冲突点n的时间，N为环岛内冲突点集合，
Figure FDA00028933414600000216
是用于表示车辆之间冲突关系的0-1变量：如果车辆i在车辆j之前通过冲突点n，则
Figure FDA00028933414600000217
否则
Figure FDA00028933414600000218
Figure FDA00028933414600000219
和
Figure FDA00028933414600000220
为冲突点n分别与车辆i、车辆j经过的停车线之间的距离，
Figure FDA00028933414600000221
为已经确定车辆轨迹的车辆中车辆最晚通过冲突点n的时间；
所述车辆最早到达时间约束具体为：
Figure FDA00028933414600000222
Figure FDA00028933414600000223
Figure FDA00028933414600000224
Figure FDA00028933414600000225
Figure FDA00028933414600000226
其中，
Figure FDA0002893341460000031
为车辆i到达环岛的最早时间，
Figure FDA0002893341460000032
和
Figure FDA0002893341460000033
分别为车辆i到达环岛的第一段时间、第二段时间和第三段时间，
Figure FDA0002893341460000034
为优化开始时间，
Figure FDA0002893341460000035
为优化开始时车辆速度，
Figure FDA0002893341460000036
为车辆的中间速度值，
Figure FDA0002893341460000037
为环岛内的最高车速限制，amin为加速度最低限制，amax为加速度最高限制，Vmax为车辆在进口道的最高车速限制；
所述车辆第一动力学约束具体为：
Figure FDA0002893341460000038
Figure FDA0002893341460000039
其中，
Figure FDA00028933414600000310
为车辆在环岛内的最低车速限制，
Figure FDA00028933414600000311
为车辆在环岛内的最高车速限制。
6.根据权利要求5所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述冲突点包括合流冲突点、分流冲突点和横向冲突点。
7.根据权利要求5所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S22中车辆轨迹优化模型的目标函数具体为：
Figure FDA00028933414600000312
L(xi(t),ui(t))＝MOEe(xi(t),ui(t))
Figure FDA00028933414600000313
其中，J2为车辆总油耗最低目标函数，
Figure FDA00028933414600000314
为优化终止时间，L(xi(t),ui(t))为过程成本，即车辆的瞬时油耗，xi(t)是车辆i在t时刻的位置，vi(t)是车辆i在t时刻的速度，ui(t)是车辆i在t时刻的加速度，
Figure FDA00028933414600000315
与
Figure FDA00028933414600000316
是VT-Micro模型的参数，VT-Micro模型用于计算车辆瞬时油耗。
8.根据权利要求7所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S22中车辆初始状态约束具体为：
Figure FDA00028933414600000317
其中，
Figure FDA00028933414600000318
是车辆i在进行优化时刻的位置，
Figure FDA00028933414600000319
是车辆i在进行优化时刻的速度；
所述车辆终止状态约束具体为：
Figure FDA00028933414600000320
Figure FDA00028933414600000321
Figure FDA0002893341460000041
其中，
Figure FDA0002893341460000042
为车辆i的终止位置，Lc为环岛控制区的长度，
Figure FDA0002893341460000043
为车辆i的终止速度；
所述跟车安全距离约束具体为：
Figure FDA0002893341460000044
Figure FDA0002893341460000045
其中，xj(t+τ)为车辆j在(t+τ)时刻的位置；
所述车辆第二动力学约束具体为：
Figure FDA0002893341460000046
Figure FDA0002893341460000047
9.根据权利要求8所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、将车辆通行顺序优化模型和车辆轨迹优化模型整合成车辆协同优化模型；
S32、根据获取的车辆信息，确定各车辆的最早到达时间；
S33、求解车辆轨迹优化模型，若该模型不可行，则以0.1s为步长增大最早到达时间数值，之后返回重新求解，否则直接求解得到各车辆的到达时间和对应的到达速度；
S34、根据求解得到的各车辆的到达时间和对应的到达速度，求解车辆通行顺序优化模型，得到各车辆的实际到达时间；
S35、连续两次求解得到车辆协同优化模型的求解值，若当前求解值与前一次求解值之差小于预设阈值，则终止求解过程，根据求解得到的各车辆的到达时间和对应的到速度，得到各车辆的运行轨迹；否则将步骤S34中各车辆的实际到达时间作为各车辆的最早到达时间，之后返回步骤S33。
10.根据权利要求9所述的一种智能网联车环境下多车道环岛车辆协同控制方法，其特征在于，所述步骤S31中车辆协同优化模型具体为：
J＝w1J1+w2J2
其中，w1和w2分别为车辆通行顺序优化模型和车辆轨迹优化模型的权重值。
CN202110036440.2A 2021-01-12 2021-01-12 一种智能网联车环境下多车道环岛车辆协同控制方法 Active CN112837534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110036440.2A CN112837534B (zh) 2021-01-12 2021-01-12 一种智能网联车环境下多车道环岛车辆协同控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110036440.2A CN112837534B (zh) 2021-01-12 2021-01-12 一种智能网联车环境下多车道环岛车辆协同控制方法

Publications (2)

Publication Number Publication Date
CN112837534A true CN112837534A (zh) 2021-05-25
CN112837534B CN112837534B (zh) 2022-07-22

Family

ID=75927826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110036440.2A Active CN112837534B (zh) 2021-01-12 2021-01-12 一种智能网联车环境下多车道环岛车辆协同控制方法

Country Status (1)

Country Link
CN (1) CN112837534B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359779A (zh) * 2021-07-22 2021-09-07 长沙理工大学 一种考虑节能减排的自动驾驶车辆速度控制方法
CN114446065A (zh) * 2022-02-25 2022-05-06 西南交通大学 一种车辆行驶轨迹优化方法、装置、设备及可读存储介质
CN115424445A (zh) * 2022-09-27 2022-12-02 吉林大学 一种面向智能网联汽车的环岛入口车辆通行顺序决策系统
CN117400930A (zh) * 2023-12-14 2024-01-16 江苏大学 一种基于风险场的智能网联汽车环岛场景危险度评价方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1328314A (zh) * 2000-06-13 2001-12-26 同济大学 一种提高城市环行交叉口车辆通行能力的方法
US20060155427A1 (en) * 2003-02-27 2006-07-13 Shaopeng Yang Road traffic control method and traffic facilities
CN103116992A (zh) * 2013-01-25 2013-05-22 武汉理工大学 基于单口放行的四路环交设计方法
CN103531024A (zh) * 2013-10-28 2014-01-22 武汉旭云科技有限公司 一种动态交通路网城市道路要素模型及其建模方法
CN105247545A (zh) * 2014-01-27 2016-01-13 马丁·埃赖斯埃赖斯 用于监视并控制车辆路线以优化使用其负载容量的方法
DE102018113926A1 (de) * 2017-06-13 2018-12-13 GM Global Technology Operations LLC Autonome Fahrzeugantriebssysteme und Verfahren für kritische Zustände
CN111243312A (zh) * 2020-01-23 2020-06-05 南京锦和佳鑫信息科技有限公司 部分布设的车路协同自动驾驶的系统
CN111710176A (zh) * 2020-06-08 2020-09-25 同济大学 一种车路协同环境下交叉口信号-车辆轨迹协同控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1328314A (zh) * 2000-06-13 2001-12-26 同济大学 一种提高城市环行交叉口车辆通行能力的方法
US20060155427A1 (en) * 2003-02-27 2006-07-13 Shaopeng Yang Road traffic control method and traffic facilities
CN103116992A (zh) * 2013-01-25 2013-05-22 武汉理工大学 基于单口放行的四路环交设计方法
CN103531024A (zh) * 2013-10-28 2014-01-22 武汉旭云科技有限公司 一种动态交通路网城市道路要素模型及其建模方法
CN105247545A (zh) * 2014-01-27 2016-01-13 马丁·埃赖斯埃赖斯 用于监视并控制车辆路线以优化使用其负载容量的方法
DE102018113926A1 (de) * 2017-06-13 2018-12-13 GM Global Technology Operations LLC Autonome Fahrzeugantriebssysteme und Verfahren für kritische Zustände
CN111243312A (zh) * 2020-01-23 2020-06-05 南京锦和佳鑫信息科技有限公司 部分布设的车路协同自动驾驶的系统
CN111710176A (zh) * 2020-06-08 2020-09-25 同济大学 一种车路协同环境下交叉口信号-车辆轨迹协同控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOHAMAD HAFIZULAZWAN BIN MOHAMAD NOR 等: "Merging of Connected and Automated Vehicles at Roundabout Using Model Predictive Control", 《 2018 57TH ANNUAL CONFERENCE OF THE SOCIETY OF INSTRUMENT AND CONTROL ENGINEERS OF JAPAN (SICE)》 *
谢睿 等: "环形交叉口协同环岛信号控制方法研究", 《中国水运(下半月)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359779A (zh) * 2021-07-22 2021-09-07 长沙理工大学 一种考虑节能减排的自动驾驶车辆速度控制方法
CN114446065A (zh) * 2022-02-25 2022-05-06 西南交通大学 一种车辆行驶轨迹优化方法、装置、设备及可读存储介质
CN115424445A (zh) * 2022-09-27 2022-12-02 吉林大学 一种面向智能网联汽车的环岛入口车辆通行顺序决策系统
CN115424445B (zh) * 2022-09-27 2023-10-20 吉林大学 一种面向智能网联汽车的环岛入口车辆通行顺序决策系统
CN117400930A (zh) * 2023-12-14 2024-01-16 江苏大学 一种基于风险场的智能网联汽车环岛场景危险度评价方法
CN117400930B (zh) * 2023-12-14 2024-02-20 江苏大学 一种基于风险场的智能网联汽车环岛场景危险度评价方法

Also Published As

Publication number Publication date
CN112837534B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN112837534B (zh) 一种智能网联车环境下多车道环岛车辆协同控制方法
CN111338351B (zh) 一种用于高速匝道入口的多智能网联车辆协同合流控制方法
CN106875710B (zh) 一种面向网联自动驾驶车辆的交叉口自组织控制方法
CN103914985B (zh) 一种混合动力客车未来车速轨迹预测方法
WO2018149308A1 (zh) 一种道路交通优化方法、装置以及电子设备
WO2022142540A1 (zh) 基于智能网联信息的新能源汽车滑行控制系统、方法及新能源汽车
WO2024016386A1 (zh) 复杂路口下基于多智能体联邦强化学习的车路协同控制系统及方法
CN106710245A (zh) 基于密度的快速路多车道匝道控制方法
CN113192347B (zh) 动态交通场景下智能网联车辆经济性驾驶控制方法
CN111445015B (zh) 一种智能网联环境下非网联车位置估计方法
CN113269963B (zh) 一种基于强化学习的网联车辆信号灯控路口经济通行方法
CN110182215A (zh) 一种汽车经济性巡航控制方法及装置
CN105551250A (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN102831768A (zh) 一种基于车联网的混合动力客车行驶工况预测方法
CN112435473A (zh) 一种结合历史数据的快速路交通流溯源及匝道调控方法
CN109765801A (zh) 基于vissim仿真的车联网设计速度调整的实现方法
CN111625989A (zh) 一种基于a3c-sru的智能车汇入车流方法及系统
CN114333364A (zh) 一种自动驾驶车辆通过信号交叉口生态驾驶方法
CN113823076B (zh) 一种基于联网车辆协调控制的即停即走路段缓堵方法
CN113223324B (zh) 高速匝道入口合流的控制方法
CN109508814A (zh) 一种基于物联网和云计算的公交轨迹优化系统
CN113120003B (zh) 无人驾驶车辆运动行为决策方法
CN113155144B (zh) 一种基于高精地图实时路况建模的自动驾驶方法
CN113436448A (zh) 一种信号交叉口借道左转车道设计方法及系统
CN114783175B (zh) 基于伪谱法的多信号灯路况下网联车辆节能驾驶控制方法

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