CN112907946A - 一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统 - Google Patents

一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统 Download PDF

Info

Publication number
CN112907946A
CN112907946A CN202110068314.5A CN202110068314A CN112907946A CN 112907946 A CN112907946 A CN 112907946A CN 202110068314 A CN202110068314 A CN 202110068314A CN 112907946 A CN112907946 A CN 112907946A
Authority
CN
China
Prior art keywords
vehicle
traffic
automatic driving
time
bus
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
CN202110068314.5A
Other languages
English (en)
Other versions
CN112907946B (zh
Inventor
郭娅明
李萌
陈湘冬
林犀
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Publication of CN112907946A publication Critical patent/CN112907946A/zh
Application granted granted Critical
Publication of CN112907946B publication Critical patent/CN112907946B/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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles

Abstract

本发明公开了一种自动驾驶车辆与其他车辆混行的交通控制方法，该方法包括：构建人工驾驶车辆‑自动驾驶车辆混行车道、公交车‑自动驾驶车辆混行车道；根据自动驾驶车辆、人工驾驶车辆的数量比例，根据人工驾驶车辆与自动驾驶车辆的车流量总和确定人工驾驶车辆‑自动驾驶车辆混行车道上的车辆通行时间；获取公交车‑自动驾驶车辆混行车道的车辆通行时间；基于各路段上所述人工驾驶车辆‑自动驾驶车辆混行车道上的车辆通行时间、公交车‑自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。通过本发明，能够充分利用城市道路资源，发挥自动驾驶车辆的控制精度高、可协同通行的优势，提高了交通系统的整体通行效率。

Description

一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统。
背景技术
自动驾驶技术在近些年发展非常迅速，因其可以自动地驾驶车辆并且准确地检测道路条件，在提高道路通行能力、减少能源消耗和污染排放方面具有巨大的潜力。然而，尽管自动驾驶技术取得了长足的进步，在现阶段还无法实现成熟的完全自主驾驶。同时，手动驾驶车辆也将长期存在，构成了“自动驾驶-手动驾驶混行”的交通场景。对于自动驾驶车辆而言，手动驾驶车辆的存在会严重影响交通的通行效率，并且为道路环境的检测增加难度，进而带来交通安全等问题。在自动驾驶技术应用后发生的几起交通事故，大部分都与混行的交通场景密切相关。因此，在自动驾驶技术应用的初级阶段，需要为自动驾驶车辆分配独立的路权，以减少手动驾驶车辆的影响。而且，在专用车道上，自动驾驶车辆更易汇集而形成队列，或者应用协同式自适应巡航控制技术，使得自动驾驶技术的优势能够被充分发挥出来，提高交通效率和道路通行能力。
另一方面，城市快速公交系统是一种介于常规公交与轨道交通之间的新型客运系统，通过为公交车提供专用的车道以减少城市拥堵对公交车运营的影响，提高公共交通的服务水平。因此，公交专用的车道能够避免其他手动驾驶车辆、非机动车辆和行人的干扰，可以为自动驾驶车辆提供相对简单的驾驶环境。将公交专用车道的使用权开放给自动驾驶车辆，可以充分发挥自动驾驶技术的优势，既能保障通行的安全性，又在一定程度上提高了道路资源的利用率。
一般而言，公交车的行驶速度比自动驾驶车辆低，而且需要在特定车站停靠等待，所以自动驾驶车辆在公交专用道上行驶会受到影响，其通行效率需要进一步探究，以判断快速公交与自动驾驶车辆的混行是否可以提高道路的通行效率。另一方面，为保障公共交通的服务水平，公交车的通行应具有较高的优先级，即自动驾驶车辆的驶入不应对公交车的正常运行带来干扰。因此，如何合理利用快速公交专用道的道路资源，优化自动驾驶车辆的路径选择与流量分配，以实现提高自动驾驶车辆的通行效率，同时保证公交车正常运行的目的，是亟待解决的关键问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此，本发明的一个方面，提供了一种自动驾驶车辆与其他车辆混行的交通控制方法，该方法包括：
构建人工驾驶车辆-自动驾驶车辆混行车道、公交车-自动驾驶车辆混行车道；根据自动驾驶车辆、人工驾驶车辆的数量比例，计算平均车头时距；
基于所述平均车头时距计算人工驾驶车辆-自动驾驶车辆混行车道的通行能力值；
根据所述通行能力值、人工驾驶车辆与自动驾驶车辆的车流量总和确定人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间；
获取公交车-自动驾驶车辆混行车道的车辆通行时间；
基于各路段上所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
可选的，进行自动驾驶车辆车流分配包括：利用有限差分法计算目标函数的近似一阶梯度；应用连续线性规划方法将原非线性规划问题转化为一系列线性规划问题。
可选的，获取公交车-自动驾驶车辆混行车道的车辆通行时间，包括：
基于公交车到达每个路段的时间刻画公交车；
根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差，所述路段包括普通路段、进口路段、出口路段、超车路段、不超车路段；
基于自动驾驶车辆的起始点和目的点，在各路段上为自动驾驶车辆分配时空轨迹；
计算自动驾驶车辆在各不同路段上的通行时间。
可选的，该方法还包括：根据公交车在车站的停靠时间，计算各路段的最大通行量。
可选的，根据各路段的最大通行量、各路段上所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
本发明还提供一种自动驾驶车辆与其他车辆混行的交通控制系统，该系统包括：
车道构建单元，用于构建人工驾驶车辆-自动驾驶车辆混行车道、公交车-自动驾驶车辆混行车道；
车头时距计算单元，用于根据自动驾驶车辆、人工驾驶车辆的数量比例，计算平均车头时距；
通行能力值计算单元，用于基于所述平均车头时距计算人工驾驶车辆-自动驾驶车辆混行车道的通行能力值；
第一车辆通行时间计算单元，用于根据所述通行能力值、人工驾驶车辆与自动驾驶车辆的车流量总和确定人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间；
第二车辆通行时间计算单元，用于获取公交车-自动驾驶车辆混行车道的车辆通行时间；
自动驾驶车辆车流分配单元，用于根据各路段上的所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
可选的，自动驾驶车辆车流分配单元包括：有限差分模块，用于计算目标函数的近似一阶梯度；连续线性规划模块，用于将原非线性规划问题转化为一系列线性规划问题。
可选的，第二车辆通行时间计算单元，包括：
公交车描述模块，用于基于公交车到达每个路段的时间刻画公交车；
路段描述模块，根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差，所述路段包括普通路段、进口路段、出口路段、超车路段、不超车路段；
时空轨迹规划模块，基于自动驾驶车辆的起始点和目的点，在各路段上为自动驾驶车辆分配时空轨迹；
路段通行时间计算模块，计算自动驾驶车辆在各不同路段上的通行时间。
可选的，该系统还包括：路段通行量计算单元，用于根据公交车在车站的停靠时间，计算各路段的最大通行量。
可选的，根据各路段的最大通行量、各路段上所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：该方法充分利用了城市道路资源，发挥了自动驾驶车辆的控制精度高、可协同通行的优势，提高了交通系统的整体通行效率。该方法是一种广义上的快速公交-自动驾驶车辆混行交通、人工驾驶车辆-自动驾驶车辆混行的控制框架，在实际应用过程中可以结合具体情况做出相应修正。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述技术方案和其目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明提出的一种自动驾驶车辆与其他车辆混行的交通控制方法的流程图；
图2示出了本发明构建的路网图；
图3示出了本发明中公交车-自动驾驶车辆混行车道公交车站处的超车行为；
图4示出了本发明定义的自动驾驶车辆与公交车混行车道的不同路段类型；
图5示出了本发明提出的自动驾驶车辆与公交车混行车道上的系统时空特性；
图6示出了本发明定义的自动驾驶车辆与公交车混行车道上的自动驾驶车辆时空轨迹；
图7示出了实验应用的道路网络图；
图8示出了实验在不同周期下的结果；
图9示出了实验在β2＝1.7场景下的分配结果与速度分布；
图10示出了实验在β2＝2场景下的分配结果与速度分布；
图11示出了实验在β2＝2.3场景下的分配结果与速度分布；
图12示出了实验在不同自动驾驶车辆比例下的结果；
图13示出了本发明所提出的算法性能测试结果。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明提供了一种自动驾驶车辆与其他车辆混行的交通控制方法，如图1所示，该方法包括：
S1.构建人工驾驶车辆-自动驾驶车辆混行车道、公交车-自动驾驶车辆混行车道；
S2.根据自动驾驶车辆、人工驾驶车辆的数量比例，计算平均车头时距；
S3.基于所述平均车头时距计算人工驾驶车辆-自动驾驶车辆混行车道的通行能力值；
S4.根据所述通行能力值、人工驾驶车辆与自动驾驶车辆的车流量总和确定人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间；
S5.获取公交车-自动驾驶车辆混行车道的车辆通行时间；
S6.基于各路段上所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
本发明提出了自动驾驶车辆与人工驾驶车辆、公交车辆混行状态下在车道上如何分配自动驾驶车辆的车流以保证整个路网通行效率最佳的控制方法。
本发明提供的方案在一预定路权分配的原则下。本发明考虑了人工驾驶车辆、自动驾驶车辆与公交车三种类型车辆混行的交通环境，根据道路通行权构建了人工驾驶车辆-自动驾驶车辆(简写为“手-自动”)混行车道与自动驾驶车辆-公交车(简写为“自-公交”)混行车道，如图2所示。本方法限制人工驾驶车辆只能在手-自动混行车道上行驶，公交车只能在自-公交混行车道上行驶，而自动驾驶车辆可以在两种车道上行驶。
在步骤S2中，提出了手-自动混行交通性能的计算手段。与人工驾驶车辆相比，自动驾驶车辆具有反应时间短、控制精度高的优势，可以缩短车辆间的最小车头时距。考虑自动驾驶车辆与人工驾驶车辆的数量比例，平均车头时距的计算方法为：
Figure BDA0002905017730000061
其中
Figure BDA0002905017730000062
表示路段ij的车辆平均车头时距，Pij表示路段ij的自动驾驶车辆数量比例，hAA、hAR、hRA和hRR分别表示自动驾驶车辆-自动驾驶车辆、自动驾驶车辆-人工驾驶车辆、人工驾驶车辆-自动驾驶车辆和人工驾驶车辆-人工驾驶车辆跟车模式下的车头时距。
作为步骤S3的一种具体实施方式，基于车辆平均车头时距的计算结果，手-自动混行车道通行能力的计算方法为：
Figure BDA0002905017730000071
在步骤S4中，根据混行车道的通行能力，本方法提出了手-自动混行交通的BPR路阻函数以描述混行车道上的车辆通行时间，计算方法为：
Figure BDA0002905017730000072
其中，t0表示行驶路段的自由流通行时间，Vij表示人工驾驶车辆与自动驾驶车辆的车流量总和，αBPR和βBPR为BPR路阻函数的参数。此外，本方法为了刻画自动驾驶车辆在换道过程中的汇流行为对道路通行效率的影响，将汇流路段上的交通量等价为
Figure BDA0002905017730000073
其中
Figure BDA0002905017730000074
为原路段上的总车流量，x′ij为支路上的车流量，ρ为表示描述汇流行为影响程度的参数。
在步骤S5中，具体可包括：
基于公交车到达每个路段的时间刻画公交车；
根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差，所述路段包括普通路段、进口路段、出口路段、超车路段、不超车路段；
基于自动驾驶车辆的起始点和目的点，在各路段上为自动驾驶车辆分配时空轨迹；
计算自动驾驶车辆在各不同路段上的通行时间。
将城市快速公交专用车道的使用权开放给自动驾驶车辆，构建快速公交与自动驾驶车辆的混行车道；利用公交系统的周期性，准确描述公交车的微观通行状态，并刻画自动驾驶车辆所有可行的时空轨迹；根据公交车在车站的停靠时间，计算混行车道各路段的最大车辆通行量，以限制使用混行车道的自动驾驶车辆数；根据自动驾驶车辆的出发点和目的点，在各路段上为自动驾驶车辆分配时空轨迹，实现车辆总体延误的最小化；根据自动驾驶车辆的时空轨迹，评估在不同交通场景、不同交通需求下的混行车道的平均通行效率。
首先，从空间和时间维度上对公交、自动驾驶车辆的特性进行刻画。
在空间上，公交车的运行具有固定的线路，并且要在特定的公交站停靠一定时间间隔。
自动驾驶车辆的行驶过程则包括进入混行车道、在混行车道上行驶和离开混行车道的过程；在混行车道上，自动驾驶车辆会受到公交车行驶的干扰，以及公交车站的类型是否允许超车行为的影响，图3给出了公交车站允许超车的一个例子。
根据自动驾驶车辆的行驶特性，本发明将道路分为不同的类型，包括进口路段
Figure BDA0002905017730000081
出口路段
Figure BDA0002905017730000082
允许超车路段
Figure BDA0002905017730000083
不允许超车路段
Figure BDA0002905017730000084
和普通路段
Figure BDA0002905017730000085
如图4所示。
从时间上，由于同一线路的公交车的发车间隔相等，公交车到达各个路段的时间间隔也相等，即系统具有周期性。基于时间的周期性，本方法提出“局部坐标”的概念，为每个路段定义各自的时间坐标，不同路段之间的时间关系用“相位”来刻画，图5为系统的时空特性示意图。根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差，包括：设定同一线路的公交车的发车间隔相等、公交车到达各个路段的时间间隔相等，为每个路段定义时间坐标，不同路段之间的时间关系用相位表示。
在本发明定义的时空坐标里，自动驾驶车辆的行驶轨迹可以被完全刻画，包括起始点、目的点、出发时间点和到达时间点四个元素。考虑路段是否允许超车以及系统的周期性，自动驾驶车辆的轨迹分为了可行轨迹与不可行轨迹，图6绘制了自动驾驶车辆的部分轨迹。
下面具体说明自动驾驶车辆的时空轨迹的规划方法，这一规划问题可以表示为：
Figure BDA0002905017730000091
s.t.
Figure BDA00029050177300000912
Figure BDA00029050177300000913
Figure BDA0002905017730000092
Figure BDA0002905017730000093
Figure BDA0002905017730000094
Figure BDA0002905017730000095
Figure BDA0002905017730000096
Figure BDA0002905017730000097
Figure BDA0002905017730000098
下面对上述数学规划问题做详细说明：
在本问题中，决策变量有三个：
Figure BDA0002905017730000099
和
Figure BDA00029050177300000910
与
Figure BDA00029050177300000911
分别表示起终点为mn在时间点p到达路段a和离开路段a的车流量，
Figure BDA0002905017730000101
表示起终点为mn在时间点p到达路段a并在时间点
Figure BDA0002905017730000102
离开路段a的车流量。本方法通过对决策变量的优化，实现自动驾驶车辆的时空轨迹规划。
式(1)给出了本发明所提数学规划问题的目标函数,式
Figure BDA0002905017730000103
表示一个周期内各个路段上所有自动驾驶车辆的通行时间之和，而该规划问题的优化目标为最小化系统的总体通行时间。
式(2)和(3)分别为路段内部、相邻路段间的车流量守恒的约束条件；式(4)和(5)分别为路段上到达车流量和离开车流量等于交通需求的约束条件，其中
Figure BDA0002905017730000104
表示自动驾驶车辆的交通需求；式(6)为路段上总的车流量等于各个起终点车流量的总和的约束条件；式(7)为路段上总的车流量不超过路段通行能力的约束条件，其中需要考虑公交车的停车过程对通行能力的影响，
Figure BDA0002905017730000105
表示路段的有效通行能力；式(8)和(9)为同一路段上先到达的车辆先离开的约束条件，其中式(8)限制了除允许超车路段，自动驾驶车辆在通行过程中不允许超过公交车，式(9)限制了自动驾驶车辆在通行过程中不允许超过其他自动驾驶车辆；式(10)为决策变量均非负的约束条件。
由于式(9)为互补约束条件，该数学规划问题难以直接求解。
作为一种具体实施方式，本方法进一步提出了序贯优化算法，将原问题转化为一系列的易于求解的子问题，从而消除互补约束条件。在序贯优化算法中，每一个子问题只针对一个路段上的自动驾驶车辆进行轨迹规划，求得的结果作为下一个路段的初始条件，并对下个路段上的自动驾驶车辆继续进行轨迹规划。其中，每个子问题均为线性规划问题，可以高效地求得最优解。即在对自动驾驶车辆进行时空轨迹规划时，逐路段地进行时空轨迹规划，前一路段的规划结果作为后一路段规划的初始值或者基础。)
根据自动驾驶车辆的时空轨迹，结合下面的通行时间，可评估在不同交通场景、不同交通需求下的混行车道的平均通行效率。
下面具体说明自动驾驶车辆在不同类型路段上的通行时间的计算方法。
步骤一：根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差：
Figure BDA0002905017730000111
Figure BDA0002905017730000112
步骤二：计算普通路段上自动驾驶车辆的通行时间：
Figure BDA0002905017730000113
步骤三：计算进口与出口路段上自动驾驶车辆的通行时间：
Figure BDA0002905017730000114
步骤四：计算允许超车路段上自动驾驶车辆的通行时间：
Figure BDA0002905017730000115
步骤五：计算不允许超车路段上自动驾驶车辆的通行时间：
Figure BDA00029050177300001111
步骤六：计算各路段自动驾驶车辆实际通行时间：
Figure BDA0002905017730000116
Figure BDA0002905017730000117
其中，T为公交车的周期，
Figure BDA0002905017730000118
为公交车在路段a上的通行时间，ωi，j为路段ij上的相位差，p为自动驾驶车辆的到达时间点，
Figure BDA0002905017730000119
为自动驾驶车辆的离开时间点，la为路段a的长度，vAV为自动驾驶车辆的自由流行驶速度，ηa(p)为自动驾驶车辆的最早离开路段a的时间，
Figure BDA00029050177300001110
为自动驾驶车辆在路段a上的实际通行时间。
该方法还包括：通过对所述通行时间的优化，为自动驾驶车辆进行时空轨迹规划的优化。通过对自动驾驶车辆的通行时间进行判断，可反馈当时自动驾驶车辆的通行效率。
在步骤S6中，建立混行车道上的自动驾驶车辆车流分配模型，模型可以描述为以下数学规划问题：
Figure BDA0002905017730000121
s.t.
Figure BDA0002905017730000122
Figure BDA0002905017730000123
Figure BDA0002905017730000124
Figure BDA0002905017730000125
Figure BDA0002905017730000126
Figure BDA0002905017730000127
下面对上述数学规划问题做详细说明：
本问题的目标是最小化路网的整体旅行时间，式(1)给出了本发明所提数学规划问题的目标函数。目标函数由两个部分组成；
Figure BDA0002905017730000128
表示手-自动混行车道的车辆总体通行时间，xij和
Figure BDA0002905017730000129
分别表示路段ij的人工驾驶车辆与自动驾驶车辆的车流量，F为混行车道的旅行时间函数；
Figure BDA00029050177300001210
表示自-公交混行车道的车辆总体通行时间，其中mn定义为由进口路段m进入自-公交混行车道并由出口路段m离开自-公交混行车道的路径，集合为ε，
Figure BDA00029050177300001211
表示路径mn车流量。
式(2)给出了路段间的车流量守恒的约束条件；式(3)为路段上总的车流量等于各个起终点车流量总和的约束条件，其中w为车辆的所有起终点的集合；式(4)为路段上总的车流量不超过路段通行能力的约束条件，其中需要考虑公交车的停车过程对通行能力的影响，
Figure BDA0002905017730000131
为自-公交混行车道的平均通行能力；式(5)构建了变量
Figure BDA0002905017730000132
与
Figure BDA0002905017730000133
之间的关系；式(6)为路径mn上总的车流量等于各个起终点车流量总和的约束条件；式(7)为决策变量均非负的约束条件。
由于目标函数(1)中存在非线性项与非解析项，原流量分配问题难以直接求解。本发明联合应用了有限差分方法与连续线性规划方法，对提出的流量分配模型进行求解。本发明进一步提出了针对该模型的有效求解算法，即利用有限差分法计算目标函数的近似一阶梯度；应用连续线性规划方法将原非线性规划问题转化为一系列线性规划问题。具体过程如下：
首先，应用有限差分法计算目标函数的近似一阶梯度，计算方法为：
Figure BDA0002905017730000134
其中
Figure BDA0002905017730000135
表示模型的决策变量向量，
Figure BDA0002905017730000136
表示目标函数，Δ表示加在决策变量上的微小扰动。
接着，应用连续线性规划方法将原非线性规划问题转化为一系列线性规划问题。原问题可以表示为：
min.p(z)
s.t.
利用一阶泰勒展开可以近似转化为一系列带有信任域的分段线性规划问题：
Figure BDA0002905017730000137
s.t.
-α≤(d)i≤α，i＝1，···，n
具体的求解步骤如下：
Figure BDA0002905017730000138
Figure BDA0002905017730000141
本发明还提供一种自动驾驶车辆与其他车辆混行的交通控制系统，该系统包括：
车道构建单元，用于构建人工驾驶车辆-自动驾驶车辆混行车道、公交车-自动驾驶车辆混行车道；
车头时距计算单元，用于根据自动驾驶车辆、人工驾驶车辆的数量比例，计算平均车头时距；
通行能力值计算单元，用于基于所述平均车头时距计算人工驾驶车辆-自动驾驶车辆混行车道的通行能力值；
第一车辆通行时间计算单元，用于根据所述通行能力值、人工驾驶车辆与自动驾驶车辆的车流量总和确定人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间；
第二车辆通行时间计算单元，用于获取公交车-自动驾驶车辆混行车道的车辆通行时间；
自动驾驶车辆车流分配单元，用于根据各路段上的所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
可选的，自动驾驶车辆车流分配单元包括：有限差分模块，用于计算目标函数的近似一阶梯度；连续线性规划模块，用于将原非线性规划问题转化为一系列线性规划问题。
可选的，第二车辆通行时间计算单元，包括：
公交车描述模块，用于基于公交车到达每个路段的时间刻画公交车；
路段描述模块，根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差，所述路段包括普通路段、进口路段、出口路段、超车路段、不超车路段；
时空轨迹规划模块，基于自动驾驶车辆的起始点和目的点，在各路段上为自动驾驶车辆分配时空轨迹；
路段通行时间计算模块，计算自动驾驶车辆在各不同路段上的通行时间。
该系统还包括：路段通行量计算单元，用于根据公交车在车站的停靠时间，计算各路段的最大通行量。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：该方法、系统充分利用了城市道路资源，发挥了自动驾驶车辆的控制精度高、可协同通行的优势，提高了交通系统的整体通行效率。该方法是一种广义上的快速公交-自动驾驶车辆混行交通、人工驾驶车辆-自动驾驶车辆混行的控制框架，在实际应用过程中可以结合具体情况做出相应修正。
下面说明本发明提出的方法利用验证实验显示的技术效果：
利用数值实验对本发明所提出的方法效果进行验证。图7给出了实验路网图，表1与表2分别给出了自-公交混行车道的公交站和进出口参数设置情况。表3给出了车辆的交通流量设置情况，自动驾驶车辆与手自动驾驶车辆均有8个OD对，自动驾驶车辆的数量比例为50％，β2为调节流量大小的参数。
表1.自-公交混行车道的公交站设置
Figure BDA0002905017730000161
表2.自-公交混行车道的进出口设置
Figure BDA0002905017730000162
表3.自动驾驶车辆与手自动驾驶车辆交通流量设置
Figure BDA0002905017730000163
为了测试公交车周期与交通流量对实验结果的影响，公交车的周期分别设定为120秒、180秒和240秒，车辆的交通流量参数从1.5增加到2.5。为了评估本发明提出的方法的性能，选择车辆的平均行驶速度作为技术指标，将禁止自动驾驶车辆使用公交专用道的场景作为对比基准。
图8给出了不同公交车周期下的实验结果。结果显示，与基准相比车辆的平均速度在不同实验场景下均有提升，提升的程度随着周期的增大而增大。此外，当车流量较小时(β2＜1.6)，应用本方法取得的交通效率的提升效果不明显；但随着交通流量的增大，交通效率的提升变得显著，这说明本方法更适用于交通流量较大的场景。
图9、图10和图11分别给出了当流量参数为1.7、2和2.3场景下的自动驾驶车辆车流分配结果以及车辆平均速度分布结果。以图4为例解释图的含义：图由上下两部分构成，每部分均为两条混行车道的路网拓扑图，图的上半部分示出了实验得到的自动驾驶车辆车流的分配结果，图的下半部分别示出了车流分配前与分配后的车辆平均速度分布结果。对比图9、图10和图11可以看出，随着车流量的增加，手-自动混行车道上的拥堵情况逐渐加剧，同时被分配到自-公交混行车道上的自动驾驶车辆增多，通过车流分配，手-自动混行车道上的拥堵情况得到了明显缓解。这验证了本发明提出的方法可以响应交通流量的变化，通过合理地分配自动驾驶车辆的车流量以提高交通效率。
此外，对本方法的实施效果影响较大的另一个因素是自动驾驶车辆的数量比例。因此，本实验设置自动驾驶车辆的数量比例由10％增大到100％(间隔为10％)，进一步探究了在不同自动驾驶车辆数量比例情况下的方法性能，结果如图12所示。观察发现，车辆的平均速度随着自动驾驶车辆比例的增加而增大，而且在不同交通流量下平均速度的变化趋势不同；当车流量较低时(β2＝1.8/2)，随着自动驾驶车辆比例的增加平均速度先增加后保持不变；当车流量较高时(β2＝2.2)，平均速度随着自动驾驶车辆比例一直增加，说明在这种情况下有更多的自动驾驶车辆被分配到了自-公交混行车道。
值得一提的是，本方法得到的车流量分配结果是实现系统最优的结果，而不是车辆个体最优的路径选择的结果。表4给出了不同OD对的自动驾驶车辆车流的最短旅行成本和按照本方法的分配结果的旅行成本的对比。对比显示，对于部分车辆而言，被分配的路径对应的旅行时间与其最小值有些差距，但差距比较小，说明本方法在一定程度上可以保证车辆个体的利益。
表4.车辆最小旅行成本与实际旅行成本对比
Figure BDA0002905017730000181
最后，为了探究本发明所提出的求解算法的效率，绘制了在求解过程中每一步迭代后目标函数值的收敛曲线，如图13所示，其中p(z)为实际的目标函数值，pl(z)为用连续线性规划方法估计的目标函数值。观察可得，目标函数值在有限的迭代次数内快速收敛，这验证了本发明所提出的求解算法的高效性。
本发明基于自动驾驶与车联网环境下，提出了城市快速公交与自动驾驶车辆混行交通的控制方法，通过对自动驾驶车辆车流在具有不同通行权的道路间进行分配，在不影响公交车运行的情况下，实现了整体交通效率的最大化。对该发明所提出的方法效果进行验证，结果显示本方法在各种场景下均可以提升道路的通行效率，且道路效率的提升程度随着车流量的增大而增大。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

Claims (10)

1.一种自动驾驶车辆与其他车辆混行的交通控制方法，其特征在于，该方法包括：
构建人工驾驶车辆-自动驾驶车辆混行车道、公交车-自动驾驶车辆混行车道；
根据自动驾驶车辆、人工驾驶车辆的数量比例，计算平均车头时距；
基于所述平均车头时距计算人工驾驶车辆-自动驾驶车辆混行车道的通行能力值；
根据所述通行能力值、人工驾驶车辆与自动驾驶车辆的车流量总和确定人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间；
获取公交车-自动驾驶车辆混行车道的车辆通行时间；
基于各路段上所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
2.根据权利要求1所述的方法，其特征还在于，进行自动驾驶车辆车流分配包括：利用有限差分法计算目标函数的近似一阶梯度；应用连续线性规划方法将原非线性规划问题转化为一系列线性规划问题。
3.根据权利要求1所述的方法，其特征还在于，获取公交车-自动驾驶车辆混行车道的车辆通行时间，包括：
基于公交车到达每个路段的时间刻画公交车；
根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差，所述路段包括普通路段、进口路段、出口路段、超车路段、不超车路段；
基于自动驾驶车辆的起始点和目的点，在各路段上为自动驾驶车辆分配时空轨迹；
计算自动驾驶车辆在各不同路段上的通行时间。
4.根据权利要求3所述的方法，其特征还在于，该方法还包括：根
据公交车在车站的停靠时间，计算各路段的最大通行量。
5.根据权利要求4所述的方法，其特征还在于，根据各路段的最大
通行量、各路段上所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
6.一种自动驾驶车辆与其他车辆混行的交通控制系统，其特征在于，该系统包括：
车道构建单元，用于构建人工驾驶车辆-自动驾驶车辆混行车道、公交车-自动驾驶车辆混行车道；
车头时距计算单元，用于根据自动驾驶车辆、人工驾驶车辆的数量比例，计算平均车头时距；
通行能力值计算单元，用于基于所述平均车头时距计算人工驾驶车辆-自动驾驶车辆混行车道的通行能力值；
第一车辆通行时间计算单元，用于根据所述通行能力值、人工驾驶车辆与自动驾驶车辆的车流量总和确定人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间；
第二车辆通行时间计算单元，用于获取公交车-自动驾驶车辆混行车道的车辆通行时间；
自动驾驶车辆车流分配单元，用于根据各路段上的所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
7.根据权利要求6所述的系统，其特征还在于，自动驾驶车辆车流分配单元包括：有限差分模块，用于计算目标函数的近似一阶梯度；连续线性规划模块，用于将原非线性规划问题转化为一系列线性规划问题。
8.根据权利要求6所述的系统，其特征还在于，第二车辆通行时间计算单元，包括：
公交车描述模块，用于基于公交车到达每个路段的时间刻画公交车；
路段描述模块，根据公交车的行驶时间与周期，计算各路段的局部坐标与相位差，所述路段包括普通路段、进口路段、出口路段、超车路段、不超车路段；
时空轨迹规划模块，基于自动驾驶车辆的起始点和目的点，在各路段上为自动驾驶车辆分配时空轨迹；
路段通行时间计算模块，计算自动驾驶车辆在各不同路段上的通行时间。
9.根据权利要求6所述的系统，其特征还在于，该系统还包括：路段通行量计算单元，用于根据公交车在车站的停靠时间，计算各路段的最大通行量。
10.根据权利要求9所述的系统，其特征还在于，自动驾驶车辆车流分配单元根据各路段的最大通行量、各路段上所述人工驾驶车辆-自动驾驶车辆混行车道上的车辆通行时间、公交车-自动驾驶车辆混行车道的车辆通行时间、人工驾驶车辆与自动驾驶车辆的车流量进行自动驾驶车辆车流分配以最小化路网的整体旅行时间。
CN202110068314.5A 2021-01-04 2021-01-19 一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统 Active CN112907946B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110003492X 2021-01-04
CN202110003492 2021-01-04

Publications (2)

Publication Number Publication Date
CN112907946A true CN112907946A (zh) 2021-06-04
CN112907946B CN112907946B (zh) 2022-07-08

Family

ID=76115466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110068314.5A Active CN112907946B (zh) 2021-01-04 2021-01-19 一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统

Country Status (1)

Country Link
CN (1) CN112907946B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113401234A (zh) * 2021-06-11 2021-09-17 上海振华重工(集团)股份有限公司 一种自动驾驶车辆和人工驾驶车辆混行的方法及系统
CN113506438A (zh) * 2021-06-18 2021-10-15 同济大学 网联自动驾驶混行车流动态控制方法、系统、装置及介质
CN113538937A (zh) * 2021-07-15 2021-10-22 青岛港国际股份有限公司 一种港口混合交通管控系统
CN113919157A (zh) * 2021-10-14 2022-01-11 华中科技大学 考虑不同制式自动驾驶车辆的高速公路通行能力计算方法
CN113920758A (zh) * 2021-10-22 2022-01-11 合肥工业大学 一种允许网联车借用公交专用道的动态调控方法
CN114023066A (zh) * 2021-11-08 2022-02-08 河海大学 一种面向自动驾驶的专用车道交通流量控制方法
CN114897306A (zh) * 2022-04-12 2022-08-12 重庆大学 一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法
CN114973737A (zh) * 2022-06-07 2022-08-30 清华大学 一种自动驾驶车辆进出自动驾驶专用车道方式控制方法
CN115601954A (zh) * 2022-12-13 2023-01-13 西南交通大学（Cn） 一种智能网联车队的换道判断方法、装置、设备及介质
CN116363905A (zh) * 2023-05-19 2023-06-30 吉林大学 一种异质交通流合流区换道时机判别及主动安全控制方法
CN116524722A (zh) * 2023-06-26 2023-08-01 浙江大学 面向混行交通流的车辆生态驾驶控制方法、电子设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150289109A1 (en) * 2008-01-03 2015-10-08 Airsmobile Inc. Method for requesting transportation services
CN107038863A (zh) * 2017-05-17 2017-08-11 东南大学 一种考虑综合交通管理措施的城市道路网络广义路权计算方法
CN108399762A (zh) * 2018-05-08 2018-08-14 北京航空航天大学 一种自动驾驶和人工驾驶车辆混行条件下的交叉口通行控制方法
CN109410619A (zh) * 2018-12-04 2019-03-01 清华大学 一种用于自动驾驶车辆的控制方法和系统
CN109493588A (zh) * 2018-11-22 2019-03-19 交通运输部公路科学研究所 一种新型智能化定制公交的车路协同控制系统及方法
CN111081065A (zh) * 2019-12-13 2020-04-28 北京理工大学 路段混行条件下的智能车辆协同换道决策模型
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
US20200193808A1 (en) * 2018-12-18 2020-06-18 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for processing traffic objects
CN111508247A (zh) * 2020-04-23 2020-08-07 河海大学 一种面向自动驾驶的公交优先道路交通协同诱导方法
CN111785025A (zh) * 2020-07-22 2020-10-16 北京航空航天大学 一种基于自动驾驶模块车的新型灵活公交调度方法
CN112102631A (zh) * 2020-11-17 2020-12-18 长沙理工大学 一种混入自动驾驶车辆的城市交叉口交通控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150289109A1 (en) * 2008-01-03 2015-10-08 Airsmobile Inc. Method for requesting transportation services
CN107038863A (zh) * 2017-05-17 2017-08-11 东南大学 一种考虑综合交通管理措施的城市道路网络广义路权计算方法
CN108399762A (zh) * 2018-05-08 2018-08-14 北京航空航天大学 一种自动驾驶和人工驾驶车辆混行条件下的交叉口通行控制方法
CN109493588A (zh) * 2018-11-22 2019-03-19 交通运输部公路科学研究所 一种新型智能化定制公交的车路协同控制系统及方法
CN109410619A (zh) * 2018-12-04 2019-03-01 清华大学 一种用于自动驾驶车辆的控制方法和系统
US20200193808A1 (en) * 2018-12-18 2020-06-18 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for processing traffic objects
CN111081065A (zh) * 2019-12-13 2020-04-28 北京理工大学 路段混行条件下的智能车辆协同换道决策模型
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
CN111508247A (zh) * 2020-04-23 2020-08-07 河海大学 一种面向自动驾驶的公交优先道路交通协同诱导方法
CN111785025A (zh) * 2020-07-22 2020-10-16 北京航空航天大学 一种基于自动驾驶模块车的新型灵活公交调度方法
CN112102631A (zh) * 2020-11-17 2020-12-18 长沙理工大学 一种混入自动驾驶车辆的城市交叉口交通控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘天天: "智能网联环境下交叉口混行车队通行模型构建", 《交通运输研究》 *
刘天天: "智能网联环境下交叉口混行车队通行模型构建", 《交通运输研究》, 25 December 2020 (2020-12-25) *
王玥: "自动车轨迹与动态信号协同控制优化方法与仿真研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王玥: "自动车轨迹与动态信号协同控制优化方法与仿真研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 March 2020 (2020-03-15) *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113401234B (zh) * 2021-06-11 2023-05-02 上海振华重工(集团)股份有限公司 一种自动驾驶车辆和人工驾驶车辆混行的方法及系统
CN113401234A (zh) * 2021-06-11 2021-09-17 上海振华重工(集团)股份有限公司 一种自动驾驶车辆和人工驾驶车辆混行的方法及系统
CN113506438A (zh) * 2021-06-18 2021-10-15 同济大学 网联自动驾驶混行车流动态控制方法、系统、装置及介质
CN113506438B (zh) * 2021-06-18 2022-07-05 同济大学 网联自动驾驶混行车流动态控制方法、系统、装置及介质
CN113538937A (zh) * 2021-07-15 2021-10-22 青岛港国际股份有限公司 一种港口混合交通管控系统
CN113919157A (zh) * 2021-10-14 2022-01-11 华中科技大学 考虑不同制式自动驾驶车辆的高速公路通行能力计算方法
CN113919157B (zh) * 2021-10-14 2024-04-30 华中科技大学 考虑不同制式自动驾驶车辆的高速公路通行能力计算方法
CN113920758A (zh) * 2021-10-22 2022-01-11 合肥工业大学 一种允许网联车借用公交专用道的动态调控方法
CN113920758B (zh) * 2021-10-22 2022-07-05 合肥工业大学 一种允许网联车借用公交专用道的动态调控方法
CN114023066A (zh) * 2021-11-08 2022-02-08 河海大学 一种面向自动驾驶的专用车道交通流量控制方法
CN114897306A (zh) * 2022-04-12 2022-08-12 重庆大学 一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法
CN114897306B (zh) * 2022-04-12 2024-04-26 重庆大学 一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法
CN114973737B (zh) * 2022-06-07 2023-09-26 清华大学 一种自动驾驶车辆进出自动驾驶专用车道方式控制方法
CN114973737A (zh) * 2022-06-07 2022-08-30 清华大学 一种自动驾驶车辆进出自动驾驶专用车道方式控制方法
CN115601954A (zh) * 2022-12-13 2023-01-13 西南交通大学（Cn） 一种智能网联车队的换道判断方法、装置、设备及介质
CN116363905A (zh) * 2023-05-19 2023-06-30 吉林大学 一种异质交通流合流区换道时机判别及主动安全控制方法
CN116363905B (zh) * 2023-05-19 2023-09-05 吉林大学 一种异质交通流合流区换道时机判别及主动安全控制方法
CN116524722A (zh) * 2023-06-26 2023-08-01 浙江大学 面向混行交通流的车辆生态驾驶控制方法、电子设备
CN116524722B (zh) * 2023-06-26 2023-10-13 浙江大学 面向混行交通流的车辆生态驾驶控制方法、电子设备

Also Published As

Publication number Publication date
CN112907946B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN112907946B (zh) 一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统
CN111445692B (zh) 一种无信号灯路口智能网联汽车的速度协同优化方法
CN108510764B (zh) 一种基于q学习的多路口自适应相位差协调控制系统及方法
CN109410619B (zh) 一种单行道路网下的自动化交通管控方法和系统
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
CN114283607B (zh) 一种基于分布式群智学习的多车协同规划方法
CN111899534A (zh) 基于道路实时容量的交通灯智能控制方法
CN104499393B (zh) 均衡公交车乘客和私家车出行成本的公交专用道规划方法
CN108877253A (zh) 一种基于物联网的公交专用道资源动态共享方法及系统
CN106023611B (zh) 一种两段式干线协调信号控制优化方法
CN102360522A (zh) 一种高速公路优化控制方法
CN113593228B (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN110097751A (zh) 一种两相位信号控制交叉口行人专用相位动态设置方法
CN113312752B (zh) 一种主路优先控制交叉口交通仿真方法及装置
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. Assessing the potential of the strategic formation of urban platoons for shared automated vehicle fleets
CN106205123B (zh) 一种一体化干线交叉口群时空资源配置方法
CN113409567B (zh) 一种公交与自动驾驶车辆混行车道的交通评估方法和系统
CN115482663B (zh) 一种考虑自动驾驶专用相位的交叉口交通控制方法
Yang et al. Simulation comparisons of vehicle-based and movement-based traffic control for autonomous vehicles at isolated intersections
CN112750298B (zh) 一种基于smdp和drl的货车编队动态资源分配方法
CN110930691B (zh) 一种全自动驾驶环境下网络交通流双层控制方法
Zhang et al. Schedule-driven signal priority control for modern trams using reinforcement learning
Yang et al. Simulation Comparisons of Vehicle-based and Phase-based Traffic Control for Autonomous Vehicles at Isolated Intersections
Zeng et al. Comprehensive Multi-Layered and Time-Dependent Congestion Control Strategy for Mixed Traffic Flow

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