CN113299107A - 一种多目标融合的交叉口动态车辆网联速度引导控制方法 - Google Patents

Abstract

本发明公开了一种多目标融合的交叉口动态车辆网联速度引导控制方法，根据车辆及道路信息，设定合理的初始车辆预测范围，制定车辆运行过程中多目标融合下的目标函数；采用滚动时域的模型预测控制的方法，将智能网联环境下的所有自动驾驶车辆进行动态车队划分，并优化车队的运行效率并保障车队运行的安全性与稳定性；采用二次规划求解的方法，求解车辆的控制变量与状态变量在多目标融合后的优化结果，并给车辆运行提供动态速度建议。本发明可以有效弥补现有车辆网联速度引导控制方法的缺陷。

Description

一种多目标融合的交叉口动态车辆网联速度引导控制方法

技术领域

本发明属于智能交通领域，特别涉及了一种交叉口动态车辆网联速度引导控制方法。

背景技术

车辆行驶速度对于公路改善道路通行能力，满足日益增长的城际交通需求以及缓解交通压力等方面都有积极的意义。虽然城市公路大多数路段都有具有最高速度限制，但公路是一个包含人、车、路、环境为一体的动态系统，在不同状态下车辆最佳速度可能是动态变化的。

随着智能网联技术的发展，网联车逐渐越来越多地出现在实际道路上。而在网联环境下，计算机可以更好地追踪车辆的驾驶状态，并对车辆的速度与安全性驾驶做分析。因此，如何准确对交叉口道路上车辆行驶实时动态地提出建议速度，提高出行的快速性与安全性，成为当前工程技术领域关注的热点。

目前，国内外的车辆网联速度引导控制方法主要是将85％位车速作为公路路段最高车速限制，进行道路车辆网联速度引导控制。但这种方法对于车速改善及行车安全的作用取决于车速分布的离散程度，即车速的离散型性越小，作用越明显，此外对于拥堵等情况下的车辆网联速度引导控制作用较小。

可变限速控制策略是另一种目前较为广泛应用的道路车速建议方法，利用阶梯限速控制、Q学习算法等方法针对不同驾驶环境及车流量的变化对车辆速度进行动态控制。但可变限速的控制策略并不能达到针对车辆速度进行实时监测与控制的目的，无法使得调控中心根据实际情况调整车辆的建议速度。

Meng Wang等人假设在全自动驾驶车辆的环境下，利用模型预测控制算法控制车辆的速度，从而保证车辆的行驶安全性并提高车辆运行效率。但其主要针对单个车辆进行求解速度的局部最优解，并不能从路段上车队的角度寻找每个车辆速度的全局最优解。现有专利对交叉口各进口道的流向对所有车辆进行分组，并获得控制单元发送的通过时间，从而根据通过时间生成车辆行驶轨迹。但是这种车辆引导控制方式对于车辆轨迹的控制不准确，将会降低交叉口的道路通行能力。

综上所述，现有车辆网联速度引导控制方法的主要缺点如下：

1、传统的基于85％位车速的车辆网联速度引导控制方法没有考虑车队中每个车辆实时动态变化对道路总流量的影响；

2、智能网联环境下，考虑可变限速的车辆速度控制方法并不一定能很好地满足车辆运行的效率需求；

3、目前车辆速度控制算法大部分只对道路上的单个车辆进行控制，而不是考虑车队总体速度的全局最优解；

4、车辆引导控制算法的目标往往单一，无法同时考虑车辆的效率、排放、油耗、驾驶员舒适度等因素，得到综合最优的车队速度引导控制算法。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种多目标融合的交叉口动态车辆网联速度引导控制方法。

为了实现上述技术目的，本发明的技术方案为：

一种多目标融合的交叉口动态车辆网联速度引导控制方法，包括以下步骤：

(1)收集当前交叉口路段上目前时刻所有车辆的位置、速度信息以及该交叉口红绿灯周期信息；

(2)设接收当前所有信息的时刻为t₀，当前信号灯周期中绿灯结束时间为t_g1,e，则从t₀到t_g1.e的时间作为当前信号灯周期下模型预测控制的时间范围，t_gk,e表示第k个信号周期中绿灯结束时间；

(3)制定采样时间间隔并进行模型预测；

(4)将车辆的运行效率作为车辆运行过程的优化目标；

(5)制定约束条件，并根据车辆动力学原理将模型预测控制问题转化为二次规划的问题；

(6)根据信号周期的绿灯时间进行进行车队划分，将每一信号周期内通过交叉口的车辆视为一个车队；

(7)求解此二次规划问题的最优解，得到考虑多目标的车队全程预测速度和轨迹；

(8)重复步骤(6)-(7)，直至计算出所有车队的全程预测速度和轨迹；

(9)将车队全程预测速度和轨迹中的下一时刻速度提取出来作为各车辆的建议速度，并实时发送至各车辆；

(10)查看是否有新车进入交叉口路段控制范围内，更新当前道路上未通过该交叉口的车辆数量及每辆车辆的位置和速度信息；

(11)重复步骤(2)-(10)，直至所有车辆通过交叉口。

进一步地，步骤(3)的具体过程如下：

(301)制定采样时间间隔为1秒；

(302)确定在目前预测时间范围内，需要进行j＝t_gk,e-t₀次的预测，每一次预测时间分别表示为t₀，t₁.....t_gk,e；

(303)预测全过程中车的位置、速度与加速度状态，表示为矩阵y：

其中，X_t、V_t、a_t分别为t时刻车辆的位置、速度和加速度，上标T表示转置。

进一步地，在步骤(4)中，优化目标如下：

其中，F表示目标函数，X_n,t、V_n,t、a_n,t分别为t时刻第n辆车的位置、速度和加速度，L为车辆速度，τ_safe为安全车头时距，α₁、α₂、α₃为各项的权重。

进一步地，在步骤(5)中，约束条件包括

位置约束：

L+V_n,t·τ_safe≤X_n-1,t-X_n,t

其中，l为交叉口的位置，

为t_gk,e时刻第n辆车的位置；

速度约束：

0≤V_n,t≤V_free

其中，V_free为车辆在当前路段的最高允许通行速度；

加速度约束：

a_min≤a_n,t≤a_max

其中，a_min和a_max分别为车辆允许的最小加速度和最大加速度；

驾驶员舒适度约束：

J_min≤J_n,t≤J_max

其中，J_n,t为t时刻第n辆车的驾驶员舒适度，J_min和J_max分别为驾驶员舒适度的最小值和最大值。

进一步地，在步骤(5)中，根据车辆动力学原理得到某一时刻当前路段上的所有车辆运行的状态空间方程：

其中，P_t＝[X_1,t,V_1,t,...,X_N,t,V_N,t]^T，a_t＝[a_1,t,...,a_N,t]^T，N为车辆数目。

进一步地，在步骤(5)中，将模型预测控制问题转化为二次规划的问题：

s.t.y_min≤y≤y_max

Aeq·y＝beq

G≤Ey

其中：

f＝[f₁ f₂ … f₁f₂]^T，f∈R^3Nj+2N

f₁＝[-2l 0 0 2lτ_safe … 0 2lτ_safe 2l 2lτ_safe]^T,f₁∈R^2N

f₂＝[0 0 … 0]^T,f₂∈R^Nj

y_min＝[yy₄,…yy₄,yy₃,a_min,…a_min]^T,y_min∈R^3Nj+2N

yy₃＝[0 0 … 0],yy₃∈R^1·2N

y_max＝[yy₁,yy₂,…yy₂,a_max,…a_max]^T,y_max∈R^3Nj+2N

yy₁＝[0 V_free … 0 V_free],yy₃∈R^1·2N

yy₂＝[NA V_free … NA V_free],yy₂∈R^1·2N

beq＝[bb aa … aa],beq∈R^2Nj+2N

aa＝[0 0 … 0],aa∈R^2N

G＝[0 0 … 0],G∈R^3Nj+2N

E＝[e₁ e₂],E∈R^{(2Nj+2N)·(3Nj+2N)}

其中，j表示预测次数，NA表示正无穷，

表示t₀时刻车队中第一辆车的位置，

表示t₀时刻车队中第N辆车的位置。

采用上述技术方案带来的有益效果：

本发明对车辆效率、安全、驾驶员舒适度、排放等因素进行综合考虑和优化，满足多目标要求的车队控制方式。本发明采用滚动时域的模型预测控制的方法，将智能网联环境下的所有自动驾驶车辆进行动态车队划分，优化车队的运行效率，并保障车队运行的安全性与稳定性。本发明采取合适的控制时序和预测时序对车队中所有车辆的行驶过程进行预测控制，大大增强了系统的鲁棒性和可靠性，也为进一步混合车队的速度引导控制技术的发展奠定基础。

附图说明

图1是本发明的方法流程图；

图2是本发明中模型预测控制的示意图；

图3是本发明中车辆划分车队示意图；

图4是本发明中车队划分流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了一种多目标融合的交叉口动态车辆网联速度引导控制方法，如图1所示，步骤如下：

一种多目标融合的交叉口动态车辆网联速度引导控制方法，包括以下步骤：

步骤1：通过V2V(Vehicle to Vehicle)及V2I(Vehicle to Infrastructure)通信技术，收集当前交叉口路段上目前时刻所有车辆的位置、速度信息以及该交叉口红绿灯周期信息。

步骤2：设接收当前所有信息的时刻为t₀，当前信号灯周期中绿灯结束时间为t_g1,e，则从t₀到t_g1.e的时间作为当前信号灯周期下模型预测控制的时间范围，t_gk,e表示第k个信号周期中绿灯结束时间，如图2所示。

步骤3：制定采样时间间隔并进行模型预测。

步骤4：将车辆的运行效率作为车辆运行过程的优化目标。

步骤5：制定约束条件，并根据车辆动力学原理将模型预测控制问题转化为二次规划的问题。

步骤6：根据信号周期的绿灯时间进行进行车队划分，将每一信号周期内通过交叉口的车辆视为一个车队，如图3和图4所示。

步骤7：求解此二次规划问题的最优解，得到考虑多目标的车队全程预测速度和轨迹。

步骤8：重复步骤6-7，直至计算出所有车队的全程预测速度和轨迹。

步骤9：将车队全程预测速度和轨迹中的下一时刻速度提取出来作为各车辆的建议速度，并实时发送至各车辆。

步骤10：查看是否有新车进入交叉口路段控制范围内，更新当前道路上未通过该交叉口的车辆数量及每辆车辆的位置和速度信息。

步骤11：重复步骤2-10，直至所有车辆通过交叉口。

在本实施例中，优选地，上述步骤3的具体过程如下：

301、制定采样时间间隔为1秒；

302、确定在目前预测时间范围内，需要进行j＝t_gk,e-t₀次的预测，每一次预测时间分别表示为t₀，t₁.....t_gk,e；

303、预测全过程中车的位置、速度与加速度状态，表示为矩阵y：

其中，X_t、V_t、a_t分别为t时刻车辆的位置、速度和加速度，上标T表示转置。

在本实施例中，优选地，在上述步骤4中，优化目标如下：

其中，F表示目标函数，X_n,t、V_n,t、a_n,t分别为t时刻第n辆车的位置、速度和加速度，L为车辆速度，τ_safe为安全车头时距，α₁、α₂、α₃为各项的权重。

在本实施例中，优选地，在上述步骤5中，约束条件包括

位置约束：

L+V_n,t·τ_safe≤X_n-1,t-X_n,t

其中，l为交叉口的位置，

为t_gk,e时刻第n辆车的位置；

速度约束：

0≤V_n,t≤V_free

其中，V_free为车辆在当前路段的最高允许通行速度；

加速度约束：

a_min≤a_n,t≤a_max

其中，a_min和a_max分别为车辆允许的最小加速度和最大加速度；

驾驶员舒适度约束：

J_min≤J_n,t≤J_max

其中，J_n,t为t时刻第n辆车的驾驶员舒适度，J_min和J_max分别为驾驶员舒适度的最小值和最大值。

根据车辆动力学原理得到某一时刻当前路段上的所有车辆运行的状态空间方程：

其中，P_t＝[X_1,t,V_1,t,...,X_N,t,V_N,t]^T，a_t＝[a_1,t,...,a_N,t]^T，N为车辆数目。

进一步地，在步骤(5)中，将模型预测控制问题转化为二次规划的问题：

s.t.y_min≤y≤y_max

Aeq·y＝beq

G≤Ey

其中：

f＝[f₁ f₂ … f₁f₂]^T，f∈R^3Nj+2N

f₁＝[-2l 0 0 2lτ_safe … 0 2lτ_safe 2l 2lτ_safe]^T,f₁∈R^2N

f₂＝[0 0 … 0]^T,f₂∈R^Nj

y_min＝[yy₄,…yy₄,yy₃,a_min,…a_min]^T,y_min∈R^3Nj+2N

yy₃＝[0 0 … 0],yy₃∈R^1·2N

y_max＝[yy₁,yy₂,…yy₂,a_max,…a_max]^T,y_max∈R^3Nj+2N

yy₁＝[0 V_free … 0 V_free],yy₃∈R^1·2N

yy₂＝[NA V_free … NA V_free],yy₂∈R^1·2N

beq＝[bb aa … aa],beq∈R^2Nj+2N

aa＝[0 0 … 0],aa∈R^2N

G＝[0 0 … 0],G∈R^3Nj+2N

E＝[e₁ e₂],E∈R^{(2Nj+2N)·(3Nj+2N)}

其中，j表示预测次数，NA表示正无穷，

表示t₀时刻车队中第一辆车的位置，

表示t₀时刻车队中第N辆车的位置。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种多目标融合的交叉口动态车辆网联速度引导控制方法，其特征在于，包括以下步骤：

(1)收集当前交叉口路段上目前时刻所有车辆的位置、速度信息以及该交叉口红绿灯周期信息；

(2)设接收当前所有信息的时刻为t₀，当前信号灯周期中绿灯结束时间为t_g1,e，则从t₀到t_g1.e的时间作为当前信号灯周期下模型预测控制的时间范围，t_gk,e表示第k个信号周期中绿灯结束时间；

(3)制定采样时间间隔并进行模型预测；

(4)将车辆的运行效率作为车辆运行过程的优化目标；

(5)制定约束条件，并根据车辆动力学原理将模型预测控制问题转化为二次规划的问题；

(6)根据信号周期的绿灯时间进行进行车队划分，将每一信号周期内通过交叉口的车辆视为一个车队；

(7)求解此二次规划问题的最优解，得到考虑多目标的车队全程预测速度和轨迹；

(8)重复步骤(6)-(7)，直至计算出所有车队的全程预测速度和轨迹；

(9)将车队全程预测速度和轨迹中的下一时刻速度提取出来作为各车辆的建议速度，并实时发送至各车辆；

(10)查看是否有新车进入交叉口路段控制范围内，更新当前道路上未通过该交叉口的车辆数量及每辆车辆的位置和速度信息；

(11)重复步骤(2)-(10)，直至所有车辆通过交叉口。

2.根据权利要求1所述多目标融合的交叉口动态车辆网联速度引导控制方法，其特征在于，步骤(3)的具体过程如下：

(301)制定采样时间间隔为1秒；

(302)确定在目前预测时间范围内，需要进行j＝t_gk,e-t₀次的预测，每一次预测时间分别表示为t₀，t₁.....t_gk,e；

(303)预测全过程中车的位置、速度与加速度状态，表示为矩阵y：

其中，X_t、V_t、a_t分别为t时刻车辆的位置、速度和加速度，上标T表示转置。

3.根据权利要求2所述多目标融合的交叉口动态车辆网联速度引导控制方法，其特征在于，在步骤(4)中，优化目标如下：

其中，F表示目标函数，X_n,t、V_n,t、a_n,t分别为t时刻第n辆车的位置、速度和加速度，L为车辆速度，τ_safe为安全车头时距，α₁、α₂、α₃为各项的权重。

4.根据权利要求3所述多目标融合的交叉口动态车辆网联速度引导控制方法，其特征在于，在步骤(5)中，约束条件包括

位置约束：

L+V_n,t·τ_safe≤X_n-1,t-X_n,t

其中，l为交叉口的位置，

为t_gk,e时刻第n辆车的位置；

速度约束：

0≤V_n,t≤V_free

其中，V_free为车辆在当前路段的最高允许通行速度；

加速度约束：

a_min≤a_n,t≤a_max

其中，a_min和a_max分别为车辆允许的最小加速度和最大加速度；

驾驶员舒适度约束：

J_min≤J_n,t≤J_max

其中，J_n,t为t时刻第n辆车的驾驶员舒适度，J_min和J_max分别为驾驶员舒适度的最小值和最大值。

5.根据权利要求4所述多目标融合的交叉口动态车辆网联速度引导控制方法，其特征在于，在步骤(5)中，根据车辆动力学原理得到某一时刻当前路段上的所有车辆运行的状态空间方程：

其中，P_t＝[X_1,t,V_1,t,...,X_N,t,V_N,t]^T，a_t＝[a_1,t,...,a_N,t]^T，N为车辆数目。

6.根据权利要求5所述多目标融合的交叉口动态车辆网联速度引导控制方法，其特征在于，在步骤(5)中，将模型预测控制问题转化为二次规划的问题：

s.t.y_min≤y≤y_max

Aeq·y＝beq

G≤Ey

其中：

f＝[f₁ f₂ … f₁f₂]^T，f∈R^3Nj+2N

f₁＝[-2l 0 0 2lτ_safe … 0 2lτ_safe 2l 2lτ_safe]^T,f₁∈R^2N

f₂＝[0 0 ... 0]^T,f₂∈R^Nj

y_min＝[yy₄,…yy₄,yy₃,a_min,…a_min]^T,y_min∈R^3Nj+2N

yy₃＝[0 0 … 0],yy₃∈R^1·2N

y_max＝[yy₁,yy₂,…yy₂,a_max,…a_max]^T,y_max∈R^3Nj+2N

yy₁＝[0 V_free … 0 V_free],yy₃∈R^1·2N

yy₂＝[NA V_free … NA V_free],yy₂∈R^1·2N

beq＝[bb aa … aa],beq∈R^2Nj+2N

aa＝[0 0 … 0],aa∈R^2N

G＝[0 0 … 0],G∈R^3Nj+2N

E＝[e₁ e₂],E∈R^{(2Nj+2N)·(3Nj+2N)}

其中，j表示预测次数，NA表示正无穷，

表示t₀时刻车队中第一辆车的位置，

表示t₀时刻车队中第N辆车的位置。

Images