CN113393688B - 一种基于队列长度预测的交叉口生态驾驶优化方法 - Google Patents

Abstract

本发明公开了一种基于队列长度预测的交叉口生态驾驶优化方法。首先，利用车路通信技术获得交通流和信号灯相位信息，基于运动冲击波模型预测队列排队长度；接下来，考虑排队长度，构建燃油最优车辆轨迹优化问题，并将其简化为停车等待和不停车优化问题，以获取实时解；然后，将获取的实时解作为智能汽车的期望加速度，并且为了保证车辆的安全，必要时，将根据智能驾驶员模型所得的安全加速度作为智能汽车的期望加速度，以避免碰撞。本发明方法使得智能汽车利用车路通信技术获得交通流与信号灯信息，以预测车队长度，所设计的生态驾驶算法避免了车辆在交叉口处的剧烈加减速，从而减少智能汽车通过交叉口时的油耗与行驶时间。

Description

一种基于队列长度预测的交叉口生态驾驶优化方法

技术领域

本发明属于网联环境下生态驾驶技术领域，特别涉及网联环境下交叉口处考虑排队长度的生态驾驶优化方法。

背景技术

近年来，汽车普及率的不断提高导致汽车能耗和排放显著增加，交通运输部门已成为温室气体排放和能源消耗的主要部门，约占全球石油消费量的一半。化石燃料在交通部门的广泛使用已经引起了公众对环境变化和能源可持续性的关注。如何有效降低运输带来的燃油消耗，提高燃油效率是目前迫切需要解决的问题。目前，已经有一些研究通过改进车辆技术和优化交通灯信号来降低油耗。研究表明，司机的驾驶习惯也会影响车辆油耗。生态驾驶技术可以帮助司机最大限度地减少十字路口的加速、减速和怠速，以降低油耗。

目前大多数交叉口的生态驾驶策略只考虑交通灯的信息，旨在减少加速、减速和停车等待产生的怠速时间。在实际的交通环境中，当车辆在红灯到达路口时，必须减速停车等待，会在交通流中产生向上游扩散的排队冲击波，阻碍车辆通行。受排队长度的影响，即使采用生态驾驶策略，也会为了避免碰撞而发生减速停车的情况。然而，很少有研究考虑车辆排队长度对主干道生态行驶的影响，可能导致速度轨迹次优解。其次，考虑到目前很少使用车-车通信，车路通信技术采用车辆和道路基础设施通信的方式进行传递信息目前的应用范围更广，可以在更大范围内优化车辆轨迹。

发明内容

本发明的目的是提供一种基于队列预测的交叉口生态驾驶优化方法，利用了车路通信技术，使得智能汽车能够获取交通信息以及实时队列长度的预测，从而在通过交叉口时能够最大限度的减小燃油消耗和通行时间。

以上目的通过以下的技术方案实现：

一种基于队列长度预测的交叉口生态驾驶优化方法，包括如下步骤：

步骤1、实时预测队列长度：

智能汽车进入算法预定优化区间时，根据智能汽车与交叉口基础设施通信后获得的交通流信息与信号灯时间，获得排队冲击波、消散冲击波和驶离冲击波速度，基于运动学冲击波模型给出队列长度预测算法，来实时预测交叉口车辆排队长度，进而预测车辆到达交叉口前的最大排队长度。所述的交通流信息包括每个周期车流量和车辆平均驶入速度。

步骤2、构建燃油最优车辆轨迹优化问题：

将燃油最优问题简化为不停车优化子问题和停车等待优化问题，先求解并采用不停车优化问题的解，若不停车优化问题无解，再求解并采用停车等待优化问题的解。

步骤3、考虑预测排队长度的生态驾驶算法：

将燃油最优车辆轨迹优化问题的解作为智能汽车的期望加速度，并且为了保证车辆的安全，当智能汽车与前车距离小于安全行驶距离时，将智能驾驶员模型所得的安全加速度作为智能汽车的期望加速度，从而避免发生碰撞。

步骤1中运动学冲击波模型的排队冲击波速度

消散冲击波速度

和驶离冲击波速度

分别为：

其中，q_m和k_m表示饱和的流量和密度，

和

表示第n个定时周期内的平均到达流量和平均密度，k_j为堵塞密度。

所述的队列长度预测算法为：

其中，s_p(t)为预测的实时队列长度,v₀为车辆自由驾驶的平均速度，

为第n个定时周期中红灯开始时间，

为第n个定时周期中排队长度最大的时间，

为第n个定时周期中队列完全消散的时间，

为第n+1个定时周期中红灯开始时间。

当

和

相遇的时候，车辆前方达到最大排队长度。

步骤2中所述的燃油最优车辆轨迹优化问题为：

其中Fuel(v(t),a(t),θ(t))为燃油消耗模型：

其中α₀，α₁，α₂由智能汽车类型决定的系数，P(t)是智能汽车输出功率，v(t),a(t),θ(t)分别为速度，加速度，道路坡度。

将该最优问题优化为两个问题：

1、停车等待优化问题：

智能汽车在时间t₀以速度v₀进入交叉口的控制路段后，先以恒定加速度a₁减速，然后以恒定的速度行驶，最后以恒定加速度a_min减速停止。当消散冲击波传播到该智能汽车处，智能汽车开始以恒定加速度a_s加速到饱和交通流速度v_m，行驶通过交叉口。停车等待优化子问题表示为：

其中的约束为：

θ(t)＝β

a_min≤a₁≤0

0≤a_s≤a_max

其中，t₁为以a₁匀减速结束的时间，t₂为开始以a_min减速的时间，t_q为车辆减速到0的时间，t_d为开始加速的时间，t_a为加速到饱和流速的时间，t_l为驶出交叉口的时间，a_min为最大减速度，a_max为最大加速度。

2、不停车优化问题：

智能汽车在时间t₀以速度v₀进入交叉口控制路段后，先以恒定加速度a₂减速，然后以恒定速度行驶至时间

当检测到前方队列驶离，智能汽车则以恒定加速度a₃加速到v_m，通过交叉口。不停车优化问题表示为：

其中的约束为：

θ(t)＝β

a_min≤a₂≤0

a_min≤a₃≤a_max

其中，t'₁和t'_a分别为以a₂匀减速结束和以a₃加速度至v_m的时间。

步骤3中所述的考虑队列长度预测的生态驾驶算法如下：

1、如果智能汽车能够以其初始速度v₀通过停车线，而不撞上车队或遇到红灯，则不会对其采取任何控制措施。

2、如果智能汽车在前车车队到达步骤一预测的排队最大长度之前到达交叉口，则优先采用不停车优化问题的解来控制车辆；若不停车优化问题无解，则采用停车等待优化问题的解来控制车辆。当智能车辆与前方车辆的距离小于安全距离时，将切换到智能驾驶员跟驰模型继续行驶。

3、如果智能汽车在队列驶离时到达交叉口，车辆首先保持v₀速度行驶，然后以恒加速度减速到

跟随前方队列通过交叉口。

控制车辆与前车的安全距离：

其中d_min为最小安全距离，H_t为车头时距，v_p为前车速度。

本发明所产生的有益效果如下：

本发明提出了一种基于队列长度预测的交叉口生态驾驶优化方法。该生态驾驶优化方法要求，首先，利用车路通信技术获得交通流和信号灯相位信息，基于运动冲击波模型预测队列排队长度；接下来，考虑排队长度，构建燃油最优车辆轨迹优化问题，并将其简化为停车等待和不停车优化问题，以获取实时解；然后，将获取的实时解作为智能汽车的期望加速度，并且为了保证车辆的安全，必要时，将根据智能驾驶员模型所得的安全加速度作为智能汽车的期望加速度，以避免碰撞。

由此可知，该发明使得智能汽车利用车路通信技术获得交通流与信号灯信息，以预测车队长度，所设计的生态驾驶算法避免了车辆在交叉口处的剧烈加减速，从而减少智能汽车通过交叉口时的油耗与行驶时间。

附图说明

图1是交通冲击波传播示意图；

图2是本发明实施例中信号交叉口的交通动态图；

图3是本发明实施例中智能车辆的速度轨迹图；

图4是交叉口不同智能车辆速度分布图；

图5是不同市场渗透率下交通流的油耗和延时减少程度图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提出了一种基于队列长度预测的交叉口生态驾驶优化方法。该发明包括以下步骤：

步骤1，首先参考图1的交通冲击波传播示意图进行交叉口排队长度预测，当排队冲击波

与消散冲击波

相遇时，周期达到最大的排队长度，然后排队长度以驶离冲击波速度

进行消散。由此得出实时预测交叉口排队长度的方法：

其中，s_p(t)为实时的预测队列长度,v₀为车辆平均行驶速度，

为第n个周期红灯开始时间，

为第n个周期到达最大排队长度时间，

为队列消散的时间，

为第n+1个周期红灯开始时间。

图2是本发明实施例中信号交叉口的交通动态图；

步骤2，通过求解燃油最优车辆轨迹问题对原本需要停车等待的车辆进行求解优化。如图3所示，将燃油最优车辆轨迹问题简化为2个子问题进行求解，将该最优问题优化为两个问题：

考虑车辆停车通过交叉口：

智能汽车在时间t₀以速度v₀进入交叉口的控制路段后，先以恒定加速度a₁减速，然后以恒定的速度行驶(如果有可能)，最后以恒定加速度a_min减速停止。当消散冲击波传播到该智能汽车处，智能汽车开始以恒定加速度a_s加速到饱和交通流速度v_m，行驶通过交叉口。停车等待优化子问题表示为：

其中的约束为：

θ(t)＝β

a_min≤a₁≤0

0≤a_s≤a_max

其中，t₁为以a₁匀减速的时间，t₂为开始以a_min减速的时间，t_q为车辆减速到0的时间，t_d为开始加速的时间，t_a为加速到饱和流速的时间，t_l为驶出交叉口的时间，a_min为最大减速度，a_max为最大加速度。

其中，t₁，t₂，t_q，t_d，t_a，t_l能够按如下公式计算：

t_a＝t_d+τ_s

其中，D为优化区间，L为小车长度，s_p(t_q)为车辆停车前方的排队长度，d_min为最小安全距离，τ_s为车辆以加速度a_s加速到v_m的时间。

考虑车辆不停车通过交叉口：

类似于停车等待优化问题，智能汽车在时间t₀以速度v₀进入交叉口控制路段后，先以恒定加速度a₂减速，然后以恒定速度行驶至时间

当检测到前方队列驶离，智能汽车则以恒定加速度a₃加速到v_m，通过交叉口。不停车优化问题表示为：

其中的约束为：

θ(t)＝β

a_min≤a₂≤0

a_min≤a₃≤a_max

其中，t'₁和t'_a分别为以a₂匀减速结束和以a₃加速度至v_m的时间；t'₁，t'_a，t_l能够按如下公式计算：

步骤3，将考虑预测排队长度的生态驾驶算法得出的速度轨迹实时更新给该智能车辆。

1、如果智能汽车能够以其初始速度v₀通过停车线，而不撞上车队或遇到红灯，则不会对其采取任何控制措施。

2、如果智能汽车在前车车队到达步骤一预测的排队最大长度之前到达交叉口，则优先采用不停车优化问题的解来控制车辆；若不停车优化问题无解，则采用停车等待优化问题的解来控制车辆。当智能车辆与前方车辆的距离小于安全距离时，将切换到智能驾驶员跟驰模型继续行驶。

3、如果自动车辆在队列消散时到达交叉口，车辆首先按照v₀行驶，然后在恒定加速度的情况下减速到

跟随交通流驶出交叉口。

控制车辆与前车的安全距离：

其中d_min为最小安全距离，H_t为车头时距，v_p为前车速度。

智能驾驶员模型：

其中n为车辆编号，

为第n辆车最大加速度，

为自由流速度，δ为加速度指数，v_n为第n辆车当前速度，s^*(v_n,Δv_n)为驾驶员在当前状态下的期望间距，s_n为第n辆车与n-1辆车的车辆间距。计算案例：

利用交通仿真软件VISSIM与MATLAB联合仿真验证本发明的有效性：交叉口入口处上游道路长度设置为500米，车辆进入上游道路的初始速度设置为70公里/小时；采用固定定时方法控制交叉口的交通灯，红灯和绿灯的持续时间分别为40秒和40秒；在交叉口上游500米处设置一个检测器，以便交叉口能够实时采集交通流量信息。

一、生态驾驶算法对单辆智能车辆的控制效果

如图4所示，红色线表示不受生态驾驶算法控制的速度轨迹，a中蓝色曲线表示生态驾驶算法获得的智能车辆A的停车等待速度轨迹，b中蓝色曲线表示生态驾驶算法获得的智能车辆B的不停车通行速度轨迹。与不受生态驾驶算法控制相比，A的油耗和行程时间分别降低了9.4％和0.3％，B的油耗和行程时间分别降低了13.9％和3.7％。由此可见，生态驾驶算法对单车的控制非常有效，会对减少油耗和时延产生积极影响。

二、生态驾驶算法对交通流的影响

研究该生态驾驶算法在不同市场渗透率(MPRs)条件下对整个交通流的影响。通过车路通信技术预测队列长度，在不同市场渗透率条件下，采用生态驾驶算法获取的车辆速度轨迹如图5所示。在图5中，当MPRs分别为20％、50％、80％和100％时油耗可分别节省3％、4.5％、6.0％和6.3％。随着市场渗透率提升，车辆整体油耗在减少，整体延误也将略有改善，这说明生态驾驶算法能够对整个道路的交通流产生积极的影响。

应当指出，以上详细描述了本发明的实施过程，但本发明并不限于上述实施方式中的具体细节。在不脱离本发明原理的前提下，还可以对具体细节做出调整，比如加减速限速以及安全行驶距离等，这些细节也应该视为本发明的保护范围。

Claims (2)

1.一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，包括如下步骤：

步骤1、实时预测队列长度：

智能汽车进入算法预定优化区间时，根据智能汽车与交叉口基础设施通信后获得的交通流信息与信号灯时间，获得排队冲击波、消散冲击波和驶离冲击波速度，基于运动学冲击波模型给出队列长度预测算法，来实时预测交叉口车辆排队长度，进而预测车辆到达交叉口前的最大排队长度；所述的交通流信息包括每个周期车流量和车辆平均驶入速度；

步骤2、构建燃油最优车辆轨迹优化问题：

将燃油最优问题简化为不停车优化子问题和停车等待优化问题，先求解并采用不停车优化问题的解，若不停车优化问题无解，再求解并采用停车等待优化问题的解；

步骤3、考虑预测排队长度的生态驾驶算法：

将燃油最优车辆轨迹优化问题的解作为智能汽车的期望加速度，并且为了保证车辆的安全，当智能汽车与前车距离小于安全行驶距离时，将智能驾驶员模型所得的安全加速度作为智能汽车的期望加速度，从而避免发生碰撞；

步骤1中运动学冲击波模型的排队冲击波速度

消散冲击波速度

和驶离冲击波速度

分别为：

其中，q_m和k_m表示饱和的流量和密度，

和

表示第n个定时周期内的平均到达流量和平均密度，k_j为堵塞密度；

所述的队列长度预测算法为：

其中，s_p(t)为预测的实时队列长度，v₀为车辆自由驾驶的平均速度，

为第n个定时周期中红灯开始时间，

为第n个定时周期中排队长度最大的时间，

为第n个定时周期中队列完全消散的时间，

为第n+1个定时周期中红灯开始时间；

当

和

相遇的时候，车辆前方达到最大排队长度；

步骤2中所述的燃油最优车辆轨迹优化问题为：

其中Fuel(v(t)，a(t)，θ(t))为燃油消耗模型：

其中α₀，α₁，α₂由智能汽车类型决定的系数，P(t)是智能汽车输出功率，v(t)，a(t)，θ(t)分别为速度，加速度，道路坡度；

将该最优问题优化为两个问题：

1、停车等待优化问题：

智能汽车在时间t₀以速度v₀进入交叉口的控制路段后，先以恒定加速度a₁减速，然后以恒定的速度行驶，最后以恒定加速度a_min减速停止；当消散冲击波传播到该智能汽车处，智能汽车开始以恒定加速度a_s加速到饱和交通流速度v_m，行驶通过交叉口；停车等待优化子问题表示为：

其中的约束为：

θ(t)＝β

a_min≤a₁≤0

0≤a_s≤a_max

其中，t₁为以a₁匀减速结束的时间，t₂为开始以a_min减速的时间，t_q为车辆减速到0的时间，t_d为开始加速的时间，t_a为加速到饱和流速的时间，t_l为驶出交叉口的时间，a_min为最大减速度，a_max为最大加速度；

2、不停车优化问题：

智能汽车在时间t₀以速度v₀进入交叉口控制路段后，先以恒定加速度a₂减速，然后以恒定速度行驶至时间

当检测到前方队列驶离，智能汽车则以恒定加速度a₃加速到v_m，通过交叉口；不停车优化问题表示为：

其中的约束为：

θ(t)＝β

a_min≤a₂≤0

a_min≤a₃≤a_max

其中，t′₁和t′_a分别为以a₂匀减速结束和以a₃加速度至v_m的时间；

停车等待优化问题中的t₁，t₂，t_q，t_d，t_a，t_l能够按如下公式计算：

v₀+a_I(t₁-t₀)＝-a_min(t_q-t₂)

t_a＝t_d+τ_s

其中，D为优化区间，L为小车长度，s_p(t_q)为车辆停车前方的排队长度，d_min为最小安全距离，τ_s为车辆以加速度a_s加速到v_m的时间；

不停车优化问题中的t′₁，t′_a，t_l能够按如下公式计算：

2.根据权利要求1所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，步骤3中所述的考虑队列长度预测的生态驾驶算法如下：

(1)、如果智能汽车能够以其初始速度v₀通过停车线，而不撞上车队或遇到红灯，则不会对其采取任何控制措施；

(2)、如果智能汽车在前车车队到达步骤一预测的排队最大长度之前到达交叉口，则优先采用不停车优化问题的解来控制车辆；若不停车优化问题无解，则采用停车等待优化问题的解来控制车辆；当智能车辆与前方车辆的距离小于安全距离时，将切换到智能驾驶员跟驰模型继续行驶；

(3)、如果智能汽车在队列驶离时到达交叉口，车辆首先保持v₀速度行驶，然后以恒加速度减速到

跟随前方队列通过交叉口；

控制车辆与前车的安全距离：

其中d_min为最小安全距离，H_t为车头时距，v_p为前车速度。

Images