CN113593226A - 一种混合交通流环境下自动驾驶专用道交叉口控制方法 - Google Patents

一种混合交通流环境下自动驾驶专用道交叉口控制方法 Download PDF

Info

Publication number
CN113593226A
CN113593226A CN202110830537.0A CN202110830537A CN113593226A CN 113593226 A CN113593226 A CN 113593226A CN 202110830537 A CN202110830537 A CN 202110830537A CN 113593226 A CN113593226 A CN 113593226A
Authority
CN
China
Prior art keywords
intersection
automatic driving
vehicle
optimization
internet
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
CN202110830537.0A
Other languages
English (en)
Other versions
CN113593226B (zh
Inventor
马万经
李金珏
俞春辉
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 CN202110830537.0A priority Critical patent/CN113593226B/zh
Publication of CN113593226A publication Critical patent/CN113593226A/zh
Application granted granted Critical
Publication of CN113593226B publication Critical patent/CN113593226B/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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle 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

Abstract

本发明涉及一种混合交通流环境下自动驾驶专用道交叉口控制方法，混合交通流包括网联自动驾驶车辆和普通车，控制方法具体包括以下步骤：S1、在交叉口的每个进道口中增设网联自动驾驶车的网联车专用通道；S2、将增加网联车专用通道后的交叉口信息输入交叉口优化模型，对交叉口控制信息进行协同优化，输出交叉口控制优化信息；S3、实时采集普通车和网联自动驾驶车的到达信息，根据到达信息，通过滚动时域优化方法对交叉口优化模型进行模型优化，转至步骤S2。与现有技术相比，本发明具有在保证交叉口安全的同时，有效提升交叉口通行效率，并且求解方法简单迅速等优点。

Description

一种混合交通流环境下自动驾驶专用道交叉口控制方法
技术领域
本发明涉及交通管理技术领域，尤其是涉及一种网联自动驾驶和普通车辆共存环境下自动驾驶专用道交叉口控制方法。
背景技术
交通拥堵是目前世界上很多国家都面临的一大问题，而城市道路交叉口又是城市交通拥堵最严重的区域，因此如何解决交叉口的拥堵是解决城市交通问题的关键。而交叉口控制是有效解决交叉口拥堵的手段，随着技术的发展，网联自动驾驶车(Connected andautomated Vehicles，CAV)技术的出现，给如何解决交叉口拥堵、提高车辆在交叉口的通行效率、安全性以及环保性又提供了更多的方法与可能性。但是距离所有车辆实现网联自动化还有很长的一段时间，因此如何在过渡时期内混合交通流的状态下实现以上目标是目前亟需解决的问题。
现有技术中能通过车与路侧设备通信(Vehicle-to-Infrastructure，V2I)以及车与车之间的通信(Vehicle-to-Vehicle，V2V)等获得网联自动驾驶车辆(Connected andAutonomous Vehicles，网联自动驾驶车)的实时的速度以及位置，并以此为基础对其进行很好地引导控制。但是对于人工驾驶的车辆(Human-Driven Vehicles，普通车)，其并不具备网联自动驾驶车的以上优势。我们无法准确获取每辆车的车速位置等信息，并且也没法对其进行轨迹控制等等。因此，当这两种差异很大的车辆共存在交叉口环境中时，要如何做到既能利用网联自动驾驶车优势的同时又对交叉口的所有车辆都能有良好的控制是非常有意义的。
目前，大多数涉及网联自动驾驶车的交叉口控制技术基于假定网联自动驾驶车渗透率为100％的条件，同时也有部分技术在考虑混合流的前提下进行了研究，但大部分采用的是网联自动驾驶车与普通车共用车道的情况。由于自动驾驶车可以通过V2I以及V2V来对周围环境的变化进行提前预知，但是普通车无法做到，所以当两者共用车道时自动驾驶车辆的行为可能会对后者造成影响，存在安全隐患。近年来也有相关技术提出了供给自动驾驶车专用道以及单独相位的交叉口控制方法，将网联自动驾驶车的信号相位与普通车的信号相位分开，将两者做到时空上的隔离，但是这种做法将导致交叉口延误不均衡，网联自动驾驶车在这种既有专用道又有专用相位的条件下的延误较低，但是普通车的延误却较高。那么如果只给网联自动驾驶车提供专用道来提高安全性，然后通过对网联自动驾驶车轨迹的有效控制，使得网联自动驾驶车能够与普通车共用相位，那么在某些情况下将有可能进一步提高交叉口的通行效率。
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混合交通流环境下自动驾驶专用道交叉口控制方法，为网联自动驾驶车提供专用车道但是让普通车和网联自动驾驶车共用相位，最大化交叉口的时空资源的利用率，有效减少交叉口的拥堵程度，保证交叉口车辆通行的流畅性和稳定性。
本发明的目的可以通过以下技术方案来实现：
一种混合交通流环境下自动驾驶专用道交叉口控制方法，混合交通流包括网联自动驾驶车辆和普通车，控制方法具体包括以下步骤：
S1、在交叉口的每个进道口中增设网联自动驾驶车的网联车专用通道；
S2、将增加网联车专用通道后的交叉口信息输入交叉口优化模型，对交叉口控制信息进行协同优化，输出交叉口控制优化信息；
S3、实时采集普通车和网联自动驾驶车的到达信息，根据所述到达信息，通过滚动时域优化方法对交叉口优化模型进行模型优化，转至步骤S2。
所述网联车专用通道包括缓冲区域和通过区域，到达的网联自动驾驶车在缓冲区域中形成车队，并等待进入通过区域。
进一步地，所述缓冲区域和通过区域的数量均为1个。
进一步地，所述通过区域一端与交叉口连接，另一端与缓冲区域连接。
进一步地，所述通过区域与缓冲区域位于同一直线上。
所述交叉口控制信息包括交叉口信号配时和网联自动驾驶车辆轨迹。
所述交叉口信号配时在交叉口优化模型中具体采用双环八相位结构进行优化。
进一步地，所述双环八相位结构包括多个信号周期，每个信号周期包括第一阶段和第二阶段，采用重复相位组方法，重复第一相位组和第二相位组，直到预测范围中的网联自动驾驶车和普通车全部放行为止。
进一步地，滚动时域优化方法的过程具体为交叉口优化模型优化后仅执行前两个阶段的信号配时，采集相应时间段内普通车和网联自动驾驶车的到达信息，然后根据到达信息对后一个信号周期的第一阶段进行优化，使得交叉口优化模型能够适应于时变的交通需求。
所述交叉口优化模型具体为三层优化模型，包括上层模型、中层模型和下层模型。
进一步地，所述上层模型优化交叉口信号配时中的相位组时长，中层模型优化交叉口信号配时中的相位时间和相序，下层模型优化网联自动驾驶车辆轨迹。
进一步地，所述上层模型中通过动态规划问题进行优化，以最小化网联自动驾驶车和普通车的总延误；所述中层模型根据上层模型传递的分配给每一个阶段的时长，优化相序和相位时间，然后计算出最小的总车辆延误，并反馈送到上层模型；所述下层模型根据中层模型的信号配时信息，规划网联自动驾驶车车队的轨迹，即其进入通过区域的时间和通过区域的轨迹，以实现最小的网联自动驾驶车延误，并将其反馈到中层模型以计算总的车辆延误。
所述交叉口控制优化信息包括交叉口的最优信号配时和通过区域的最优网联自动驾驶车辆轨迹。
与现有技术相比，本发明具有以下有益效果：
1.本发明在信号周期的设置中使用重复相位组结构的方法，第一阶段和第二阶段的阶段数可以根据不同需求而自适应地变化，充分考虑多次停车车辆的延误并且简化了延误计算，有效提高了计算效率。
2.本发明通过缓冲区域与通过区域的设置使得左转与直行的网络自动驾驶车辆能够共用一根车道并且能够与普通车辆共享相位，最大化交叉口的时空资源利用率的同时确保了网络自动驾驶车的优势得到充分发挥。
3.本发明为了提高模型的普遍适用性，通过约束相位相序使得可以去掉缓冲区域的设置，进而使得交叉口优化模型能够适应于现实中交叉口的情况。
附图说明
图1为本发明的流程示意图；
图2为本发明交叉口中网联车专用通道的结构示意图；
图3为本发明双环八相位结构的结构示意图；
图4为本发明相位结构示例图；
图5为本发明北进口道相位编号p＝1的示意图；
图6为本发明北进口道相位编号p＝2的示意图；
图7为本发明头-尾左转相序下的网联自动驾驶车辆轨迹和车队形成的示意图；
图8为本发明尾-尾左转相序下的网联自动驾驶车辆轨迹和两个车队形成的示意图；
图9为本发明尾-尾左转相序下的网联自动驾驶车辆轨迹和一个车队形成的示意图；
图10为本发明实施例中三段式轨迹规划的示意图；
图11为本发明实施例中拥有相同行驶时间的两条不同轨迹的示意图；
图12为本发明滚动时域优化的流程示意图。
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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种混合交通流环境下自动驾驶专用道交叉口控制方法，混合交通流包括网联自动驾驶车辆和普通车，控制方法具体包括以下步骤：
S1、在交叉口的每个进道口中增设网联自动驾驶车的网联车专用通道；
S2、将增加网联车专用通道后的交叉口信息输入交叉口优化模型，对交叉口控制信息进行协同优化，输出交叉口控制优化信息；
S3、实时采集普通车和网联自动驾驶车的到达信息，根据到达信息，通过滚动时域优化方法对交叉口优化模型进行模型优化，转至步骤S2。
网联车专用通道包括缓冲区域和通过区域，到达的网联自动驾驶车在缓冲区域中形成车队，并等待进入通过区域。
缓冲区域和通过区域的数量均为1个。
通过区域一端与交叉口连接，另一端与缓冲区域连接。
通过区域与缓冲区域位于同一直线上。
交叉口控制信息包括交叉口信号配时和网联自动驾驶车辆轨迹。
如图2所示，交叉口信号配时在交叉口优化模型中具体采用双环八相位结构进行优化，其中双环八相位中每两个分界之间的部分为一个阶段，双环包括第一环和第二环，本实施例中，将每个环和每个阶段相对应的两个相位索引设置为p＝1,2。例如，运动1和5、3和7的相位索引在图3中为p＝1。
双环八相位结构包括多个信号周期，每个信号周期包括第一阶段和第二阶段，采用重复相位组结构方法，重复第一相位组和第二相位组，直到预测范围中的网联自动驾驶车和普通车全部放行为止。
如图12所示，滚动时域优化方法的过程具体为交叉口优化模型优化后仅执行前两个阶段的信号配时，采集相应时间段内普通车和网联自动驾驶车的到达信息，然后根据到达信息对后一个信号周期的第一阶段进行优化，使得交叉口优化模型能够适应于时变的交通需求。
交叉口优化模型具体为三层优化模型，包括上层模型、中层模型和下层模型。
上层模型优化交叉口信号配时中的相位组时长，中层模型优化交叉口信号配时中的相位时间和相序，下层模型优化网联自动驾驶车辆轨迹。
上层模型中通过动态规划问题进行优化，以最小化网联自动驾驶车和普通车的总延误；中层模型根据上层模型传递的分配给每一个阶段的时长，优化相序和相位时间，然后计算出最小的总车辆延误，并反馈送到上层模型；下层模型根据中层模型的信号配时信息，规划网联自动驾驶车车队的轨迹，即其进入通过区域的时间和通过区域的轨迹，以实现最小的网联自动驾驶车延误，并将其反馈到中层模型以计算总的车辆延误。
在上层模型中，阶段j的状态sj是分配给阶段j-1的时间步总数。在阶段j的决策变量xj是分配给阶段j的时间步长。xj受到最小和最大时间步长
Figure BDA0003175375820000051
的限制，具体如下所示：
Figure BDA0003175375820000052
Figure BDA0003175375820000053
和
Figure BDA0003175375820000054
的计算公式具体如下所示：
Figure BDA0003175375820000055
Figure BDA0003175375820000056
其中，
Figure BDA0003175375820000057
和
Figure BDA0003175375820000058
是环r阶段j中相位p的最小和最大绿灯时间，Rp,r,j是环r阶段j中相位p之后的绿色间隔，包括黄灯和全红时间，Δt是一个时间步长，通过正确选择Δt以确保
Figure BDA0003175375820000061
和
Figure BDA0003175375820000062
是整数。相邻阶段之间状态转移方程如下所示：
sj+1＝sj+xj
当确定了前两个阶段的信号配时，重复相位组结构可以计算总的车辆延误。本实施例中根据动态规划算法设置了具有三个阶段的前向递归，具体为：
(1)初始化j＝1,sj＝0,andvj(sj)＝0；
(2)设置j＝j+1；
(3)
Figure BDA0003175375820000063
Figure BDA0003175375820000064
记录下最优解
Figure BDA0003175375820000065
(4)如果j＜3,则回到步骤二。否则，终止。
其中，vj(sj)是给定状态sj到阶段j为止的累加值函数，fj(sj,xj)是阶段j在给定状态sj和决策变量xj的情况下的性能函数，fj(sj,xj)在中层模型中通过优化相位序列，相位持续时间和网联自动驾驶车轨迹来计算网联自动驾驶车和普通车的最小行驶延误来计算。
本实施例中，通过向后递归来检索第一阶段和第二阶段的最优决策
Figure BDA0003175375820000066
具体为：
(1)设置j＝3，
Figure BDA0003175375820000067
(2)设置
Figure BDA0003175375820000068
(3)设置
Figure BDA0003175375820000069
(4)设置j＝j-1；
(5)如果j＝1，终止循环并输出最优决策变量
Figure BDA00031753758200000610
以及相位相序、相位时长和自动驾驶车轨迹；否则回到步骤(2)。
在中层模型中，给定上层模型在阶段j的状态sj和决策变量xj，中层模型优化了阶段j的相序和相位时间，并计算了网联自动驾驶车和普通车的总行驶延误，最小总行程延误将作为性能函数fj(sj,xj)的值反馈到上层模型。
在普通车延误计算中，将阶段j中的普通车延误
Figure BDA00031753758200000611
计算为在阶段j中经历了的普通车的总行驶延误。
在网联自动驾驶车延误计算中，将阶段j中的网联自动驾驶车延误
Figure BDA00031753758200000612
计算为能在阶段j中通过交叉口的网联自动驾驶车的总行驶延误，具体公式如下所示：
Figure BDA0003175375820000071
Figure BDA0003175375820000072
其中，Ω是到达预测范围T中的交点的网联自动驾驶车集合，
Figure BDA0003175375820000073
是车ω穿过交叉路口的自由行驶时间，
Figure BDA0003175375820000074
是第j阶段车辆ω的实际行驶时间，αj是
Figure BDA0003175375820000075
的向量，指示阶段j的相序，gj是gp,r,j的向量，指示阶段j的相位持续时间，
Figure BDA0003175375820000076
与阶段j中的信号配时有关，并且由下层模型中的网联自动驾驶车辆轨迹规划确定。
在信号配时约束中，相序和相位持续时间均在阶段j中进行了优化，信号配时约束具体包括以下等式：
Figure BDA0003175375820000077
上式表示环r中的相位p选择运动m，其中M1＝{1,2,3,4}，M2＝{5,6,7,8}；
Figure BDA0003175375820000078
上式表示每个环中的第一阶段和第二阶段无法选择相同的运动；
Figure BDA0003175375820000079
Figure BDA00031753758200000710
以上两式指出每个环中的第一阶段和第二阶段选择北向/南向运动或东/西向运动；
Figure BDA00031753758200000711
上式表示第一环和第二环中的相位选择兼容的运动；
Figure BDA00031753758200000712
上式表示相邻阶段的相位选择应不同；
Figure BDA00031753758200000713
上式是最大和最小阶段时间约束；
Figure BDA00031753758200000714
上式表示每个环中的相位持续时间之和等于xj。
由于采用了重复相位组结构，因此fj(sj,xj)的计算在阶段j＝1和阶段j＝2上是不同的。在阶段j＝1，f1(s1,x1)是阶段j＝1期间普通车的延误与能通过交叉口的网联自动驾驶车的延误之和。通过解决以下问题(P1)确定f1(s1,x1)：
Figure BDA0003175375820000081
在阶段j＝2，f2(s2,x2)是阶段j(j＝2,…,J)期间普通车的延误与能通过交叉口的网联自动驾驶车的延误之和，J是在预测范围T中放行所有普通车和网联自动驾驶车的阶段数，J由预测的需求和前两个阶段的信号配时确定，通过解决以下问题(P2)确定f2(s2,x2)：
Figure BDA0003175375820000082
通过枚举求解混合整数非线性规划模型(P1)和(P2)，将f1(s1,x1)和f2(s2,x2)反馈给上层模型，以计算累加值函数vj(sj)。
在下层模型中，给定中层模型中阶段j的信号时序αj和gj，下层模型确定在阶段j期间穿过交叉口的网联自动驾驶车，将这些网联自动驾驶车缓冲区域中形成车队，并规划其在通过区域内的轨迹。计划的行驶时间
Figure BDA0003175375820000083
被反馈到中层模型以计算网联自动驾驶车延误。
对于网联自动驾驶车编队，给定阶段j中的信号时序αj和gj，已知阶段j中每个相位的开始和结束时间点，如图4所示显示了一个以北向和南向交通为例的阶段中的相位结构。相序分为两种情况，第一个是头-尾左转相位序列，第二个是头-头/尾-尾左转相位序列，具体相位结构示例如图4。
在头-尾左转相位序列中，以北进口道为例。如果北向运动的相位指数为p＝1，并且左转相位在图5中的直行相位之前结束。左转阶段和直行阶段的开始时间点相同。首先，按照先到先得的规则，左转并通过每个进口道的网联自动驾驶车进入通过区域。即，进入顺序由它们到达缓冲区域的时间确定。如果在当前周期无法再为左转车辆放行，则只有直行网联自动驾驶车可以进入通过区域，直到在当前周期内也无法为直行车辆放行。如果北向运动的相位指标为p＝2，并且左转相位在图6中的直行相位之后开始。一开始，只有直行网联自动驾驶车才能进入通过区域。直到直行网联自动驾驶车在左转阶段的开始时间点之前无法通过停车线，左转和直行网联自动驾驶车才按照先到先服务的规则进入通过区域。
如图7所示，在同一阶段中可以通过交叉口并位于同一车道的网联自动驾驶车被视为一个车队。每个车道中的阶段j中的头车网联自动驾驶车是无法通过先前j-1个阶段中的交叉口的第一个网联自动驾驶车，车队头车的网联自动驾驶车不停车通过交叉口。通过跟车模型获得跟车网联自动驾驶车的轨迹。由于在下层模型中阶段j中的信号配时是固定的，因此可以确定每个进口道中阶段j中网联自动驾驶车车队里的最后一辆车。网联自动驾驶车车队可以在缓冲区域中等待，直到可以进入通过区域的时间为止。因此，在头-尾左转相位序列中这些网联自动驾驶车的行驶时间
Figure BDA0003175375820000091
由头车轨迹规划和跟车轨迹规划确定。对于未通过阶段j的网联自动驾驶车，将行驶时间设置为
Figure BDA0003175375820000092
在头-头/尾-尾左转相位序列中，当使用头-头/尾-尾左转相序时，进入通过区域之前，左转和直行的网联自动驾驶车在缓冲区域中将重新组织为左转网联自动驾驶车车队和直行网联自动驾驶车车队。以尾-尾左转相序为例，其中左转网联自动驾驶车车队跟随直行网联自动驾驶车车队进入每个进口道中的通过区域。根据信号相序，有两种情况会出现，具体如下以下子情况2-1和子情况2-2所示：
子情况2-1：两个车队。如图8所示，如果左转车队的第一个网联自动驾驶车跟随直行车队的最后一个网联自动驾驶车，则它会碰上红灯。此时，可以在一个信号周期内通过交叉口的左转车队和直行车队被视为两个车队。在头车轨迹规划中规划左转车队网联自动驾驶车头车的轨迹以及通过区域中的网联自动驾驶车车队的轨迹，以使网联自动驾驶车车队不停车通过停车线。跟车轨迹规划节中的跟车模型将捕获车队后续网联自动驾驶车的轨迹。由于在下层模型中阶段j中的信号配时是固定的，因此可以确定每个进口道中阶段j中网联自动驾驶车车队里的最后一辆车。
子情况2-2：一个车队。如图9所示，如果左转车队的第一个网联自动驾驶车跟随直行车队的最后一个网联自动驾驶车，则它将不间断地通过停车线。可以在一个周期内通过交叉路口的左转车队和直行车队被视为一个车队。在头车轨迹规划中计划了通过区域中车队头车网联自动驾驶车的轨迹，以使网联自动驾驶车车队在没有停止的情况下通过停车线。在跟车轨迹规划中，通过跟车模型可以捕获车队中直行和左转网联自动驾驶车的轨迹。由于在下层模型中阶段j中的信号配时是固定的，因此可以确定每个进口道中阶段j中网联自动驾驶车车队里的最后一辆车。因此，在该情况下，这些网联自动驾驶车的行驶时间
Figure BDA0003175375820000093
由头车轨迹规划和跟车轨迹规划确定。对于未通过阶段j中的交叉点的网联自动驾驶车，将行驶时间设置为
Figure BDA0003175375820000094
在网联自动驾驶车编队中使用的头车轨迹规划，具体指优化了通过区域中车队头车网联自动驾驶车的加速度曲线，以实现最小的延误，通过三段轨迹规划以简化。轨迹分为三段，每个轨迹段都有一个如图10所示的加速度。轨迹规划模型是基于连续时间制定的，具体如下所示：
Figure BDA0003175375820000101
Figure BDA0003175375820000102
Figure BDA0003175375820000103
Figure BDA0003175375820000104
0≤vω(t)≤vmax
Figure BDA0003175375820000105
Figure BDA0003175375820000106
Figure BDA0003175375820000107
Figure BDA0003175375820000108
Figure BDA0003175375820000109
Figure BDA00031753758200001010
Figure BDA00031753758200001011
由于自由通过时间是恒定的，因此最小化延误等于最小化行驶时间。目标函数得第一部分w1tw是行驶时间。如图11所示，在通过区域中，具有相同的行驶时间可能会存在多个最优解。具有较高速度通过停车线的轨迹是优选的，因为较高的通过速度表示交叉口内部行驶时间会较短。停车线上的通过速度被添加为目标函数中的第二部分。在时间t处的车辆位置(xw(t))和速度(vw(t))被用作状态变量。vw(t)受最大速度vmax约束。车辆的加速度
Figure BDA00031753758200001012
和
Figure BDA00031753758200001013
当作控制变量。轨迹规划的初始时间点
Figure BDA00031753758200001014
(即进入通过区域的时间)与应用的滚动优化时域方法有关。从缓冲区域和通过区域之间的边界到停车线的距离为L。
Figure BDA00031753758200001015
是车辆的初始速度。我们随机生成了下限
Figure BDA00031753758200001016
和上限
Figure BDA00031753758200001017
之间的初始速度，用于信号优化。在实际的运行过程中，根据网联自动驾驶车的实际初始速度重新优化了轨迹。mw是网联自动驾驶车w的运动。
Figure BDA00031753758200001018
表示阶段j的环r中的相位p选择了运动mw。
Figure BDA00031753758200001019
是相位p的开始时间点。
Figure BDA00031753758200001020
是头车网联自动驾驶车通过交叉口的时间点，该时间点由相位p的开始和结束时间点界定。在目标函数中，w1和w2是权重，w1＞＞w2保证了解的有效性。
在网联自动驾驶车编队中使用的跟车模型，使用NGSIM汽车跟车模型获取车队里跟车网联自动驾驶车的轨迹。
对于本实施例中的缓冲区域，缓冲区域的设置可能会限制所提出模型的应用。当使用头-尾左转相位序列，并且同一进口道直行相位和左转相位的绿灯时间相等时，可以取消缓冲区域。在这种情况下，不需要对左转或直行的网联自动驾驶车车队进行重组。
网联自动驾驶车车队等候在缓冲区域，然后等待进入通过区域的时间。假定网联自动驾驶车车队以
Figure BDA0003175375820000111
范围内的速度进入通过区域。应适当设置通过区域的长度，以使头车轨迹规划模型可行，并确保网联自动驾驶车车队不停车通过交叉口。缓冲区域中的网联自动驾驶车车队形成(包括变道操作)可能会影响普通车的到达方式，尤其是在缓冲区域靠近停车线时。这种影响使得普通车延误估计不准确。但是，通过区域的长度过长将难以协调网联自动驾驶车轨迹规划和信号定时，这增加了模型的复杂性。基于这些考虑，通过区域的推荐长度Ls可以表示为：
Figure BDA0003175375820000112
交叉口控制优化信息包括交叉口的最优信号配时和通过区域的最优网联自动驾驶车辆轨迹。
具体实施时，包含以下几个步骤：
(1)输入车辆到达信息，具体包括普通车辆到达率，网联自动驾驶车到达信息(到达缓冲区域的时刻以及在交叉口的转向)；
(2)设置交叉口优化模型所需参数：对于上层模型，最小和最大相位绿灯时间和绿灯间隔时间取值分别为：
Figure BDA0003175375820000113
Rp,r＝4s；对于中层模型，左转和直行普通车的饱和流率分别为1550veh/h和1650veh/h；对于下层模型，车辆的最大加减速度分别为：aU＝2m/s2和aL＝-2m/s2，最大车速为vmax＝14m/s；网联自动驾驶车进入通过区域的初速度设置在
Figure BDA0003175375820000114
和
Figure BDA0003175375820000115
之间；
(3)通过动态规划算法求解得到最优信号配时和最优网联自动驾驶车轨迹后输出。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种混合交通流环境下自动驾驶专用道交叉口控制方法，混合交通流包括网联自动驾驶车辆和普通车，其特征在于，控制方法具体包括以下步骤：
S1、在交叉口的每个进道口中增设网联自动驾驶车的网联车专用通道；
S2、将增加网联车专用通道后的交叉口信息输入交叉口优化模型，对交叉口控制信息进行协同优化，输出交叉口控制优化信息；
S3、实时采集普通车和网联自动驾驶车的到达信息，根据所述到达信息，通过滚动时域优化方法对交叉口优化模型进行模型优化，转至步骤S2。
2.根据权利要求1所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述网联车专用通道包括缓冲区域和通过区域。
3.根据权利要求2所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述缓冲区域和通过区域的数量均为1个。
4.根据权利要求3所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述通过区域一端与交叉口连接，另一端与缓冲区域连接。
5.根据权利要求4所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述通过区域与缓冲区域位于同一直线上。
6.根据权利要求1所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述交叉口控制信息包括交叉口信号配时和网联自动驾驶车辆轨迹。
7.根据权利要求6所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述交叉口信号配时在交叉口优化模型中具体采用双环八相位结构进行优化。
8.根据权利要求7所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述双环八相位结构包括多个信号周期，每个信号周期包括第一阶段和第二阶段，滚动时域优化方法的过程具体为交叉口优化模型优化后仅执行前两个阶段的信号配时，采集相应时间段内普通车和网联自动驾驶车的到达信息，然后根据到达信息对后一个信号周期的第一阶段进行优化。
9.根据权利要求6所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述交叉口优化模型具体为三层优化模型，包括上层模型、中层模型和下层模型。
10.根据权利要求9所述的一种混合交通流环境下自动驾驶专用道交叉口控制方法，其特征在于，所述上层模型优化交叉口信号配时中的相位组时长，中层模型优化交叉口信号配时中的相位时间和相序，下层模型优化网联自动驾驶车辆轨迹。
CN202110830537.0A 2021-07-22 2021-07-22 一种混合交通流环境下自动驾驶专用道交叉口控制方法 Active CN113593226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110830537.0A CN113593226B (zh) 2021-07-22 2021-07-22 一种混合交通流环境下自动驾驶专用道交叉口控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110830537.0A CN113593226B (zh) 2021-07-22 2021-07-22 一种混合交通流环境下自动驾驶专用道交叉口控制方法

Publications (2)

Publication Number Publication Date
CN113593226A true CN113593226A (zh) 2021-11-02
CN113593226B CN113593226B (zh) 2023-05-02

Family

ID=78249037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110830537.0A Active CN113593226B (zh) 2021-07-22 2021-07-22 一种混合交通流环境下自动驾驶专用道交叉口控制方法

Country Status (1)

Country Link
CN (1) CN113593226B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114360266A (zh) * 2021-12-20 2022-04-15 东南大学 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN114399912A (zh) * 2022-03-24 2022-04-26 华砺智行(武汉)科技有限公司 智能网联环境下的自适应信号控制方法及系统
CN115482663A (zh) * 2022-09-09 2022-12-16 长沙理工大学 一种考虑自动驾驶专用相位的交叉口交通控制方法
CN115620542A (zh) * 2022-09-23 2023-01-17 交通运输部公路科学研究所 基于车路协同的动态自动驾驶专用道管控方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060155427A1 (en) * 2003-02-27 2006-07-13 Shaopeng Yang Road traffic control method and traffic facilities
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
CN109285373A (zh) * 2018-08-31 2019-01-29 南京锦和佳鑫信息科技有限公司 一种面向整体道路网的智能网联交通系统
US20190179335A1 (en) * 2017-12-07 2019-06-13 Hyundai Motor Company Hybrid electric vehicle and platooning control method therefor
CN111091722A (zh) * 2019-12-27 2020-05-01 哈尔滨工业大学 人机混合驾驶环境下交叉口信号控制参数的优化方法
CN111768637A (zh) * 2020-05-14 2020-10-13 同济大学 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN112071074A (zh) * 2020-11-12 2020-12-11 长沙理工大学 一种交叉口自动驾驶车辆专用相位的设置方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060155427A1 (en) * 2003-02-27 2006-07-13 Shaopeng Yang Road traffic control method and traffic facilities
US20190179335A1 (en) * 2017-12-07 2019-06-13 Hyundai Motor Company Hybrid electric vehicle and platooning control method therefor
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
CN109285373A (zh) * 2018-08-31 2019-01-29 南京锦和佳鑫信息科技有限公司 一种面向整体道路网的智能网联交通系统
CN111091722A (zh) * 2019-12-27 2020-05-01 哈尔滨工业大学 人机混合驾驶环境下交叉口信号控制参数的优化方法
CN111768637A (zh) * 2020-05-14 2020-10-13 同济大学 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN112071074A (zh) * 2020-11-12 2020-12-11 长沙理工大学 一种交叉口自动驾驶车辆专用相位的设置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"车路协同自动驾驶发展趋势及建议" *
YU CHUNHUI，MA WANJING等: "Integrated optimization of traffic signals and vehicle trajectories at isolated urban intersections", 《TRANSPORTATION RESEARCH PART B：METHODOLOGICAL》 *
季策: "不完全车联网环境下的交通信号控制研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114360266A (zh) * 2021-12-20 2022-04-15 东南大学 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN114360266B (zh) * 2021-12-20 2022-12-13 东南大学 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN114399912A (zh) * 2022-03-24 2022-04-26 华砺智行(武汉)科技有限公司 智能网联环境下的自适应信号控制方法及系统
CN114399912B (zh) * 2022-03-24 2022-07-22 华砺智行(武汉)科技有限公司 智能网联环境下的自适应信号控制方法及系统
CN115482663A (zh) * 2022-09-09 2022-12-16 长沙理工大学 一种考虑自动驾驶专用相位的交叉口交通控制方法
CN115482663B (zh) * 2022-09-09 2023-12-19 长沙理工大学 一种考虑自动驾驶专用相位的交叉口交通控制方法
CN115620542A (zh) * 2022-09-23 2023-01-17 交通运输部公路科学研究所 基于车路协同的动态自动驾驶专用道管控方法及装置
CN115620542B (zh) * 2022-09-23 2023-11-07 交通运输部公路科学研究所 基于车路协同的动态自动驾驶专用道管控方法及装置

Also Published As

Publication number Publication date
CN113593226B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN113593226A (zh) 一种混合交通流环境下自动驾驶专用道交叉口控制方法
CN104637317B (zh) 一种基于实时车辆轨迹的交叉口感应信号控制方法
CN107016857B (zh) 一种信控交叉口左转交通组合设计优化方法
CN111091722B (zh) 人机混合驾驶环境下交叉口信号控制参数的优化方法
CN104200680B (zh) 过饱和交通状态下城市干道的交通信号协调控制方法
CN104077919B (zh) 一种需求车道组合相位的优化方法
WO2019061933A1 (zh) 交通信号泛弦控制方法及其系统
CN101894477B (zh) 一种城市信号灯控制道路网络交通自锁控制方法
CN104376727B (zh) 交通干线四路口控制子区双向绿波协调控制方法
CN103914988B (zh) 一种交通路况数据处理方法、装置和系统
CN106710220B (zh) 一种城市道路分层动态协调控制算法及控制方法
CN107221177B (zh) 一种设置逆向可变车道的交叉口信号配时方法
CN106297326A (zh) 基于全息路网潮汐交通流可变车道控制方法
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
CN104408944B (zh) 一种基于灯组的混合交通流信号配时优化方法
CN107274684A (zh) 一种车路协同环境下单点交叉口信号控制策略选择方法
CN106875710A (zh) 一种面向网联自动驾驶车辆的交叉口自组织控制方法
CN107240252B (zh) 一种交叉口的主动式车辆调度方法
CN113593258B (zh) 基于车路协同的信号配时与车速动态协调控制优化方法
CN109191847A (zh) 基于城市卡口数据的自适应干线协调控制方法及系统
CN112017439B (zh) 一种自动驾驶交叉口行人过街摆渡车控制方法
WO2021073526A1 (zh) 一种基于轨迹数据的信号控制时段划分方法
CN109859475B (zh) 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统
CN113724507B (zh) 基于深度强化学习的交通控制与车辆诱导协同方法和系统
CN109147327B (zh) 一种城市道路与铁路交叉部位的道路交通瓶颈改善方法

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