CN113593275A - 一种基于公交信号优先的交叉口网联自动驾驶方法 - Google Patents

Abstract

本发明涉及一种基于公交信号优先的交叉口网联自动驾驶方法，包括：建立网联自动驾驶公交车的车辆系统动态模型：建立双目标成本函数，根据双目标成本函数，通过动态规划算法计算系统控制输入u，根据u控制网联自动驾驶公交车行驶。与现有技术相比，本发明具有自动换道超车功能，避免优先策略失效，同时考虑了公交优先信号的影响，兼顾公交延误和油耗。

Description

一种基于公交信号优先的交叉口网联自动驾驶方法

技术领域

本发明涉及网联自动驾驶汽车和交通控制领域，尤其是涉及一种基于公交信号优先的交叉口网联自动驾驶方法。

背景技术

随着人口数量以及私有汽车保有量的增长，道路交通系统正面临着前所未有的压力，比如交通拥堵、能源消耗以及环境污染。可靠的公共交通运输系统能够有效分到交通压力，提高交通运输效率。在此背景之下，已有许多研究提出了公交信号优先策略，旨在提高公交车在城市信控交叉口的通行效率，进而强化公共交通运输的运载能力。如今已有例如绿灯相位延长、红灯相位提前结束等传统信号优先策略。

然而，简单依靠为公交车提供优先信号仍不足以显著提升公交的通行效率，反而会对其他社会车辆的通行时间造成巨大损失。因此，许多研究基于先进的智能网联技术以及车路协同技术，对公交信号优先方法进行了迭代升级。新方法的设计不再仅仅局限于信号配时的调节与优化，而是更加关注如何利用可实时获取的交通信息(车辆信息、信号灯信息)，设计面向公交优先的驾驶辅助系统，对智能网联公交车的行驶速度或轨迹进行规划，使公交车能够充分利用优先信号，从而实现降低公交延误，提高公共交通运输系统效率的目的，也能加速推进智能网联技术的落地应用。

现有实现公交信号优先的驾驶辅助系统主要采用多约束线性规划的方法，但是目前的技术和方法存在以下明显缺陷：

(1)现有的面向公交信号优先的驾驶辅助系统仅仅限于车速规划，即只能实现网联自动驾驶公交车的纵向自动化，车辆的换道和超车需要驾驶员介入，当前方有慢速车辆阻碍时，网联自动驾驶公交车只能降速跟驰，这使公交错失优先信号，造成更大的通行延误；

(2)现有的面向公交信号优先的驾驶辅助系统都没有考虑周围交通的不确定性干扰。有别于网联自动驾驶车辆，人工驾驶车辆的驾驶行为存在随机性，若不考虑这一点将会造成巨大的交通安全隐患；

(3)现有的面向公交信号优先的驾驶辅助系统无法准确预估到达停止线的时间，造成公交在交叉口前停车，进而导致优先绿灯时间浪费，公交延误提升。

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基于公交信号优先的交叉口网联自动驾驶方法，具有自动换道超车功能，避免优先策略失效，同时考虑了公交优先信号的影响，兼顾公交延误和油耗。

本发明的目的可以通过以下技术方案来实现：

一种基于公交信号优先的交叉口网联自动驾驶方法，包括：

建立网联自动驾驶公交车的车辆系统动态模型：

其中，z为系统状态向量，u为系统控制输入，ω为随机噪声，A、B和D分别为系统矩阵、控制矩阵和噪声矩阵；

建立双目标成本函数，根据双目标成本函数，通过动态规划算法计算系统控制输入u，根据u控制网联自动驾驶公交车行驶；

其中，所述的系统控制输入u的表达式为：

u＝[δ_f,a_x]^T

其中，δ_f和a_x分别为网联自动驾驶公交车的方向盘转角和纵向加速度；

所述的双目标成本函数J的表达式为：

其中，t₀和v₀分别为网联自动驾驶公交车到达交叉口时的时刻和初始速度，T为网联自动驾驶公交车到达停止线所需的通行时间，L为网联自动驾驶公交车初始位置与停止线的距离，β₀、β₁、β₂、β₃和β₄为可调权重系数；

若(t₀,v₀)∈Ω，则β₀,β₁,β₂,β₃,β₄＞0，否则β₀,β₁,β₃＞0，β₂＝0，β₄＝0；

所述的Ω的表达式为：

其中，t_queue为交叉口前排队长度，R为红灯时长，v_q1为排队累积速度，v_q2为排队消散速度，v_q3为排队清空速度，G_TSP为公交优先信号，即信号优先策略给予网联自动驾驶公交车的额外绿灯通行时间；

应用动态规划算法，规划最佳行驶轨迹，通过控制网联自动驾驶公交车的方向盘转角和纵向加速度，使网联自动驾驶公交车沿最佳行驶轨迹行驶，实现对网联自动驾驶公交车的纵横向耦合控制，使网联自动驾驶公交车具有自动换道超车功能，避免了在遭遇前方有慢行车辆阻碍时公交无法充分利用优先绿灯信号，致使优先策略失效的问题；

双目标成本函数在考虑降低公交延误的同时，兼顾车辆油耗，减少网联自动驾驶公交车的行驶排放，提高生态性，同时考虑了公交优先信号的影响，公交优先信号G_TSP影响t₀和v₀是否落入集合Ω内，从而决定成本函数权重系数β₀、β₁、β₂、β₃和β₄的选取，若t₀和v₀落入集合Ω内，说明网联自动驾驶公交车能够以当前速度匀速顺利通过交叉口，则速度权系数β₂和β₄需大于0，以保障网联自动驾驶公交车匀速低能耗行驶；若t₀和v₀未落入集合Ω内，说明网联自动驾驶公交车需进行加速操作，以更快的速度驶过停车线，则速度权系数β₂和β₄需等于0，使网联自动驾驶公交车不再匀速巡航，能够根据实时的交叉口车辆排队状况以及信号配时信息，实时规划公交通过交叉口的最佳时间，最小化公交延误。

进一步地，建立双目标成本函数的线性碰撞约束，所述的线性碰撞约束包括：

满足第一线性碰撞约束条件或第二线性碰撞约束条件；

所述的第一线性碰撞约束条件为：

所述的第二线性碰撞约束条件为：

其中，

为网联自动驾驶公交车与第i辆社会车辆的纵向安全距离，

为网联自动驾驶公交车与第i辆社会车辆的横向安全距离，

为纵向反分布函数参数，

为横向反分布函数参数；

所述的线性碰撞约束考虑了实际道路交通环境的不确定性，将人工驾驶车辆的行驶状态视为服从一定概率分布的随机变量，把具有不确定性的碰撞约束转化为线性概率约束，为消除交通安全隐患提供了解决方案。

进一步地，所述的通过动态规划算法计算系统控制输入的具体过程包括：

31)离散化车辆线性化系统动态，计算离散矩阵A_k和B_k，k∈{0,1,...,N}；

32)将双目标成本函数转化为二次型矩阵形式，并计算权重矩阵Q_k和R_k，Q_k和R_k的计算公式为：

33)逆向计算最优控制律：

当k＝N+1时，

从k＝N至k＝0逆向计算以下方程：

S_k＝A_k+B_kG_k

T_k＝B_kH_k

34)基于最优控制律，正向计算控制输入：

对于每一步k(k＝0,1,2...,N)，

u(k)＝G_kx(k)+H_k

x(k+1)＝S_kx(k)+T_k。

进一步地，所述的系统状态向量z的表达式为：

z＝[x,y,ψ,v,Δx,Δy]^T

其中，x和y分别为网联自动驾驶公交车的纵、横向位置，ψ为网联自动驾驶公交车的偏航角，x、y和ψ根据交通数据获取。

进一步地，所述的随机噪声ω的表达式为：

其中，

为第i辆社会车辆的纵向速度，

为第i辆社会车辆的横向速度。

进一步地，所述的系统矩阵A的表达式为：

其中，v为网联自动驾驶公交车的纵向速度，Ι表示元素均为1的向量。

进一步地，所述的控制矩阵B的表达式为：

其中，v为网联自动驾驶公交车的纵向速度，l_f和l_r分别为网联自动驾驶公交车的前、后轴到重心的距离。

进一步地，所述的噪声矩阵D的表达式为：

其中，E为单位矩阵。

进一步地，通过计算网联自动驾驶公交车的周期平均延误D检测交叉口网联自动驾驶方法的有效性，所述的周期平均延误D的计算公式为：

其中，d_i为在网联自动驾驶公交车在周期内第i秒到达时的延误。

进一步地，通过计算网联自动驾驶公交车的周期平均油耗Fuel检测交叉口网联自动驾驶方法的有效性，所述的周期平均油耗Fuel的计算公式为：

其中，fuel_i为网联自动驾驶公交车在周期内第i秒到达时的油耗。

与现有技术相比，本发明具有以如下有益效果：

(1)本发明应用动态规划算法规划最佳行驶轨迹，通过控制网联自动驾驶公交车的方向盘转角和纵向加速度，使网联自动驾驶公交车沿最佳行驶轨迹行驶，实现对网联自动驾驶公交车的纵横向耦合控制，使网联自动驾驶公交车具有自动换道超车功能，避免了在遭遇前方有慢行车辆阻碍时公交无法充分利用优先绿灯信号，致使优先策略失效的问题，双目标成本函数在考虑降低公交延误的同时，兼顾车辆油耗，减少网联自动驾驶公交车的行驶排放，提高生态性，同时考虑了公交优先信号的影响，公交优先信号G_TSP影响t₀和v₀是否落入集合Ω内，从而决定成本函数权重系数β₀、β₁、β₂、β₃和β₄的选取，若t₀和v₀落入集合Ω内，说明网联自动驾驶公交车能够以当前速度匀速顺利通过交叉口，则速度权系数β₂和β₄需大于0，以保障网联自动驾驶公交车匀速低能耗行驶；若t₀和v₀未落入集合Ω内，说明网联自动驾驶公交车需进行加速操作，以更快的速度驶过停车线，则速度权系数β₂和β₄需等于0，使网联自动驾驶公交车不再匀速巡航，能够根据实时的交叉口车辆排队状况以及信号配时信息，对公交到达停止线的通行时间进行估算，实时规划公交通过交叉口的最佳时间，最小化公交延误；

(2)本发明考虑人类驾驶车辆的驾驶行为存在不确定性，故设人工驾驶车的速度以及位置均服从正态分布，并设定车辆之间的安全间距，以及未发生碰撞的概率值，为控制模型增加线性碰撞约束，在提高安全性的同时，保障控制系统的计算效率。

附图说明

图1为本发明的方法流程图；

图2为本发明和现有技术在不同交通服务水平下的延误计算结果对比图；

图3为本发明和现有技术在不同交通服务水平下的油耗计算结果对比图；

图4为本发明和现有技术在不同车流速度下的延误计算结果对比图；

图5为本发明和现有技术在不同车流速度下的油耗计算结果对比图；

图6为本发明和现有技术在不同公交到达时间下的延误计算结果对比图；

图7为本发明和现有技术在不同公交到达时间下的油耗计算结果对比图。

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。

一种基于公交信号优先的交叉口网联自动驾驶方法，如图1，包括：

1)通过GPS技术采集网联自动驾驶公交车的交通数据，通过V2I通信采集交叉口信号配时信息以及网联自动驾驶公交车周围的社会车辆的交通数据；

2)根据交通数据和信号配时信息，建立网联自动驾驶公交车的车辆系统动态模型以及双目标成本函数；

3)根据双目标成本函数，通过动态规划算法计算车辆系统动态模型的系统控制输入；

4)根据系统控制输入控制网联自动驾驶公交车行驶。

通过GPS技术获得网联自动驾驶公交车的位置和速度，在网联自动驾驶公交车进入V2I通信范围(交叉口前300m)后，通过网联自动驾驶公交车与路侧单元的通讯，获得交叉口信号配时信息以及当前网联自动驾驶公交车周围的社会车辆的位置和速度。

车辆系统动态模型具体为：

其中，z为系统状态向量，u为系统控制输入，ω为随机噪声，A、B和D分别为系统矩阵、控制矩阵和噪声矩阵；

系统状态向量z的表达式为：

z＝[x,y,ψ,v,Δx,Δy]^T

其中，x和y分别为网联自动驾驶公交车的纵、横向位置，ψ为网联自动驾驶公交车的偏航角。

系统控制输入的表达式为：

u＝[δ_f,a_x]^T

其中，δ_f为网联自动驾驶公交车的方向盘转角，a_x为网联自动驾驶公交车的纵向加速度，根据a_x和δ_f控制网联自动驾驶公交车。

随机噪声ω、系统矩阵A、控制矩阵B和噪声矩阵D的表达式为：

其中，v为网联自动驾驶公交车的纵向速度，

为第i辆社会车辆的纵向速度，

为第i辆社会车辆的横向速度，l_f和l_r分别为网联自动驾驶公交车的前、后轴到重心的距离，Ι表示元素均为1的向量，E为单位矩阵。

在考虑降低公交延误的同时，兼顾车辆油耗，减少网联自动驾驶公交车的行驶排放，提高生态性，此外，双目标成本函数需考虑交叉口信号优先策略以及社会车辆排队的影响，将双目标成本函数表述为拉格朗日问题，具体形式如下：

其中，t₀为网联自动驾驶公交车到达交叉口的时刻，T为网联自动驾驶公交车到达停止线所需的通行时间，v₀为网联自动驾驶公交车到达交叉口时的初始速度，L为网联自动驾驶公交车初始位置与停止线的距离，β₀、β₁、β₂、β₃和β₄为可调权重系数；

若(t₀,v₀)∈Ω，则β₀,β₁,β₂,β₃,β₄＞0，否则β₀,β₁,β₃＞0，β₂＝0，β₄＝0；

Ω为t₀和v₀构成的集合，表达式为：

其中，t_queue为交叉口前排队长度，R为红灯时长，v_q1为排队累积速度，v_q2为排队消散速度，v_q3为排队清空速度，G_TSP为公交优先信号；

在双目标成本函数中考虑了公交优先信号的影响，这里的G_TSP为信号优先策略(如绿灯延长、红灯早断等)所带来的给予网联自动驾驶公交车的额外绿灯通行时间，G_TSP影响t₀和v₀是否落入集合Ω内，从而决定成本函数权重系数β₀、β₁、β₂、β₃和β₄的选取。

由于人类驾驶车辆的驾驶行为存在不确定性，故设社会车辆人的速度以及位置均服从正态分布，并设定车辆之间的安全间距以及未发生碰撞的概率值p，从而建立双目标成本函数的线性碰撞约束，线性碰撞约束包括：

满足第一线性碰撞约束条件或第二线性碰撞约束条件；

第一线性碰撞约束条件为：

第二线性碰撞约束条件为：

其中，

为网联自动驾驶公交车与第i辆社会车辆的纵向安全距离，

为网联自动驾驶公交车与第i辆社会车辆的横向安全距离，

为纵向反分布函数参数，

为横向反分布函数参数。

步骤3)包括：

31)离散化车辆线性化系统动态，计算离散矩阵A_k和B_k，k∈{0,1,...,N}；

32)将双目标成本函数转化为二次型矩阵形式，并计算权重矩阵Q_k和R_k，Q_k和R_k的计算公式为：

33)逆向计算控制律：

当k＝N+1时，

从k＝N至k＝0逆向计算以下方程：

S_k＝A_k+B_kG_k

T_k＝B_kH_k

34)正向计算控制输入：

对于每一步k(k＝0,1,2...,N)，

u(k)＝G_kx(k)+H_k

x(k+1)＝S_kx(k)+T_k

动态规划算法采用模型预测控制的思想，在线滚动计算网联自动驾驶公交车的最佳行驶轨迹，每一时间步重新采集网联自动驾驶公交车、社会车辆的交通数据以及信号配时信息，利用上述动态规划算法进行计算，进而形成反馈优化机制，提高算法的鲁棒性能。

通过周期平均延误和周期平均油耗分别衡量网联自动驾驶公交车的延误和油耗，周期平均延误D的计算公式为：

其中，d_i为在网联自动驾驶公交车在周期内第i秒到达时的延误；

周期平均油耗Fuel的计算公式为：

其中，fuel_i为网联自动驾驶公交车在周期内第i秒到达时的油耗。

对利用本实施例提出的交叉口网联自动驾驶方法、无信号优先的人工驾驶、传统信号优先的人工驾驶以及传统信号优先的驾驶辅助系统得到的延误和油耗进行比较，比较结果如图2、图3、图4、图5、图6和图7所示，可以看出，本实施例提出的交叉口网联自动驾驶方法大大降低了网联自动驾驶公交车的延误和油耗。

本实施例提出了一种基于公交信号优先的交叉口网联自动驾驶方法，实现对网联自动驾驶公交车的纵横向耦合控制，使网联自动驾驶公交车具有自动换道超车功能，避免了在遭遇前方有慢行车辆阻碍时公交无法充分利用优先绿灯信号，致使优先策略失效的问题，双目标成本函数在考虑降低公交延误的同时，兼顾车辆油耗，减少网联自动驾驶公交车的行驶排放，提高生态性，降低公交延误方面考虑了公交优先信号的影响，实时规划公交通过交叉口的最佳时间，最小化公交延误。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，包括：

建立网联自动驾驶公交车的车辆系统动态模型：

其中，z为系统状态向量，u为系统控制输入，ω为随机噪声，A、B和D分别为系统矩阵、控制矩阵和噪声矩阵；

建立双目标成本函数，根据双目标成本函数，通过动态规划算法计算系统控制输入u，根据u控制网联自动驾驶公交车行驶；

其中，所述的系统控制输入u的表达式为：

u＝[δ_f,a_x]^T

其中，δ_f和a_x分别为网联自动驾驶公交车的方向盘转角和纵向加速度；

所述的双目标成本函数J的表达式为：

其中，t₀和v₀分别为网联自动驾驶公交车到达交叉口时的时刻和初始速度，T为网联自动驾驶公交车到达停止线所需的通行时间，L为网联自动驾驶公交车初始位置与停止线的距离，β₀、β₁、β₂、β₃和β₄为可调权重系数；

若(t₀,v₀)∈Ω，则β₀,β₁,β₂,β₃,β₄＞0，否则β₀,β₁,β₃＞0，β₂＝0，β₄＝0；

所述的Ω的表达式为：

其中，t_queue为交叉口前排队长度，R为红灯时长，v_q1为排队累积速度，v_q2为排队消散速度，v_q3为排队清空速度，G_TSP为公交优先信号，即信号优先策略给予网联自动驾驶公交车的额外绿灯通行时间。

2.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，建立双目标成本函数的线性碰撞约束，所述的线性碰撞约束包括：

满足第一线性碰撞约束条件或第二线性碰撞约束条件；

所述的第一线性碰撞约束条件为：

所述的第二线性碰撞约束条件为：

其中，

为网联自动驾驶公交车与第i辆社会车辆的纵向安全距离，

为网联自动驾驶公交车与第i辆社会车辆的横向安全距离，

为纵向反分布函数参数，

为横向反分布函数参数。

3.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，所述的通过动态规划算法计算系统控制输入的具体过程包括：

31)离散化车辆线性化系统动态，计算离散矩阵A_k和B_k，k∈{0,1,...,N}；

32)计算权重矩阵Q_k和R_k，Q_k和R_k的计算公式为：

33)逆向计算最优控制律：

当k＝N+1时，

从k＝N至k＝0逆向计算以下方程：

S_k＝A_k+B_kG_k

T_k＝B_kH_k

34)基于最优控制律，正向计算控制输入：

对于每一步k(k＝0,1,2...,N)，

u(k)＝G_kx(k)+H_k

x(k+1)＝S_kx(k)+T_k。

4.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，所述的系统状态向量z的表达式为：

z＝[x,y,ψ,v,Δx,Δy]^T

其中，x和y分别为网联自动驾驶公交车的纵、横向位置，ψ为网联自动驾驶公交车的偏航角，x、y和ψ根据交通数据获取。

5.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，所述的随机噪声ω的表达式为：

其中，

为第i辆社会车辆的纵向速度，

为第i辆社会车辆的横向速度。

6.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，所述的系统矩阵A的表达式为：

其中，v为网联自动驾驶公交车的纵向速度，Ι表示元素均为1的向量。

7.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，所述的控制矩阵B的表达式为：

其中，v为网联自动驾驶公交车的纵向速度，l_f和l_r分别为网联自动驾驶公交车的前、后轴到重心的距离。

8.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，所述的噪声矩阵D的表达式为：

其中，E为单位矩阵。

9.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，通过计算网联自动驾驶公交车的周期平均延误D检测交叉口网联自动驾驶方法的有效性，所述的周期平均延误D的计算公式为：

其中，d_i为在网联自动驾驶公交车在周期内第i秒到达时的延误。

10.根据权利要求1所述的一种基于公交信号优先的交叉口网联自动驾驶方法，其特征在于，通过计算网联自动驾驶公交车的周期平均油耗Fuel检测交叉口网联自动驾驶方法的有效性，所述的周期平均油耗Fuel的计算公式为：

其中，fuel_i为网联自动驾驶公交车在周期内第i秒到达时的油耗。

Images