CN114387781A - 车辆引导控制方法 - Google Patents

车辆引导控制方法 Download PDF

Info

Publication number
CN114387781A
CN114387781A CN202111659824.6A CN202111659824A CN114387781A CN 114387781 A CN114387781 A CN 114387781A CN 202111659824 A CN202111659824 A CN 202111659824A CN 114387781 A CN114387781 A CN 114387781A
Authority
CN
China
Prior art keywords
vehicle
model
lane
lane change
fin
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
CN202111659824.6A
Other languages
English (en)
Other versions
CN114387781B (zh
Inventor
焦朋朋
刘侃
云旭
杨紫煜
白紫秀
林坤
高宇轩
王泽昊
陈越
孙洁
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202111659824.6A priority Critical patent/CN114387781B/zh
Publication of CN114387781A publication Critical patent/CN114387781A/zh
Application granted granted Critical
Publication of CN114387781B publication Critical patent/CN114387781B/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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Analytical Chemistry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及智能交通管理与控制技术领域，尤其涉及一种车辆引导控制方法，包括：通过横向交通流和可变限速引导引入的元胞传输模型，获得各元胞间交通流单步传播的预测模型；通过车辆引导优化模型，获得控制变量；将控制变量输入预测模型中，获取预测输出，将预测输出输入车辆引导优化模型，循环步骤S2和步骤S3，直至获得各控制周期内的可变限速与换道交通流。考虑将横向交通流与可变限速引导引入的元胞传输模型，实现各元胞间交通流的单步传播预测模型。建立模型预测控制框架，该框架由预测、优化、求解、控制四个阶段组成，并通过在线迭代优化的方式对决策变量加以控制。从而实现在线的车路协同环境下高速公路瓶颈车辆引导策略。

Description

车辆引导控制方法
技术领域
本发明涉及智能交通管理与控制技术领域，尤其涉及一种车辆引导控制方法。
背景技术
高速公路通行能力下降现象近年来逐步引起专家学者和从业人员的重视，且该现象具有随机性、不确定性的特点。许多学者通过实测数据探究拥堵机理，发现通行能力下降现象的主要原因：(1)上游形成队列，导致交通流密度过大，随着时间流逝而发生拥堵。(2)驾驶员在经过瓶颈区或瓶颈上游附近处频繁的换道行为。(3)不同驾驶员跟驰行为特征。(4)经过事故区看热闹或谨慎远离处理事故的工作人员而导致的速度降低。
在传统驾驶环境中，通过对交通流基本图(FD)的研究发现，通过可变限速的方法对瓶颈上游车辆的速度进行控制，该方法具有两种方式：(1)通过VSL使交通流在路段保持均一性，此方式一般设置为超过临界速度的速度限制，使交通流速度离差变小，密度略微增加，运行状态相对稳定。但该方法不能有效的抑制或缓解阻塞波。(2)通过VSL设置比临界速度更低的速度限制，从而限制上游进入瓶颈的流量。该方式可以通过设置合理的速度达到瓶颈最佳流出率所对应的密度，进而提高瓶颈的利用效率。基于KW理论，通过VSL降低瓶颈上游速度，以此人为创造一个向前传播的交通波来抵消瓶颈拥堵排队带来的堵塞波，进而在一定时间后消除堵塞波，缓解拥堵现象，但该方法的前提假设建立在基本图理论之上，且需要对交通波进行检测，难以针对实际车路协同环境下的高速公路瓶颈区的车辆引导与控制进行应用。
发明内容
本发明提供一种车辆引导控制方法，用以解决现有技术中缓解车辆拥堵的控制策略难以对高速公路瓶颈区的车辆进行引导与控制的缺陷，实现得到各控制周期内的可变限速与换道交通流，从而获得在线的车路协同环境下高速公路瓶颈车辆引导策略的效果。
本发明提供一种车辆引导控制方法，包括：
S1，通过横向交通流和可变限速引导引入的元胞传输模型，获得各元胞间交通流单步传播的预测模型；
S2，通过车辆引导优化模型，获得控制变量；
S3，将控制变量输入预测模型中，获取预测输出，
S4，将预测输出输入车辆引导优化模型，循环步骤S2和步骤S3，直至获得各控制周期内的可变限速与换道交通流。
根据本发明提供的一种车辆引导控制方法，还包括：
S5，建立换道轨迹规划模型；
S6，通过各控制周期内的可变限速与换道交通流与轨迹规划模型，获得换道结果。
根据本发明提供的一种车辆引导控制方法，步骤S1包括：
获得多个元胞之间的换道流的密度和可变限速下的临界密度；
在元胞输入模型中引入换道流的密度和可变限速下的临界密度，获得各元胞间交通流单步传播的预测模型。
根据本发明提供的一种车辆引导控制方法，所述多个元胞之间的换道流的密度为
Figure BDA0003449421850000021
Figure BDA0003449421850000031
Figure BDA0003449421850000032
Figure BDA0003449421850000033
其中，
Figure BDA0003449421850000034
为元胞(i,j)以k为目标车道的交通流量，元胞(i,j)至目标车道(i+1,k)的发送能力
Figure BDA0003449421850000035
为最大发送能力Si,j与期望换道概率
Figure BDA0003449421850000036
的乘积，R是元胞(i+1,k)的最大接受能力。
根据本发明提供的一种车辆引导控制方法，所述可变限速下的临界密度
Figure BDA0003449421850000037
其中，vvsl为路段设置的可变限速值，w是交通波的传播速度，
ρj是阻塞密度。
根据本发明提供的一种车辆引导控制方法，所述预测模型为
元胞发送能力Si,j(t)＝min{vvsl(t)ρi,j(t),Qvsl(t)}；
元胞接收能力Ri,j(t)＝min{Qvsl(t),w[ρj(t)-ρi,j(t)]}；
其中，ρc'所对应的流量
Figure BDA0003449421850000038
对于任意元胞(i,j)在任意时刻所对应的速度取值
Figure BDA0003449421850000039
是车流的最大速度。
根据本发明提供的一种车辆引导控制方法，所述轨迹规划模型为
Figure BDA0003449421850000041
其参数矩阵为：
Figure BDA0003449421850000042
[xinx′inx″inxfinx′finx″fin]T＝T·AT；
[yiny′iny″inyfiny′finy″fin]T＝T·BT；
其中，[xinx′inx″inyiny′iny″in]为换道时车辆的初始状态，其分别表示为换道前的纵向位置、速度、加速度；[xfinx′finx″finyfiy′finy″fin]为车辆结束换道后的状态，其分别表示为换道后的纵向位置、速度、加速度；tin表示车辆开始换道时刻，tfin表示车辆结束换道时刻。
其中，定义其换道前后的纵向加速度应为：
Figure BDA0003449421850000043
其中，
Figure BDA0003449421850000044
η＝1-λ，aOF是原车道观测车前车，aTF换道后观测车的前车，H为车道宽度，ylat为车的纵向位移；
换道前车辆的状态为
Figure BDA0003449421850000045
换道后车辆的状态为
Figure BDA0003449421850000051
换道的纵向加速度满足-2.5m/s2<x″<2.5m/s2；
换道的横向加速度满足-2m/s2<y″<2m/s2。
根据本发明提供的一种车辆引导控制方法，所述换道轨迹规划模型为
Figure BDA0003449421850000052
其中，
Figure BDA0003449421850000053
式中，mod()为取余函数，xbottle为瓶颈位置，i为元胞所在路段索引，εi,j为折减系数且εi,j<1，ρ*是元胞的最有密度，v是元胞(i，j)的速度，p是元胞(i，j)的换道率；x是车辆所在位置坐标，ρbottle是瓶颈区元胞密度，LLC是强制换道的换道长度，ρc i，j是元胞(i，j)的临界密度。
根据本发明提供的一种车辆引导控制方法，步骤S2包括：
S21，随机产生初始种群p0并进行非劣排序，对种群执行二元锦标赛选择、交叉和变异，得到新的种群Q0，并令t＝0；
S22，形成新的群体Rt＝Pt∪Qt再次进行非劣排序，得到F1，F2，…Fn；
S23，对所有F进行拥挤度排序，选择其中最优N个体形成种群Pt+1；
S24，对种群Pt+1执行步骤S21操作，得到Qt+1；
S25，达到终止条件则结束；否则，t＝t+1，返回步骤S22。
根据本发明提供的一种车辆引导控制方法，在步骤S4中，循环步骤S2和步骤S3时，预测范围与控制范围分别为Tp和Tc，采样周期为T，则预测步长为Np＝Tp/T，控制步长为Nc＝Tc/T。
本发明提供的车辆引导控制方法，提供一种车路协同环境下的高速公路瓶颈区的车辆引导与控制方法，提供了基于改进元胞传输模型的模型预测控制协同控制策略，区别于传统驾驶环境面向车路协同环境中控系统的智能车进行换道建议与引导策略。考虑将横向交通流与可变限速引导引入的元胞传输模型，进而在宏观层面上实现各元胞间交通流的单步传播预测模型。在改进元胞传输模型实现单步预测的基础上，建立模型预测控制框架，该框架由预测、优化、求解、控制四个阶段组成，并通过在线迭代优化的方式对决策变量加以控制。
在构建优化模型时考虑了车道减少的瓶颈区强制换道行为，因此引入了密度诱导因子及通行效率作为优化目标，并建立合理的约束进行多目标求解，得到各控制周期内的可变限速与换道交通流，从而实现在线的车路协同环境下高速公路瓶颈车辆引导策略。
按照本发明集“预测、优化、求解、控制”四部分组成的预测控制，并对模型求解，解析不同交通需求下Pareto解的选取策略，最终得到预测周期内最优的换道率与可变限速值，在控制周期对系统输入控制变量，从而实现在线循环最优控制策略。因此，本专利通过对道路限速和车辆换道引导同时控制，可以使系统总体控制效果达到最优。
除了上面所描述的本发明解决的技术问题、构成的技术方案的技术特征以及有这些技术方案的技术特征所带来的优点之外，本发明的其他技术特征及这些技术特征带来的优点，将结合附图作出进一步说明，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的车辆引导控制方法的研究场景示意图；
图2是本发明提供的车辆引导控制方法的横向交通流的元胞流向示意图；
图3是本发明提供的车辆引导控制方法的可变限速下密度-流量基本图；
图4是沿图3中不同可变限速控制下瓶颈流出率示意图；
图5是沿图4中不同可变限速控制下瓶颈系统总延误示意图；
图6是本发明提供的车辆引导控制方法的引导车辆换道轨迹示意图；
图7是本发明提供的车辆引导控制方法的预测控制框架图；
图8是本发明提供的车辆引导控制方法的NSGA-II算法求解过程图；
图9是本发明提供的车辆引导控制方法的Pareto前沿面及引导策略选取图；
图10是本发明提供的车辆引导控制方法的控制引导前时间-位置-密度图；
图11是本发明提供的车辆引导控制方法的控制引导后时间-位置-密度图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
在本发明实施例的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。
在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
此外，在本发明实施例的描述中，除非另有说明，“多个”、“多根”、“多组”的含义是两个或两个以上，“若干个”、“若干根”、“若干组”的含义是一个或一个以上。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
如图1所示，本发明实施例提供的车辆引导控制方法，包括：
S1，通过横向交通流和可变限速引导引入的元胞传输模型，获得各元胞间交通流单步传播的预测模型；
S2，通过车辆引导优化模型，获得控制变量；
S3，将控制变量输入预测模型中，获取预测输出，
S4，将预测输出输入车辆引导优化模型，循环步骤S2和步骤S3，直至获得各控制周期内的可变限速与换道交通流。
本发明实施例的车辆引导控制方法，提供一种车路协同环境下的高速公路瓶颈区的车辆引导与控制方法，提供了基于改进元胞传输模型的模型预测控制协同控制策略，区别于传统驾驶环境面向车路协同环境中控系统的智能车进行换道建议与引导策略。考虑将横向交通流与可变限速引导引入的元胞传输模型，进而在宏观层面上实现各元胞间交通流的单步传播预测模型。在改进元胞传输模型实现单步预测的基础上，建立模型预测控制框架，该框架由预测、优化、求解、控制四个阶段组成，并通过在线迭代优化的方式对决策变量加以控制。
在构建优化模型时考虑了车道减少的瓶颈区强制换道行为，因此引入了密度诱导因子及通行效率作为优化目标，并建立合理的约束利用NSGA-II算法进行多目标求解，得到各控制周期内的可变限速与换道交通流，从而实现在线的车路协同环境下高速公路瓶颈车辆引导策略。
按照本发明集“预测、优化、求解、控制”四部分组成的预测控制，利用NSGA-II算法对模型求解，解析不同交通需求下Pareto解的选取策略，最终得到预测周期内最优的换道率与可变限速值，在控制周期对系统输入控制变量，从而实现在线循环最优控制策略。因此，本专利通过对道路限速和车辆换道引导同时控制，可以使系统总体控制效果达到最优。
车路协同环境可使车辆更好的适用控制决策，更易遵守引导方法，且获取行驶参数较为方便，这种优势拓展了引导车辆驶入瓶颈的方法。在基于换道建议策略的车辆引导方法中，优化模型和概率选择模型常被使用。前者主要是对于瓶颈附近区域的考察，以车辆总换道次数、车道利用率、车辆行驶时间及行驶速度等参数作为优化目标，以车道最优密度作为决策变量。后者以路段或车辆个体进行建模，考虑车辆换道因素并根据实测数据标定进行仿真分析。最终得到换道建议策略，通过信息传输给车辆主体，该种方法一般以路段或瓶颈区域作为研究对象，不考虑车辆换道的具体行驶轨迹和行为。基于行驶序列的车辆引导方法以接近瓶颈上游的车辆为研究对象，分析各车辆的相互位置关系，并以决策树的形式列出所有可能序列，计算车辆在经过瓶颈时总延误时间并以最小延误时间的序列作为模型最终的输出结果。基于信息协同的车辆引导方法主要基于动力学模型，考虑车辆在经过匝道时汇入间隙从而在上游主动调整行驶状态，或在城市主干路交叉口根据相位时长调整行驶状态。在高速公路中，对于上下游车道数目不匹配的瓶颈路段，当上游的路段密度达到临界密度时常发生通行能力下降现象。为缓解此现象，基于交通波理论的引导方法被广泛采用，通过宏观交通流传播模型结合可变限速对瓶颈上游进行分路段的控制。
车路协同环境使实时获取车辆状态成为可能，瓶颈引导范围应由路段级引导变为更详细的车道级引导，引导控制主体也由道路限速变为考虑限速与智能车辆换道率的综合控制因素。因此，本专利建立的考虑车路协同环境的高速公路瓶颈区车辆引导策略模型，在实时获取车辆信息的基础上，通过建立考虑车辆换道的元胞传输模型与瓶颈区多目标优化模型，对路段限速与车辆换道率进行动态调整，从而提高高速公路瓶颈区车辆通行效率。
根据本发明提供的一个实施例，本发明实施例的车辆引导控制方法，还包括：
S5，建立换道轨迹规划模型；
S6，通过各控制周期内的可变限速与换道交通流与轨迹规划模型，获得换道结果。
在微观层面上对车辆在接收换道建议和引导信号后通过换道安全距离模型及换道轨迹规划模型执行安全且平稳的换道行为，从而实现完整的智能车引导过程。
根据本发明提供的一个实施例，步骤S1包括：
获得多个元胞之间的换道流的密度和可变限速下的临界密度；
在元胞输入模型中引入换道流的密度和可变限速下的临界密度，获得各元胞间交通流单步传播的预测模型。
根据本发明提供的一个实施例，如图1所示，以四车道作为模型研究对象，并假设最外侧车道无法通行而造成物理瓶颈，所界定的研究区域中途未设置出入口匝道。实验场景所处环境为车路协同环境，允许车辆与车辆通过无线网络进行相互通信，车辆对路面传感器及路侧检测设备进行通信。所研究的智能车辆自动驾驶等级为L3-L5，车辆均配备车载单元，能够将行驶过程中通过每个传感器收集车辆行驶状态信息。所研究的道路路侧均设有路侧检测单元，能够接收到智能车辆车载单元所发送的车辆信息，并与车辆进行信息交互。
如图2所示，本发明考虑横向交通流对CTM进一步改进，将瓶颈路段继续划分为如图2所示的元胞，并假设车辆的换道形式只能一次换至邻近车道，不能跨车道进行换道。车辆的流入流出方向如图箭头所示，则对于任意的元胞均存在至少两个与之相连的上游和下游。则多个元胞之间的换道流的密度为
Figure BDA0003449421850000121
Figure BDA0003449421850000122
Figure BDA0003449421850000123
Figure BDA0003449421850000124
其中，
Figure BDA0003449421850000125
为元胞(i,j)以k为目标车道的交通流量，元胞(i,j)至目标车道(i+1,k)的发送能力
Figure BDA0003449421850000126
为最大发送能力Si,j与期望换道概率
Figure BDA0003449421850000127
的乘积，R是元胞(i+1,k)的最大接受能力。区别于传统元胞传输模型，当下一元胞的接受能力小于该元胞上游的发送能力总和时，为了保证此元胞内车辆不会超过元胞承载的最大车辆数，因此计算比例因子
Figure BDA0003449421850000128
其定义有助于保证上游路段元胞的发送能力被剩余空间均匀分配。
根据本发明提供的一个实施例，如图3所示，若vvsl已知，可变限速下的临界密度
Figure BDA0003449421850000129
其中，vvsl为路段设置的可变限速值，w是交通波的传播速度，
ρj是阻塞密度。
根据本发明提供的一个实施例，所述预测模型为
元胞发送能力Si,j(t)＝min{vvsl(t)ρi,j(t),Qvsl(t)}；
元胞接收能力Ri,j(t)＝min{Qvsl(t),w[ρj(t)-ρi,j(t)]}；
其中，ρc'所对应的流量
Figure BDA0003449421850000131
对于任意元胞(i,j)在任意时刻所对应的速度取值
Figure BDA0003449421850000132
是车流的最大速度。
此外，应用可变限速应考虑其适用性，使用不当的控制方法反而会降低车辆通过瓶颈区的通行效率。可变限速控制的本质在于通过限制最高速度略微增加路段中的密度，从而使通过路段的流出率增加，从而避免产生瓶颈通行能力下降现象。
如图4所示，为阐述可变限速的适用性，绘制瓶颈路段无控制与可变限速控制基本图和车辆到达-离开曲线，采用两种不同可变限速控制，所对应的流出率分别为A和B。其中控制点A对应的流出率高于无控制条件下瓶颈流出率，而控制点B对应的流出率低于无控制条件下瓶颈流出率。
图5所示的时间-累计交通量曲线可以得出，可变限速控制所对应的系统总延误有所不同。控制点B，可变限速的控制不但没有增加瓶颈的流出率，反而增加了系统的总延误时间。
根据本发明提供的一个实施例，如图6所示，本发明建立的换道轨迹规划模型，车辆在进行微观变道行为时一般会经历三个阶段：(1)准备阶段：驾驶员有变道意图后，在保证安全的情况下，观察周围交通环境，寻找合适的变道间隙。(2)执行阶段：驾驶员准备变道时，向周围车辆发出变道请求，调整角度开始向目标车道变道。(3)调整阶段：变道到目标车道后，要校正车辆的前角，调整行驶速度，保证与前车有安全距离。车辆换道轨迹规划模型可以使车辆在换道过程中安全平稳的执行换道行为，在已有研究中，多项式轨迹规划方法被普遍使用，其保证了换道轨迹的曲率、速度及加速度的连续性，因此本文选用五次多项式模型进行轨迹规划的研究。
轨迹规划模型为
Figure BDA0003449421850000141
其参数矩阵为：
Figure BDA0003449421850000142
[xinx′inx″inxfinx′finx″fin]T＝T·AT；
[yiny′iny″inyfiny′finy″fin]T＝T·BT；
其中，[xinx′inx″inyiny′iny″in]为换道时车辆的初始状态，其分别表示为换道前的纵向位置、速度、加速度；[xfinx′fix″finyfiny′finy″fi]为车辆结束换道后的状态，其分别表示为换道后的纵向位置、速度、加速度；tin表示车辆开始换道时刻，tfin表示车辆结束换道时刻。
其中，定义其换道前后的纵向加速度应为：
Figure BDA0003449421850000151
其中，
Figure BDA0003449421850000152
η＝1-λ，aOF是原车道观测车前车，aTF换道后观测车的前车，H为车道宽度，ylat为车的纵向位移；
换道前车辆的状态为
Figure BDA0003449421850000153
换道后车辆的状态为
Figure BDA0003449421850000154
车辆换道应具有一定的限制，从而保证了车辆能够平稳的换道，并且保证驾驶员的舒适性，定义换道的纵向加速度满足-2.5m/s2<x″<2.5m/s2；
换道的横向加速度满足-2m/s2<y″<2m/s2。
由此根据边界条件求出多项式系数从而得到车辆换道轨迹方程。
选取PeMS20.0.0数据库中的Freeway SR73-N路段的真实数据进行模型标定，当最小间距为3.7m，车头时距为1.6s时，与实测5min交通流量数据的相对误差最小，为9.07％，误差在可接收范围内。参数选择如下表所示：
表1 Krauss跟驰模型参数取值
Figure BDA0003449421850000155
表2 IDM跟驰模型参数取值
Figure BDA0003449421850000161
元胞传输模型的宏观交通流参数标定：
表3 CTM参数取值
Figure BDA0003449421850000162
根据本发明提供的一个实施例，换道轨迹规划模型为
Figure BDA0003449421850000171
其中，
Figure BDA0003449421850000172
式中，mod()为取余函数，xbottle为瓶颈位置，i为元胞所在路段索引，εi,j为折减系数且εi,j<1，ρ*是元胞的最有密度，v是元胞(i，j)的速度，p是元胞(i，j)的换道率；x是车辆所在位置坐标，ρbottle是瓶颈区元胞密度，LLC是强制换道的换道长度，ρc i，j是元胞(i，j)的临界密度。该系数保证了路段密度不会恰好控制在临界密度，从而给予一定的缓冲区间。
根据本发明提供的一个实施例，步骤S2包括：
S21，随机产生初始种群p0并进行非劣排序，对种群执行二元锦标赛选择、交叉和变异，得到新的种群Q0，并令t＝0；
S22，形成新的群体Rt＝Pt∪Qt再次进行非劣排序，得到F1，F2，…Fn；
S23，对所有F进行拥挤度排序，选择其中最优N个体形成种群Pt+1；
S24，对种群Pt+1执行步骤S21操作，得到Qt+1；
S25，达到终止条件则结束；否则，t＝t+1，返回步骤S22。
解选取策略如图9所示，对于低交通需求，在密度-流量基本图中位于曲线左半支偏下部分，此时速度达到期望速度，各元胞的密度不会超过其临界密度，因此密度诱导的目标函数侧重点应有所降低，而对其余的目标函数应着重考虑，此时的控制策略应在换道率最小的条件下达到路段流量最大。见图9中的A区域。
对于中等交通需求，在密度-流量基本图中位于曲线左半支偏上部分，此时应兼顾目标函数，在使通过流量最大的同时，保证换道率较小且不会出现某一元胞的密度过大导致密度不均衡的情况。见图中的B区域。
对于高交通需求，在密度-流量基本图中位于曲线中间的临界密度对应部分，此时应优先考虑密度诱导的目标函数，保证每个元胞的密度都趋近于诱导因子的密度，使非瓶颈车道达到最优密度且瓶颈车道密度随距瓶颈距离逐渐减少。而考虑换道率的目标函数侧重点应有所降低，保证非瓶颈车道的车辆能够按引导换道，为瓶颈车道的车辆让出换道空间，避免其在临近瓶颈处强制换道。见图中的C区域。
根据本发明提供的一个实施例，在步骤S4中，循环步骤S2和步骤S3时，预测范围与控制范围分别为Tp和Tc，采样周期为T，则预测步长为Np＝Tp/T，控制步长为Nc＝Tc/T。
图7所示是改进元胞传输模型的预测协同控制框架：
预测模型：
Figure BDA0003449421850000181
其中f(·)为非线性离散时间预测函数，x为状态向量，u为控制向量，d为外部扰动。在基于改进CTM的MPC协同控制策略中状态向量x为控制路段中各元胞内交通流的平均密度和平均速度。控制变量u为路段中各元胞(i,j)限速值
Figure BDA0003449421850000182
与各元胞间的换道率
Figure BDA0003449421850000183
预测模型可以用上述的改进元胞传输模型进行计算。
滚动优化：通过建立车辆引导优化模型，评价上一时间窗预测的状态向量与控制向量，并通过求解算法求出最优控制变量
Figure BDA0003449421850000191
假设预测范围与控制范围分别为Tp和Tc，采样周期为T，则预测步长为Np＝Tp/T，控制步长为Nc＝Tc/T，即在滚动优化计算的过程中，第n个预测范围为(n-1)Nc+1至(n-1)Nc+Np，第n个控制范围为(n-1)Nc+1至nNc。
控制对象：将
Figure BDA0003449421850000192
作为输入变量，重复上述步骤从而实现滚动优化，直到达到设置的预测范围Tp。
本发明基于SUMO仿真平台，利用Traci-python接口模拟车路协同环境对智能车辆实时的信息获取与控制。对比传统驾驶环境和车路协同环境，设计低峰时段流量、平峰时段流量、高峰时段流量的动态变化交通需求作为瓶颈上游的输入交通量，讨论无引导、可变限速引导与本专利的引导策略执行后交通流演变结果，以此对引导方法的优劣性进行评价。
本发明利用SUMO(1.7.0)中的NetEdit搭建场景并实现。如图10和图11所示，得到本实施例优化策略前后的时间-位置-密度对比图。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种车辆引导控制方法，其特征在于：包括：
S1，通过横向交通流和可变限速引导引入的元胞传输模型，获得各元胞间交通流单步传播的预测模型；
S2，通过车辆引导优化模型，获得控制变量；
S3，将控制变量输入预测模型中，获取预测输出，
S4，将预测输出输入车辆引导优化模型，循环步骤S2和步骤S3，直至获得各控制周期内的可变限速与换道交通流。
2.根据权利要求1所述的车辆引导控制方法，其特征在于：还包括：
S5，建立换道轨迹规划模型；
S6，通过各控制周期内的可变限速与换道交通流与轨迹规划模型，获得换道结果。
3.根据权利要求1所述的车辆引导控制方法，其特征在于：步骤S1包括：
获得多个元胞之间的换道流的密度和可变限速下的临界密度；
在元胞输入模型中引入换道流的密度和可变限速下的临界密度，获得各元胞间交通流单步传播的预测模型。
4.根据权利要求3所述的车辆引导控制方法，其特征在于：所述多个元胞之间的换道流的密度为
Figure FDA0003449421840000011
Figure FDA0003449421840000012
Figure FDA0003449421840000013
Figure FDA0003449421840000014
其中，
Figure FDA0003449421840000021
为元胞(i,j)以k为目标车道的交通流量，元胞(i,j)至目标车道(i+1,k)的发送能力
Figure FDA0003449421840000022
为最大发送能力Si,j与期望换道概率
Figure FDA0003449421840000023
的乘积，R是元胞(i+1,k)的最大接受能力。
5.根据权利要求4所述的车辆引导控制方法，其特征在于：所述可变限速下的临界密度
Figure FDA0003449421840000024
其中，vvsl为路段设置的可变限速值，w是交通波的传播速度，ρj是阻塞密度。
6.根据权利要求5所述的车辆引导控制方法，其特征在于：所述预测模型为
元胞发送能力Si,j(t)＝min{vvsl(t)ρi,j(t),Qvsl(t)}；
元胞接收能力Ri,j(t)＝min{Qvsl(t),w[ρj(t)-ρi,j(t)]}；
其中，ρc'所对应的流量
Figure FDA0003449421840000025
对于任意元胞(i,j)在任意时刻所对应的速度取值
Figure FDA0003449421840000026
vmax是车流的最大速度。
7.根据权利要求2所述的车辆引导控制方法，其特征在于：所述轨迹规划模型为
Figure FDA0003449421840000027
其参数矩阵为：
Figure FDA0003449421840000031
[xin x′in x″in xfin x′fin x″fin]T＝T·AT；
[yin y′in y″in yfin y′fin y″fin]T＝T·BT；
其中，[xin x′in x″in yin y′in y″in]为换道时车辆的初始状态，其分别表示为换道前的纵向位置、速度、加速度；[xfin x′fin x″fin yfin y′fi y″fin]为车辆结束换道后的状态，其分别表示为换道后的纵向位置、速度、加速度；tin表示车辆开始换道时刻，tfin表示车辆结束换道时刻。
其中，定义其换道前后的纵向加速度应为：
Figure FDA0003449421840000032
其中，
Figure FDA0003449421840000033
η＝1-λ，aOF是原车道观测车前车，aTF换道后观测车的前车，H为车道宽度，ylat为车的纵向位移；
换道前车辆的状态为
Figure FDA0003449421840000034
换道后车辆的状态为
Figure FDA0003449421840000035
换道的纵向加速度满足-2.5m/s2＜x″＜2.5m/s2；
换道的横向加速度满足-2m/s2＜y″＜2m/s2。
8.根据权利要求1所述的车辆引导控制方法，其特征在于：所述换道轨迹规划模型为
Figure FDA0003449421840000041
其中，
Figure FDA0003449421840000042
式中，mod()为取余函数，xbottle为瓶颈位置，i为元胞所在路段索引，εi，j为折减系数且εi，j＜1，ρ*是元胞的最有密度，v是元胞(i，j)的速度，p是元胞(i，j)的换道率；x是车辆所在位置坐标，ρbottle是瓶颈区元胞密度，LLC是强制换道的换道长度，ρc i，j是元胞(i，j)的临界密度。
9.根据权利要求8所述的车辆引导控制方法，其特征在于：步骤S2包括：
S21，随机产生初始种群p0并进行非劣排序，对种群执行二元锦标赛选择、交叉和变异，得到新的种群Q0，并令t＝0；
S22，形成新的群体Rt＝Pt∪Qt再次进行非劣排序，得到F1，F2，...Fn；
S23，对所有F进行拥挤度排序，选择其中最优N个体形成种群Pt+1；
S24，对种群Pt+1执行步骤S21操作，得到Qt+1；
S25，达到终止条件则结束；否则，t＝t+1，返回步骤S22。
10.根据权利要求1所述的车辆引导控制方法，其特征在于：在步骤S4中，循环步骤S2和步骤S3时，预测范围与控制范围分别为Tp和Tc，采样周期为T，则预测步长为Np＝Tp/T，控制步长为Nc＝Tc/T。
CN202111659824.6A 2021-12-30 2021-12-30 车辆引导控制方法 Active CN114387781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111659824.6A CN114387781B (zh) 2021-12-30 2021-12-30 车辆引导控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111659824.6A CN114387781B (zh) 2021-12-30 2021-12-30 车辆引导控制方法

Publications (2)

Publication Number Publication Date
CN114387781A true CN114387781A (zh) 2022-04-22
CN114387781B CN114387781B (zh) 2024-04-09

Family

ID=81199471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111659824.6A Active CN114387781B (zh) 2021-12-30 2021-12-30 车辆引导控制方法

Country Status (1)

Country Link
CN (1) CN114387781B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115188204A (zh) * 2022-06-29 2022-10-14 东南大学 一种异常天气条件下高速公路车道级可变限速控制方法
CN116092308A (zh) * 2022-11-28 2023-05-09 合肥工业大学 网联环境下道路瓶颈路段上下游的车辆协同换道控制方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180182239A1 (en) * 2016-12-28 2018-06-28 Richard G. J. Baverstock Systems and methods for realtime macro traffic infrastructure management
CN109035766A (zh) * 2018-07-13 2018-12-18 北京工业大学 一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法
CN110992695A (zh) * 2019-12-13 2020-04-10 北京理工大学 基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型
DE102018125250A1 (de) * 2018-10-12 2020-04-16 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Steuereinheit zur Führung eines Fahrzeugs
CN111311913A (zh) * 2020-02-26 2020-06-19 清华大学 一种提高公路变窄路段通行效率的控制方法和系统
CN112216148A (zh) * 2020-09-21 2021-01-12 西安工程大学 一种车路协同下双车道车辆换道指引方法
WO2021073079A1 (zh) * 2019-10-17 2021-04-22 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN112800550A (zh) * 2021-03-30 2021-05-14 浙江高速信息工程技术有限公司 一种基于元胞传输模型的匝道流量管控效果仿真预测方法
CN112907950A (zh) * 2021-01-20 2021-06-04 东南大学 一种面向车路协同环境的元胞传输模型改进方法
CN112927503A (zh) * 2021-01-25 2021-06-08 河北上元智能科技股份有限公司 一种雨天高速公路主线速度限制和匝道融合协调控制方法
US20210206377A1 (en) * 2020-01-06 2021-07-08 GM Global Technology Operations LLC System method to establish a lane-change maneuver
CN113205676A (zh) * 2021-03-30 2021-08-03 浙江高速信息工程技术有限公司 一种基于元胞传输模型的建模方法及参数标定方法
CN113450583A (zh) * 2021-09-01 2021-09-28 长沙理工大学 一种车路协同下高速公路可变限速和变道协同控制方法
US20210319691A1 (en) * 2021-06-25 2021-10-14 Arvind Merwaday Collaborative detection and avoidance of phantom traffic jams
WO2021227502A1 (zh) * 2020-05-14 2021-11-18 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

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180182239A1 (en) * 2016-12-28 2018-06-28 Richard G. J. Baverstock Systems and methods for realtime macro traffic infrastructure management
CN109035766A (zh) * 2018-07-13 2018-12-18 北京工业大学 一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法
DE102018125250A1 (de) * 2018-10-12 2020-04-16 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Steuereinheit zur Führung eines Fahrzeugs
WO2021073079A1 (zh) * 2019-10-17 2021-04-22 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN110992695A (zh) * 2019-12-13 2020-04-10 北京理工大学 基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型
US20210206377A1 (en) * 2020-01-06 2021-07-08 GM Global Technology Operations LLC System method to establish a lane-change maneuver
CN111311913A (zh) * 2020-02-26 2020-06-19 清华大学 一种提高公路变窄路段通行效率的控制方法和系统
WO2021227502A1 (zh) * 2020-05-14 2021-11-18 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
CN112216148A (zh) * 2020-09-21 2021-01-12 西安工程大学 一种车路协同下双车道车辆换道指引方法
CN112907950A (zh) * 2021-01-20 2021-06-04 东南大学 一种面向车路协同环境的元胞传输模型改进方法
CN112927503A (zh) * 2021-01-25 2021-06-08 河北上元智能科技股份有限公司 一种雨天高速公路主线速度限制和匝道融合协调控制方法
CN112800550A (zh) * 2021-03-30 2021-05-14 浙江高速信息工程技术有限公司 一种基于元胞传输模型的匝道流量管控效果仿真预测方法
CN113205676A (zh) * 2021-03-30 2021-08-03 浙江高速信息工程技术有限公司 一种基于元胞传输模型的建模方法及参数标定方法
US20210319691A1 (en) * 2021-06-25 2021-10-14 Arvind Merwaday Collaborative detection and avoidance of phantom traffic jams
CN113450583A (zh) * 2021-09-01 2021-09-28 长沙理工大学 一种车路协同下高速公路可变限速和变道协同控制方法

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
CHRISTINA NG等: "Development of Macroscopic Cell-Based Logistic Lane Change Prediction Model", HINDAWI, pages 1 - 17 *
YIHANG ZHANG等: "Combined Variable Speed Limit and Lane Change Control for Highway Traffic", IEEE, vol. 18, no. 7, pages 1812 - 1823, XP011654397, DOI: 10.1109/TITS.2016.2616493 *
YUQING GUO等: "Integrated Variable Speed Limits and Lane-Changing Control for Freeway Lane-Drop Bottlenecks", 《IEEE》 *
YUQING GUO等: "Integrated Variable Speed Limits and Lane-Changing Control for Freeway Lane-Drop Bottlenecks", 《IEEE》, 27 March 2020 (2020-03-27), pages 54710 - 54721, XP011780420, DOI: 10.1109/ACCESS.2020.2981658 *
姜立标 等: "智能车辆换道过程的横向运动控制研究", 机械设计与制造工程, vol. 50, no. 9, pages 76 - 82 *
焦朋朋 等: "车路协同环境高速公路瓶颈车辆换道引导方法", 《重庆交通大学学报(自然科学版)》 *
焦朋朋 等: "车路协同环境高速公路瓶颈车辆换道引导方法", 《重庆交通大学学报(自然科学版)》, vol. 40, no. 11, 30 November 2021 (2021-11-30), pages 53 - 59 *
焦朋朋 等: "车路协同环境高速公路瓶颈车辆换道引导方法", 重庆交通大学学报, vol. 40, no. 11, pages 53 - 59 *
牛国臣 等: "基于双五次多项式的智能汽车换道轨迹规划", 《汽车工程》 *
牛国臣 等: "基于双五次多项式的智能汽车换道轨迹规划", 《汽车工程》, vol. 43, no. 7, 31 July 2021 (2021-07-31), pages 978 - 986 *
王世明 等: "面向高速公路的车辆换道安全预警模型", 华南理工大学学报, vol. 42, no. 12, pages 40 - 50 *
邓鸿耀: "基于改进CTM的快速路可变限速控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
邓鸿耀: "基于改进CTM的快速路可变限速控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 January 2021 (2021-01-15), pages 28 - 31 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115188204A (zh) * 2022-06-29 2022-10-14 东南大学 一种异常天气条件下高速公路车道级可变限速控制方法
CN115188204B (zh) * 2022-06-29 2023-08-15 东南大学 一种异常天气条件下高速公路车道级可变限速控制方法
CN116092308A (zh) * 2022-11-28 2023-05-09 合肥工业大学 网联环境下道路瓶颈路段上下游的车辆协同换道控制方法
CN116092308B (zh) * 2022-11-28 2023-11-24 合肥工业大学 网联环境下道路瓶颈路段上下游的车辆协同换道控制方法

Also Published As

Publication number Publication date
CN114387781B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN114387781A (zh) 车辆引导控制方法
Liu et al. An efficient on-ramp merging strategy for connected and automated vehicles in multi-lane traffic
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
CN108806252B (zh) 一种高速公路混合交通流协同优化控制方法
CN112307564B (zh) 列车ato目标运行速度曲线优化方法及装置
Wang et al. Harmonious lane changing via deep reinforcement learning
Piacentini et al. Traffic control via moving bottleneck of coordinated vehicles
Guo et al. Merging and diverging impact on mixed traffic of regular and autonomous vehicles
CN107730931A (zh) 一种车路协同环境下车辆编队控制及其信号优化方法
CN114241778A (zh) 高速公路网联车协同匝道汇入多目标优化控制方法和系统
CN113554875B (zh) 一种基于边缘计算的高速公路异质交通流可变限速控制方法
Wei et al. Mixed-autonomy traffic control with proximal policy optimization
Peng et al. Bayesian persuasive driving
CN112750298B (zh) 一种基于smdp和drl的货车编队动态资源分配方法
CN112562363B (zh) 一种基于v2i的交叉口交通信号优化方法
CN115830885B (zh) 一种考虑多车型能量消耗的车辆匝道合流协同控制方法
CN116189454A (zh) 交通信号控制方法、装置、电子设备及存储介质
Liu et al. Eco-Friendly On-Ramp Merging Strategy for Connected and Automated Vehicles in Heterogeneous Traffic
Ma et al. Deep Reinforcement Learning-based Edge Caching and Multi-link Cooperative Communication in Internet-of-Vehicles
Fan et al. Deep Reinforcement Learning Based Integrated Eco-driving Strategy for Connected and Automated Electric Vehicles in Complex Urban Scenarios
Ma et al. Dissipation of stop-and-go waves of mixed autonomous vehicle flow with reinforcement learning
Liu et al. A Centralized Cooperative Lane-Changing Strategy for Merging into CAV Platoon
Feng et al. Environmental adaptive urban traffic signal control based on reinforcement learning algorithm
Cao et al. Design of vehicle profile for autonomous vehicles in roundabouts used to improve lane change strategy based on multi-vehicle collaboration
Lei et al. A Novel Variable Speed Limit Control for Freeway Work Zone Based on Deep Reinforcement Learning

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