CN114495499B - 一种多目标智能网联车辆协同优化控制方法 - Google Patents
一种多目标智能网联车辆协同优化控制方法 Download PDFInfo
- Publication number
- CN114495499B CN114495499B CN202210070831.0A CN202210070831A CN114495499B CN 114495499 B CN114495499 B CN 114495499B CN 202210070831 A CN202210070831 A CN 202210070831A CN 114495499 B CN114495499 B CN 114495499B
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- target vehicle
- cav
- sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 3
- 241000725585 Chicken anemia virus Species 0.000 description 39
- 230000006870 function Effects 0.000 description 12
- 230000008439 repair process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/07—Controlling traffic signals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多目标智能网联车辆协同优化控制方法,涉及智能网联车辆优化技术领域,本发明通过目标交叉口中各个进道口在预设通信范围内的各个目标车辆,分别针对目标交叉口的各个进道口,建立跟驰模型,应用跟驰模型,获得各个目标车辆通过目标交叉口的跟驰顺序。通过本发明的技术方案能够使得各个方向的车辆在通过冲突区域时降低车辆延误,提高道路通行效率,缓解交通拥堵,减少车辆在通行潜在冲突区域过程中的能源消耗,促进绿色交通发展。
Description
技术领域
本发明涉及智能网联车辆优化技术领域,具体而言涉及一种多目标智能网联车辆协同优化控制方法。
背景技术
智能网联车辆技术的发展给交通管理带来了一场即将到来的革命。在考虑车辆的部署时,车辆在潜在冲突区域的控制将对车辆交通管理造成复杂影响,例如入口匝道、交叉口,因此实时有效的车辆控制策略可以减少车辆在冲突区域造成的行驶延误,提高通行效率。
在现有技术当中,对智能网联车进行控制的研究主要分为两类,一种是基于规则的策略的研究,其主要利用启发式规则来确定车辆的通过顺序,但基于规则的性质得到的通过顺序是可行的解,而非最优的解决方案,此外,基于规则的策略在某些情况下受限于传统的信号控制;另一类是基于规划的策略,基于规划的策略是在巨大的解空间中寻找最优解的方法,在当前的研究过程中,主要考虑的优化目标只有通过时间、总时延等时间指标,对能量消耗、队列长度等目标的优化研究较少,现阶段缺乏一个调度智能网联车辆能够实时兼顾安全性、交通效率和能源消耗的通用框架。
发明内容
本发明的目的在于提供一种多目标智能网联车辆协同优化控制方法,以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种多目标智能网联车辆协同优化控制方法,基于目标交叉口中各个进道口在预设通信范围内的各个目标车辆,分别针对目标交叉口的各个进道口,根据以下步骤A至步骤D建立跟驰模型,应用跟驰模型,获得各个目标车辆通过目标交叉口的跟驰顺序:
步骤A、采集进道口上对应预设通信范围内各个目标车辆的交通数据信息,基于各个目标车辆分别所对应的交通数据信息,在预设通信范围内随机生成各个目标车辆通过目标交叉口的跟驰序列,随后进入步骤B;
步骤B、分别针对该进道口对应的各个目标车辆,基于目标车辆在跟驰序列中的位置,判断该目标车辆在经过目标交叉口时,与其相邻两车辆之间是否存在交通冲突,筛选出存在交通冲突的各个目标车辆作为该进道口的冲突车辆,随后进入步骤C;
步骤C、基于该进道口对应的各个冲突车辆,确定该冲突车辆的在预设通信范围内的冲突区域,构建用于对冲突车辆进行交通冲突预测、并输出冲突车辆在冲突区域的通行时长以及通行顺序的目标预测模块,随后进入步骤D;
步骤D、针对该进道口,基于目标预测模块,以该进道口对应各个目标车辆的交通数据信息为输入,以冲突车辆通过冲突区域的通过顺序服从帕雷托最优解为目标,以各个目标车辆通过目标交叉口的顺序为输出,对待训练跟驰模型进行训练,获得用于预测各个目标车辆在目标交叉口的通过顺序的跟驰模型。
进一步地,前述的目标交叉口包括十字路口、道路出入口匝道。
进一步地,前述的步骤A中,目标车辆的交通数据信息包括车辆行驶位置、车辆行驶速度、车辆目标行车道、以及车辆编码。
进一步地,前述的进道口包括预设数量个行车道,步骤A中,将行驶在该进道口所对应各个行车道上的各个目标车辆均映射至相同行车道中,作为主干道,将主干道中的各个目标车辆映射顺序作为各个目标车辆通过目标交叉口的跟驰顺序。
进一步地,前述的,步骤B中,根据以下公式:
对目标交叉口内的各个目标车辆进行引导,使得在安全距离下各个目标车辆之间的车间距最小,作为该进道口的冲突车辆,其中,pi为该目标车辆,pk为该目标车辆的相邻车辆,t0为该目标车辆进入冲突区域的时间,t1为该目标车辆到达冲突区域或停止行驶的时间,Δs为两个目标车辆之间的安全距离,b为布尔变量,为目标车辆pi在冲突区域中的行驶距离。
进一步地,前述的步骤C中,针对冲突区域,根据以下公式:
获得目标预测模块,其中,f1(x)为所有目标车辆pi通过冲突区域的时间消耗函数,f1(x)=te(CAVn),CAV为目标车辆编码,f2(x)为目标车辆pi通过冲突区域的能源消耗函数,式中,x为车辆的跟驰顺序,x=[CAV1,CAV2,…,CAVn],x[k]表示第k个通过冲突区域的车辆,te表示为CAVi离开CR的时间,单个CAV编码的定义为:
Ei=(zi,vi,ai,encode(lanei))
其中,Ei表示CAVi的编码,zi是从车道开始的CAVi的位置,vi是CAVi的速度,ai表示CAVi的加速度,同时,zi,vi,ai均为标准化后的值。
进一步地,前述的步骤D中,对待训练跟驰模型进行训练,采用帕累托最优解选择最佳通过顺序,当满足以下条件时,帕雷托解占主导地位:
其中,fj(x0)表示目标车辆通过冲突区域的时间消耗量,fj(x1)表示目标车辆通过冲突区域的能源消耗量,j为目标函数,j的取值为1或2,筛选出帕雷托解中占非主导低维的帕累托解集,构成帕累托最优解集,获得各个目标车辆通过目标交叉口的跟驰顺序。
进一步地,利用神经网络对待训练跟驰模型进行构建,在对跟驰模型进行训练的过程中,根据以下公式:
本发明所述一种多目标智能网联车辆协同优化控制方法,采用以上技术方案与现有技术相比,具有以下技术效果:
通过对不同目标进行引导,通过训练获得跟驰模型的过程中利用多目标离散进化算法,缩短算法的计算时间,以实现对智能网联汽车的实时控制,同时,利用目标预测模块、以及跟驰模型所获结果能够使得各个方向的车辆在通过冲突区域时能够降低车辆延误,有效提高车辆在道路上的安全通行效率,缓解交通拥堵,有效避免交通事故的发生,减少车辆在通行潜在冲突区域过程中的能源消耗,促进绿色交通发展,有助于进一步实现区域交通协调控制。
附图说明
图1为本发明示例性实施例的一种协同优化控制方法的流程示意图;
图2(a)为本发明示例性实施例的一种道路出入口匝道驾驶场景示意图;
图2(b)为本发明示例性实施例的一种十字路口驾驶场景示意图;
图3为本发明示例性实施例的一种车道编码示意图;
图4为本发明示例性实施例的交叉操作示意图;
图5为本发明示例性实施例的交换移位对称操作示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面,附图中示出了许多说明性实施例。本发明的实施例不局限于附图所示。应当理解,本发明通过上面介绍的多种构思和实施例,以及下面详细描述的构思和实施方式中的任意一种来实现,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图1,本发明示例性提供一种多目标智能网联车辆协同优化控制方法,基于目标交叉口中各个进道口在预设通信范围内的各个目标车辆,分别针对目标交叉口的各个进道口,根据以下步骤A至步骤D建立跟驰模型,应用跟驰模型,获得各个目标车辆通过目标交叉口的跟驰顺序,目标交叉口包括十字路口、道路出入口匝道:
步骤A、采集进道口上对应预设通信范围内各个目标车辆的交通数据信息,目标车辆的交通数据信息包括车辆行驶位置、车辆行驶速度、车辆目标行车道、以及车辆编码,进道口包括预设数量个行车道,将行驶在该进道口所对应各个行车道上的各个目标车辆均映射至相同行车道中,基于各个目标车辆分别所对应的交通数据信息,作为主干道,将主干道中的各个目标车辆映射顺序作为各个目标车辆通过目标交叉口的跟驰顺序,在预设通信范围内随机生成各个目标车辆通过目标交叉口的跟驰序列,随后进入步骤B。
步骤B、分别针对该进道口对应的各个目标车辆,基于目标车辆在跟驰序列中的位置,判断该目标车辆在经过目标交叉口时,与其相邻两车辆之间是否存在交通冲突,筛选出存在交通冲突的各个目标车辆作为该进道口的冲突车辆,根据以下公式:
对目标交叉口内的各个目标车辆进行引导,使得在安全距离下各个目标车辆之间的车间距最小,作为该进道口的冲突车辆,其中,pi为该目标车辆,pk为该目标车辆的相邻车辆,t0为该目标车辆进入冲突区域的时间,t1为该目标车辆到达冲突区域或停止行驶的时间,Δs为两个目标车辆之间的安全距离,b为布尔变量,为目标车辆pi在冲突区域中的行驶距离,随后进入步骤C。
步骤C、基于该进道口对应的各个冲突车辆,确定该冲突车辆的在预设通信范围内的冲突区域,构建用于对冲突车辆进行交通冲突预测、并输出冲突车辆在冲突区域的通行时长以及通行顺序的目标预测模块,针对冲突区域,根据以下公式:
获得目标预测模块,其中,f1(x)为所有目标车辆pi通过冲突区域的时间消耗函数,f1(x)=te(CAVn),CAV为目标车辆编码,f2(x)为目标车辆pi通过冲突区域的能源消耗函数,式中,x为车辆的跟驰顺序,x=[CAV1,CAV2,…,CAVn],x[k]表示第k个通过冲突区域的车辆,te表示为CAVi离开CR的时间,单个CAV编码的定义为:
Ei=(zi,vi,ai,encode(lanei))
其中,Ei表示CAVi的编码,zi是从车道开始的CAVi的位置,vi是CAVi的速度,ai表示CAVi的加速度,同时,zi,vi,ai均为标准化后的值,随后进入步骤D。
步骤D、针对该进道口,基于目标预测模块,以该进道口对应各个目标车辆的交通数据信息为输入,以冲突车辆通过冲突区域的通过顺序服从帕雷托最优解为目标,以各个目标车辆通过目标交叉口的顺序为输出,对待训练跟驰模型进行训练,采用帕累托最优解选择最佳通过顺序,当满足以下条件时,帕雷托解占主导地位:
其中,fj(x0)表示目标车辆通过冲突区域的时间消耗量,fj(x1)表示目标车辆通过冲突区域的能源消耗量,j为目标函数,j的取值为1或2,筛选出帕雷托解中占非主导低维的帕累托解集,构成帕累托最优解集,获得各个目标车辆通过目标交叉口的跟驰顺序,获得用于预测各个目标车辆在目标交叉口的通过顺序的跟驰模型。
利用神经网络对待训练跟驰模型进行构建,在对跟驰模型进行训练的过程中,根据以下公式:
实施例
结合图2至图4,基于步骤A至步骤D所描述过程,实施以下步骤:
根据步骤A所描述过程,采集进道口上对应预设通信范围内各个目标车辆的交通数据信息,基于各个目标车辆分别所对应的交通数据信息,利用虚拟映射把所有车辆映射到一条道路,考虑车辆限速和加速能力的约束,建立引导智能网联车辆无冲突通过交叉口的模型,模拟智能网联车辆控制过程判断车辆之间是否存在潜在冲突,智能网联车辆根据预先给定的通行次序进行跟驰,获得目标车辆通过目标交叉口的跟驰序列,采用虚拟车辆映射的方法,以确保行车安全。以高速公路入口匝道的情况为例,如图2(a)所示,车辆A和B在主干道lane1-1上,车辆C在入口匝道lane1-2,通过顺序为“A-C-B”,则将C映射到lane1-1,然后CAV B跟随由CAV C映射的虚拟车辆,其中CAV表示目标交叉口在预设通信范围内的各个目标车辆,随机生成智能网联车辆通过顺序,并收集车辆编码数据。
根据步骤B所描述过程,建立了一个判断相邻两辆智能网联汽车之间是否存在潜在冲突的函数,具体为:
式中,对目标交叉口内的各个目标车辆进行引导,使得在安全距离下各个目标车辆之间的车间距最小,作为该进道口的冲突车辆,其中,pi为该目标车辆,pk为该目标车辆的相邻车辆,t0为该目标车辆进入冲突区域的时间,t1为该目标车辆到达冲突区域或停止行驶的时间,Δs为两个目标车辆之间的安全距离,b为布尔变量,为目标车辆pi在冲突区域中的行驶距离。
结合步骤C所描述过程,构建以减少不同交通状态下交叉口车辆疏散时间和能源消耗为目标的目标预测模块,使用卷积神经网络来执行学习过程,针对冲突区域,目标预测模块如下:
用预设通信范围内(Communication Range,CR)的概念定义通信和控制的边界,n是CR中的车辆数量,x表示车辆的通过顺序,x[k]表示第k个通过交叉口的车辆,te表示为CAVi离开CR的时间,f1表示为通过冲突区域中所有CAV的时间消耗,f2表示为相应的能源消耗。
x=[CAV1,CAV2,…,CAVn]
f1(x)=te(CAVn)
单个CAV编码的定义为:
Ei=(pi,vi,ai,encode(lanei))
其中,Ei表示CAVi的编码,pi是从车道开始的CAVi的位置,vi是CAVi的速度,ai表示CAVi的加速度,pi,vi,ai是标准化后的值。
如图3所示,目标预测模块的主干网络部分将由多个CAV编码组成的序列向量作为输入,在高速公路入口匝道和城市无信号交叉口CAV编码的长度分别为5和9,将卷积核大小设为[2,3,4]和[2,5,7],提取不同尺度的特征。在训练过程中采用了Adam算法,利用学习率的步进衰减来提高训练效果,最后输出时间消耗和能量消耗。
本发明构建的神经网络的损失函数为:
权重ω1和ω2可以进行手动调整。利用同方差不确定性的最大似然值计算损失函数。fW(x)是具有权值为W的神经网络的输出,具体表达式为:
p(fj(x)|fW(x))=N(fW(x),σ2)(j=1,2)
结合步骤D中所描述过程,本发明在对跟驰模型进行训练的过程中应用了一种多目标进化算法,在种群进化算法的基础上,引入帕累托最优解集的概念,将卷积神经网络学习的结果反馈给进化算法,并对多目标优化问题的解采用帕累托最优解进行选择,多目标离散进化算法具体为:采用选择操作、交叉操作、交换操作、移位操作和对称操作进行种群进化,最终采用帕累托选择最优解,选择操作的具体步骤为:
用非支配排序法对个体进行分层,然后应用轮盘赌法选择个体,在轮盘赌法中,个体的选择概率定义为:
Pr表示被选择的概率,c为非支配水平,X^N为P中所有非支配解的集合,fitness表示个体的虚值。
如图4所示,交叉操作的具体步骤为:
子序列的起始位置和长度是随机生成的,交叉后的结果可以是重复的项。同时,生成一个交叉映射,并且交叉映射实际上是整数0,1,…,n-1的随机顺序。通过乘以序列的长度并添加交叉映射来转换交换后的新序列。最后,根据第三阶段的结果,可以通过排序操作来产生后代。
如图5所示,交换操作、移位操作和对称操作的具体步骤为:
状态转换过程是概率的,本发明中,概率p的值设置为0.2。状态转换的操作包括交换、移位和对称。交换用于随机交换传递序列中的子序列,移位变换用于子序列转换,对称是指围绕选定中心点对称的两个子序列交换其值。这些操作可以由几个矩阵来执行,这些矩阵可以表示为:
xk+1=Msymmetry(Mshift(Mswapxk))
式中,xk+1是第k迭代后的传递序列。Msymmetry、Mshift和Mswap分别表示实现对称运算、移位运算和交换运算后的矩阵。交换和移位操作中子序列的长度是一个超参数。交换和移位操作的序列根据智能网联汽车的数量随机生成。而对于对称操作,可以随机生成子序列的长度和对称中心的位置。
采用帕累托最优解选择最佳通过顺序,计算方法如下:
当满足以下条件时,帕累托解才占主导地位:
用x0>x1表示支配关系,它说明x0主导着x1。如果没有任何解决方案,那么x0将被称为非主导解决方案。帕累托最优解集Ps为所有非主导解组成的集合。
如果在帕累托最优解集中存在多个元素,则可以采用两种启发式策略:
延误优先策略(DFS):始终从中选择时间消耗最小的解决方案。
能源优先战略(EFS):始终选择能源消耗最小的解决方案。
初始化操作生成的是范围为1到n的不同整数。在进化算法中,考虑CR中禁止变换车道,某些解决方案需要被排除。以高速公路入口匝道的情况为例,车辆A和B在主干道lane1-1上,车辆C在入口匝道lane1-2。通过顺序[C,A,B]虽是可行解,但实际交通场景中A应该在C前面通过。因此,应用修复操作来修复非法序列,其定义为:
其中,x表示可以是候选序列的传递序列,而Mr是执行修复操作的矩阵。该矩阵根据车道上车辆的顺序构造。对于不可行的序列[3,1,2],它表示通过顺序是“C-A-B”。Mr为:
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (2)
1.一种多目标智能网联车辆协同优化控制方法,其特征在于,基于目标交叉口中各个进道口在预设通信范围内的各个目标车辆,分别针对目标交叉口的各个进道口,根据以下步骤A至步骤D建立跟驰模型,应用跟驰模型,获得各个目标车辆通过目标交叉口的跟驰顺序:
步骤A、采集进道口上对应预设通信范围内各个目标车辆的交通数据信息,基于各个目标车辆分别所对应的交通数据信息,在预设通信范围内随机生成各个目标车辆通过目标交叉口的跟驰序列,随后进入步骤B;
所述步骤A中,目标车辆的交通数据信息包括车辆行驶位置、车辆行驶速度、车辆目标行车道、以及车辆编码;
所述进道口包括预设数量个行车道,步骤A中,将行驶在该进道口所对应各个行车道上的各个目标车辆均映射至相同行车道中,作为主干道,将主干道中的各个目标车辆映射顺序作为各个目标车辆通过目标交叉口的跟驰顺序;
步骤B、分别针对该进道口对应的各个目标车辆,基于目标车辆在跟驰序列中的位置,判断该目标车辆在经过目标交叉口时,与其相邻两车辆之间是否存在交通冲突,筛选出存在交通冲突的各个目标车辆作为该进道口的冲突车辆,随后进入步骤C;
所述步骤B中,根据以下公式:
对目标交叉口内的各个目标车辆进行引导,使得在安全距离下各个目标车辆之间的车间距最小,作为该进道口的冲突车辆,其中,pi为该目标车辆,pk为该目标车辆的相邻车辆,t0为该目标车辆进入冲突区域的时间,t1为该目标车辆到达冲突区域或停止行驶的时间,Δs为两个目标车辆之间的安全距离,b为布尔变量,为目标车辆pi在冲突区域中的行驶距离,为给定的安全距离;
步骤C、基于该进道口对应的各个冲突车辆,确定该冲突车辆的在预设通信范围内的冲突区域,构建用于对冲突车辆进行交通冲突预测、并输出冲突车辆在冲突区域的通行时长以及通行顺序的目标预测模块,随后进入步骤D;
所述步骤C中,针对冲突区域,根据以下公式:
获得目标预测模块,其中,f1(x)为所有目标车辆pi通过冲突区域的时间消耗函数,f1(x)=te(CAVn),CAV为目标车辆编码,f2(x)为目标车辆pi通过冲突区域的能源消耗函数,式中,x为车辆的跟驰顺序,x=[CAV1,CAV2,...,CAVn],x[k]表示第k个通过冲突区域的车辆,te表示为CAVi离开CR的时间,e(CAVi)为CAVi的能源消耗函数,单个CAV编码的定义为:
Ei=(zi,vi,ai,encode(lanei))
其中,Ei表示CAVi的编码,zi是从车道开始的CAVi的位置,vi是CAVi的速度,ai表示CAVi的加速度,同时,zi,vi,ai均为标准化后的值,lanei为CAVi所在车道,encode(lanei)为CAVi所在车道的编码;
步骤D、针对该进道口,基于目标预测模块,以该进道口对应各个目标车辆的交通数据信息为输入,以冲突车辆通过冲突区域的通过顺序服从帕雷托最优解为目标,以各个目标车辆通过目标交叉口的顺序为输出,对待训练跟驰模型进行训练,获得用于预测各个目标车辆在目标交叉口的通过顺序的跟驰模型;
所述步骤D中,对待训练跟驰模型进行训练,采用帕累托最优解选择最佳通过顺序,当满足以下条件时,帕雷托解占主导地位:
其中,fj(x0)表示目标车辆通过冲突区域的时间消耗量,fj(x1)表示目标车辆通过冲突区域的能源消耗量,j为目标函数,j的取值为1或2,筛选出帕雷托解中占非主导低维的帕累托解集,构成帕累托最优解集,获得各个目标车辆通过目标交叉口的跟驰顺序;
利用神经网络对待训练跟驰模型进行构建,在对跟驰模型进行训练的过程中,根据以下公式:
2.根据权利要求1所述的一种多目标智能网联车辆协同优化控制方法,其特征在于,所述目标交叉口包括十字路口、道路出入口匝道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210070831.0A CN114495499B (zh) | 2022-01-21 | 2022-01-21 | 一种多目标智能网联车辆协同优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210070831.0A CN114495499B (zh) | 2022-01-21 | 2022-01-21 | 一种多目标智能网联车辆协同优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495499A CN114495499A (zh) | 2022-05-13 |
CN114495499B true CN114495499B (zh) | 2023-02-14 |
Family
ID=81472269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210070831.0A Active CN114495499B (zh) | 2022-01-21 | 2022-01-21 | 一种多目标智能网联车辆协同优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495499B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978260B (zh) * | 2019-03-26 | 2023-02-21 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
CN115100878B (zh) * | 2022-06-08 | 2023-05-16 | 东南大学 | 基于变邻域搜索算法的考虑行人通行的交叉口调度方法 |
CN115168810B (zh) * | 2022-09-08 | 2022-11-29 | 南京慧尔视智能科技有限公司 | 一种交通数据的生成方法、装置、电子设备和存储介质 |
CN115588314B (zh) * | 2022-10-14 | 2023-08-15 | 东南大学 | 一种面向智能网联环境的机场场道车机冲突检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345020A (zh) * | 2018-10-02 | 2019-02-15 | 北京航空航天大学 | 一种完全信息下的无信号交叉口车辆驾驶行为预测模型 |
CN109598950A (zh) * | 2018-12-04 | 2019-04-09 | 东南大学 | 一种智能网联车辆的匝道协同汇入控制方法及系统 |
CN110473404A (zh) * | 2019-09-19 | 2019-11-19 | 西南交通大学 | 一种城市十字交叉口混合交通流协同优化底层控制方法 |
CN110910663A (zh) * | 2019-10-16 | 2020-03-24 | 清华大学 | 一种车路协同环境下多智能车交叉口通行协调控制方法 |
CN113312733A (zh) * | 2021-05-08 | 2021-08-27 | 东南大学 | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 |
CN113449416A (zh) * | 2021-05-14 | 2021-09-28 | 东南大学 | 一种交叉口进口道的智能体仿真方法及系统 |
CN113658432A (zh) * | 2021-08-17 | 2021-11-16 | 上海交通大学 | 基于车辆通行优先级博弈的无信号灯交叉口通行优化方法 |
-
2022
- 2022-01-21 CN CN202210070831.0A patent/CN114495499B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345020A (zh) * | 2018-10-02 | 2019-02-15 | 北京航空航天大学 | 一种完全信息下的无信号交叉口车辆驾驶行为预测模型 |
CN109598950A (zh) * | 2018-12-04 | 2019-04-09 | 东南大学 | 一种智能网联车辆的匝道协同汇入控制方法及系统 |
CN110473404A (zh) * | 2019-09-19 | 2019-11-19 | 西南交通大学 | 一种城市十字交叉口混合交通流协同优化底层控制方法 |
CN110910663A (zh) * | 2019-10-16 | 2020-03-24 | 清华大学 | 一种车路协同环境下多智能车交叉口通行协调控制方法 |
CN113312733A (zh) * | 2021-05-08 | 2021-08-27 | 东南大学 | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 |
CN113449416A (zh) * | 2021-05-14 | 2021-09-28 | 东南大学 | 一种交叉口进口道的智能体仿真方法及系统 |
CN113658432A (zh) * | 2021-08-17 | 2021-11-16 | 上海交通大学 | 基于车辆通行优先级博弈的无信号灯交叉口通行优化方法 |
Non-Patent Citations (1)
Title |
---|
基于微观仿真与极值理论的城市交叉口安全评价方法;王晨等;《中国公路学报》;20180415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114495499A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114495499B (zh) | 一种多目标智能网联车辆协同优化控制方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN112216124B (zh) | 一种基于深度强化学习的交通信号控制方法 | |
CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
CN107331166B (zh) | 一种基于路径分析的动态限行方法 | |
CN106558226B (zh) | 信号灯配时评估与实时调整方法 | |
CN103593986B (zh) | 一种优化尾气排放的干线绿波协调控制信号配时方法 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
CN115862322A (zh) | 一种车辆可变限速控制优化方法、系统、介质及设备 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
CN111258314B (zh) | 一种基于协同演化的自动驾驶车辆决策涌现方法 | |
CN114333361A (zh) | 一种信号灯配时方法及装置 | |
CN115691167A (zh) | 一种基于交叉口全息数据的单点交通信号控制方法 | |
CN112309138A (zh) | 交通信号控制方法、装置、电子设备及可读存储介质 | |
CN114120670B (zh) | 用于交通信号控制的方法和系统 | |
CN115729829A (zh) | 一种基于改进遗传算法的自动驾驶加速测试方法 | |
CN112562363B (zh) | 一种基于v2i的交叉口交通信号优化方法 | |
CN113724507A (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 | |
CN106600990B (zh) | 基于遗传算法的动态信号灯评估方法与系统 | |
CN116805449A (zh) | 一种考虑个体先验数据的交通信号模糊控制方法及系统 | |
CN116189454A (zh) | 交通信号控制方法、装置、电子设备及存储介质 | |
CN116502529A (zh) | 一种车路协同混合交通流环境下快速干道车辆轨迹优化控制方法 | |
CN113628455B (zh) | 车联网环境下考虑车内人数的交叉口信号优化控制方法 |
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 |