CN114495527A - 一种混合交通环境下网联交叉口车路协同优化方法及系统 - Google Patents

一种混合交通环境下网联交叉口车路协同优化方法及系统 Download PDF

Info

Publication number
CN114495527A
CN114495527A CN202210169762.9A CN202210169762A CN114495527A CN 114495527 A CN114495527 A CN 114495527A CN 202210169762 A CN202210169762 A CN 202210169762A CN 114495527 A CN114495527 A CN 114495527A
Authority
CN
China
Prior art keywords
vehicle
optimization
traffic
model
intersection
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
CN202210169762.9A
Other languages
English (en)
Other versions
CN114495527B (zh
Inventor
王润民
赵祥模
凡海金
张心睿
吴霞
徐志刚
卢涛
刘占文
王露锦
蒋渊德
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202210169762.9A priority Critical patent/CN114495527B/zh
Publication of CN114495527A publication Critical patent/CN114495527A/zh
Application granted granted Critical
Publication of CN114495527B publication Critical patent/CN114495527B/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
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种混合交通环境下网联交叉口车路协同优化方法及系统，对交通信号和车辆轨迹进行异步分层优化设计，采用分层解耦式的交通优化模型：网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为优化目标，优化交通信号配时；车辆结合交通信号配时、车辆能耗模型与车辆运动学模型，以车辆燃油经济性为优化目标，通过优化车辆加速度，调整车辆行驶轨迹。本发明旨在解决交通信号与车辆轨迹优化模型待优化变量多，难以实时求解的问题，从而提升车辆通行效率，最小化燃油消耗。

Description

一种混合交通环境下网联交叉口车路协同优化方法及系统
技术领域
本发明属于智能交通控制领域，具体涉及一种混合交通环境下网联交叉口车路协同优化方法及系统。
背景技术
随着汽车保有量的急剧增长，增加了车辆的燃料消耗，破坏了城市地区的交通效率。城市交叉口作为道路相交点，往往是城市道路网络交通流运行的瓶颈。此外交叉口交通信号灯的交通控制，使得交叉口区域车辆频繁启停及加减速变换，导致通行效率和燃油经济性低下。近年来，车联网(Vehicle to Everything，V2X)技术的发展为进一步提高交通效率、提升燃油经济性提供了新的机遇。在网联信号交叉口环境下，融合V2X与自动驾驶技术的智能网联汽车，通过车车(Vehicle to Vehicle，V2V)通信和车路(Vehicle toInfrastructure，V2I)通信，获取周围车辆运动状态信息以及数百米外信号灯相位与倒计时(Signal Phase and Timing，SPaT)信息，进而完成交叉口信号配时与车辆轨迹优化控制。
目前有众多学者围绕网联交叉口环境下的交通信号优化与车辆轨迹优化分别开展了相关研究，然而仅进行交通信号优化的方法或仅进行车辆轨迹优化的方法都难以将车辆燃油经济性、驾乘舒适性以及行车效率同时考虑。有部分学者虽然考虑了交通信号及车辆轨迹的双层优化，但是均假设交通环境中的车辆为具备完全自动驾驶能力的智能网联汽车，然而自动驾驶全面落地仍有诸多困难，可以预见的是，未来很长一段时间将出现智能网联车与网联人工驾驶车辆组成混合式交通流共享道路资源的场景。因此，亟需一种混合交通环境下的网联交叉口车路协同优化方法。
发明内容
本发明的目的在于提供一种混合交通环境下网联交叉口车路协同优化方法及系统，解决交通信号与车辆轨迹优化模型待优化变量多，难以实时求解的问题，从而提升车辆通行效率，最小化燃油消耗。
一种混合交通环境下网联交叉口车路协同优化方法，包括以下步骤：
S1，基于网联交通信号灯和智能网联汽车建立分层解耦式交通优化模型；
S2，通过网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为分层解耦式交通优化模型的优化目标，优化交通信号配时；
S3，智能网联汽车结合优化后的最优交通信号配时方案、车辆能耗模型与车辆运动学模型，以最小化燃油消耗为目标，优化车辆加速度，协调车辆行驶轨迹，实现网联交叉口车路协同优化。
进一步的，构建信号交叉口场景，场景中包含由(Connected Human-drivenVehicle，CHV)与智能网联车辆(Connected and Automated Vehicle，CAV)组成的混合交通流。
进一步的，基于车辆纵向运动学特性建立车辆运动学模型，如式(1)～(6)约束：
Figure BDA0003517120810000021
Figure BDA0003517120810000022
Figure BDA0003517120810000023
Figure BDA0003517120810000024
0≤v(t)≤vmax，t0≤t≤t1 (5)
amin≤a(t)≤amax，t0≤t≤t1 (6)
其中，x(t)代表t时刻车辆与交叉口停止线的距离；
v(t)代表t时刻车辆速度；
a(t)代表t时刻车辆加速度；
t0代表初始时刻；
l代表t0时刻车辆距离交叉口停止线距离；
v0代表t0时刻车辆速度；
t1代表越过停止线时间；
v1代表越过停止线时速度；
vmax代表车辆最大速度；
amin和amax分别代表车辆最大制动加速度和最大加速度。
进一步的，采用IDM(Intelligent Driver Model)跟驰模型对场景中的CHV进行建模，具体模型表达式如式(7)所示：
Figure BDA0003517120810000025
其中，an，t表示第n辆车在t时刻的加速度；
amax表示最大加速度；
vn，t表示第n辆车t时刻速度；
vexp表示期望车速；
δ表示加速度指数；
sn，t表示跟驰间距；
期望最小车间距s*(vn，t，dn，t)可表示为式(8)：
Figure BDA0003517120810000031
其中，s0为静止安全距离；
s1为系数；
TI为安全车头时距；
Δv表示车辆与前车的速度差；
b为舒适制动加速度绝对值。
进一步的，CAV采用CACC(Cooperative Adaptive Cruise Control，CACC)模型，如式(9)～(11)所示：
Figure BDA0003517120810000032
Figure BDA0003517120810000033
Figure BDA0003517120810000034
其中，e为实际车间距与期望车间距的误差；
xn为第n辆车的位移；
vn为第n辆车的速度；
vnp为第n辆车前一时刻速度；
kp、kd为控制系数。
进一步的，车路协同优化包括交通信号优化和车辆轨迹优化，采用遗传算法进行交通信号优化，优化时间间隔记为ΔTs；在最优配时方案下，以最小化燃油消耗为目标，进行车辆轨迹优化，优化时间间隔记为ΔTv；其中，ΔTs＞ΔTv。
进一步的，获取网联信号灯通信范围内所有车队状态信息与未来可行轨迹，以所有车队状态信息与未来可行轨迹作为交通信号配时优化输入，以相位组合与配时方案为控制量，建立以最小化交通延误为目标函数的优化模型，如(12)所示：
Figure BDA0003517120810000035
其中，m代表交叉口车道数量；
Ωi代表第i条车道车队集合；
ttravel代表车辆旅行时间；
Figure BDA0003517120810000036
代表自由流下的旅行时间。
一种混合交通环境下网联交叉口车路协同优化系统包含预处理模块和协同优化模块；
预处理模块用于通过网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为分层解耦式交通优化模型的优化目标，优化交通信号配时；
协同优化模块用于以智能网联汽车结合优化后的交通信号配时、车辆能耗模型与车辆运动学模型，以最小化燃油消耗为分层解耦式交通优化模型的优化目标，获取优化加速度同时调整车辆行驶轨迹，实现网联交叉口车路协同优化。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述混合交通环境下网联交叉口车路协同优化方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述混合交通环境下网联交叉口车路协同优化方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种混合交通环境下网联交叉口车路协同优化方法，对交通信号和车辆轨迹进行异步分层优化设计，采用分层解耦式的交通优化模型：网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为优化目标，优化交通信号配时；车辆结合交通信号配时、车辆能耗模型与车辆运动学模型，以车辆燃油经济性为优化目标，通过优化车辆加速度，调整车辆行驶轨迹。本发明旨在解决交通信号与车辆轨迹优化模型待优化变量多，难以实时求解的问题，从而提升车辆通行效率，最小化燃油消耗。
进一步的，本发明在不同类型交叉口均适用，在交叉口车流量均衡与不均衡、低密度和高密度工况下，均可以有效提升交叉口通行效率和燃油经济性。
附图说明
图1是本发明实施例中方法流程图。
图2是本发明实施例中场景构建示意图。
图3是本发明实施例中信号灯相位结构示意图。
图4是本发明实施例中分层解耦式交通优化模型结构示意图。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明方法提出一种混合交通环境下网联交叉口车路协同优化方法，包括以下步骤：
S1，模型构建：
S1-1，场景建模：构建信号交叉口场景，场景中包含由CHV与CAV组成的混合交通流。
S1-2，信号灯建模：信号灯采用双环相位控制，两个相位环中存在相序阻隔，将相位分为两组。相序阻隔之前和之后的上下两个不同相位环中的相位可以不冲突共存。
S1-3，车辆建模：车辆建模包括车辆运动学建模与车辆跟驰模型建模。
本方法基于车辆纵向运动学特性建立车辆运动学模型，即式(1)～(6)约束：
Figure BDA0003517120810000051
Figure BDA0003517120810000052
Figure BDA0003517120810000053
Figure BDA0003517120810000054
0≤v(t)≤vmax，t0≤t≤t1 (5)
amin≤a(t)≤amax，t0≤t≤t1 (6)
其中，x(t)代表t时刻车辆与交叉口停止线的距离；
v(t)代表t时刻车辆速度；
a(t)代表t时刻车辆加速度；
t0代表初始时刻；
l代表t0时刻车辆距离交叉口停止线距离；
v0代表t0时刻车辆速度；
t1代表越过停止线时间；
v1代表越过停止线时速度；
vmax代表车辆最大速度；
amin和amax分别代表车辆最大制动加速度和最大加速度。
本发明采用IDM跟驰模型对场景中的CHV的车辆行为进行建模，具体模型表达式如式(7)所示。
Figure BDA0003517120810000061
其中，an，t表示第n辆车t时刻加速度；
amax表示最大加速度；
vn，t表示第n辆车t时刻速度；
vexp表示期望车速；
δ表示加速度指数；
sn，t表示跟驰间距；
期望最小车间距s*(vn，t，dn，t)可表示为式(8)：
Figure BDA0003517120810000062
其中，s0为静止安全距离；
s1为系数；
TI为安全车头时距；
Δv表示车辆与前车的速度差；
b为舒适制动加速度绝对值。
CAV采用CACC模型，模型公式如式(9)～(11)所示：
Figure BDA0003517120810000067
Figure BDA0003517120810000063
Figure BDA0003517120810000064
其中，e为实际车间距与期望车间距的误差；
xn为第n辆车的位移；
vn为第n辆车的速度；
vnp为第n辆车前一时刻速度；
kp、kd为控制系数。
对于CAV，通过由决策计算出的优化控制量为控制输入，CAV在运动时在满足运动学约束的同时，保证与前方车辆保持安全车距，即满足式(12)：
Figure BDA0003517120810000065
其中，
Figure BDA0003517120810000066
代表t时刻第i辆车距离交叉口的距离；
L代表车身长度；
τ代表驾驶员反应时间；
Figure BDA0003517120810000071
代表t时刻车辆i的行驶速度。
S2，车辆编队：本发明方法提出一种“1+N”的混合车队模型，即一个可控的CAV为领航车辆，后续为保持跟驰的混合车队。采用DBSCAN聚类算法对各方向车辆分别进行编队。
S3，协同优化：车路协同优化分为交通信号优化和车辆轨迹优化两部分，本方法采用异步分层优化设计，上层采用遗传算法进行交通信号配时优化，优化时间间隔记为ΔTs；下层在最优配时方案下，以最小化燃油消耗为目标，进行车辆轨迹优化，优化时间间隔记为ΔTv。其中，ΔTs＞ΔTv。为实现交通信号与车辆轨迹的协同滚动优化，车路协同系统应满足式(13)。
ΔTvtv＝ΔTsts＝Tr (13)
其中，tv代表车辆轨迹优化步数；
ts代表交通信号优化步数；
Tr为滚动优化周期。
S3-1，车辆状态预测：根据车辆能够在当前组相位周期结束前通过交叉口，将场景中所有车队划分为两类：①当前阶段可通行车队；②下一阶段通行车队。基于车辆运动学模型、混合车队模型，对下一阶段通行的车队领航车辆进行轨迹预测，预测车辆在当前组相位周期结束时的车辆状态信息。预测车辆状态信息将作为交通信号优化模块的输入参数。
S3-2，交通信号优化周期小于整个相位周期，根据双环相位结构特点，依据信号优化时间在整个相位周期的相对位置，可以分为以下几类：
(1)当交通信号优化时刻在第一组相位周期之间，此时相位第一组的各流向车辆按照上一次优化结果优化轨迹，仅优化第二组交通信号配时。
(2)当交通信号优化时刻在第二组相位周期之间，此时优化下一周期交通信号配时。
获取网联信号灯通信范围内所有车队状态信息与未来可行轨迹，以所有车队状态信息与未来可行轨迹作为交通信号优化模块输入，以相位组合与配时方案为控制量，建立以最小化交通延误为目标函数的优化模型，如(14)所示。
Figure BDA0003517120810000072
其中，m代表交叉口车道数量；
Ωi代表第i条车道的车队集合；
ttravel代表车辆旅行时间；
Figure BDA0003517120810000073
代表自由流下的旅行时间。
S3-3，以最小化领航车辆燃油消耗为目标进行车辆轨迹优化，燃油消耗模型如式(15)所示。
Figure BDA0003517120810000081
其中，α0、α1和α2为油耗模型系数；
P(t)代表输出功率。
采用三段式的方法建立优化模型如式(16)所示。
Figure BDA0003517120810000082
本发明一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(CPU)，或者采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可用于混合交通环境下网联交叉口车路协同优化方法的操作。
一种混合交通环境下网联交叉口车路协同优化系统，预处理模块和协同优化模块；
预处理模块用于通过网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为分层解耦式交通优化模型的优化目标，优化交通信号配时；
协同优化模块用于以智能网联汽车结合优化后的交通信号配时、车辆能耗模型与车辆运动学模型，以最小化燃油消耗为分层解耦式交通优化模型的优化目标，获取优化车辆加速度同时调整车辆行驶轨迹，实现网联交叉口车路协同优化。
本发明再一个实施例中，本发明还提供了一种存储介质，具体采用计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质，提供存储空间，存储了终端的操作系统，也可包括终端设备所支持的扩展存储介质。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中可用于混合交通环境下网联交叉口车路协同优化方法的相应步骤。
实施例
接下来结合附图和具体实施例对本发明方法做详细的描述：
S1，模型构建
S1-1，参照图2构建双向四车道的信号交叉口场景，场景中设置混合交通流，包含CHV与CAV两种类型车辆。每个方向均有两个车道的交通流进入，其中左侧车道上车辆仅左转，右侧车道车辆可以直行或右转。所有车辆均已在行驶轨迹的对应车道，不存在换道、超车等行为。在实际环境下由于右转几乎不会影响交叉口的冲突关系，所以将右转相位和直行相位合并处理。因此，交叉路口存在八个方向交通流(向北左转、向北直行、向西左转、向西直行、向南左转、向南直行、向东左转、向东直行)。
S1-2，不同方向交通流的轨迹在交叉口存在交叉或汇聚，产生交通冲突，故采用标准8相位双环控制结构，8个相位分成两环两组，双环按照相序依此运行，两个相位环中存在相序阻隔，将相位分成两组，相序阻隔之前和之后的上下两个不同相位环中的相位可以不冲突共存。同一环中相位时长总长即为1个信号周期C。信号灯相位结构示意图参照图3，相位时长受双环结构约束，满足相位阻隔前后上下两环时长相等，如式(17)所示。
Figure BDA0003517120810000091
其中，ti代表i方向上的绿灯配时。
S1-3，本方法中仅考虑车辆的纵向轨迹控制，不考虑车辆换道行为，因此，不涉及车辆的横向运动学特性，即所有车辆满足纵向运动学模型约束，即式(1)～(6)约束。其中，各参数表示和取值如下所示：
x(t)代表t时刻车辆与交叉口停止线的距离；
v(t)代表t时刻车辆速度；
a(t)代表t时刻车辆加速度；
t0代表初始时刻，本实施例中取值为0秒；
l代表t0时刻车辆距离交叉口停止线距离，本实施例中取值为500米；
v0代表t0时刻车辆速度，车辆初始速度为0米/秒，之后按照最大加速度提升至道路限速；
t1代表越过停止线时间；
v1代表越过停止线时速度；
vmax代表车辆最大速度，取值为11.1米/秒；
amin和amax分别代表车辆最大制动加速度和最大加速度，分别设置为-4.5米/平方秒和2.5米/平方秒。
本方法采用IDM跟驰模型对场景中的CHV的车辆行为进行建模，具体模型表达式如式(7)所示。其中，各参数表示和取值如下所示：
an，t表示第n辆车在t时刻加速度；
vn，t表示第n辆车在t时刻速度；
vexp表示期望车速，此处设置为最大车速；
δ表示加速度指数，设置为2；
sn，t表示跟驰间距。
期望最小车间距s*(vn，t，dn，t)可表示为式(8)，其中各参数表示和取值如下所示：
s0为静止安全距离，取值为2米；
s1为系数，取值为0；
TI为安全车头时距，取值为2秒；
Δv表示车辆与前车的速度差；
b为舒适制动加速度绝对值，设置为2米/平方秒。
CAV采用CACC模型，基本模型公式如式(9)～(11)所示，其中，各参数表示和取值如下所示：
e为实际车间距与期望车间距的误差；
xn为第n辆车的位移；
vn为第n辆车的速度；
vnp为第n辆车前一时刻速度；
kp、kd为控制系数，取值为0.45和0.25。
对于CAV，可通过由决策计算出的优化控制量为控制输入，CAV在运动时在满足运动学约束的同时，应保证与前方车辆保持安全车距，故应满足式(12)。其中，各参数表示和取值如下所示：
Figure BDA0003517120810000101
代表t时刻第i辆车距离交叉口的距离；
L代表车身长度，设置为5米；
τ代表驾驶员反应时间，取值为1.5秒；
Figure BDA0003517120810000102
代表t刻第i辆车行驶速度。
S2，本发明采用1+N的混合车队模型，即一个可控的CAV为领航车辆，后续为保持跟驰的混合车队。采集场景中所有车辆位置信息，将车辆按照不同驾驶方向分为8组，采用DBSCAN聚类算法对每组车辆分别进行编队，DBSCAN领域半径设为定值100，最小聚类簇阈值设为1。
S3，车路协同优化即交通信号优化与车辆轨迹协同优化，分别设计两个优化时间间隔：(1)车辆轨迹优化时间间隔ΔTv，取值为2秒；(2)交通信号优化时间间隔ΔTs，取值为20秒。为实现交通信号与车辆轨迹的协同滚动优化，车路协同系统满足式(13)。其中，Tr为滚动优化周期。
本方法提出一种分层解耦式交通优化模型，上层最小化交叉口交通延误，下层最小化车辆燃油消耗，实现协同优化。分层解耦式交通优化模型结构参照图4。
S3-1，车辆状态预测：根据车辆能够在当前组相位周期结束前通过交叉口，将场景中所有车队划分为两类：①当前阶段可通行车队；②下一阶段通行车队。基于车辆运动学模型、混合车队模型，对下一阶段通行的车队领航车辆进行轨迹预测，需要预测车队在当前组相位周期结束时的车辆状态信息。预测状态信息将作为交通信号优化模块的输入参数。
S3-2，信号灯优化模块首先需要获取车辆状态信息以及信号灯当前配时，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为优化目标，优化交通信号配时。当满足式(18)所示要求时，进入交通信号优化控制。
tsim％ΔTs＝0 (18)
其中，tsim代表仿真时间。
参照图2，判断当前信号灯状态：如果位于第一组相位周期之间，则对当前周期第二组所有相位进行配时优化，此时分为两个步骤：第一步优化3、4相位；第二步优化7、8相位；如果当前信号灯状态位于第二组相位周期之间，则对下一周期相位进行配时优化，此时分为两个步骤：第一步优化1、2、3、4相位各自配时；第二步优化5、6相位。采用遗传算法作为单次配时优化方法，以各方向车辆的延误时间作为遗传算法适应度函数，如式(14)所示。其中各参数表示和取值如下所示：
m代表交叉口车道数量，取值为8；
Ωi代表第i条车道的车队集合；
ttravel代表车辆旅行时间；
Figure BDA0003517120810000111
代表自由流下的旅行时间。
由此获得的最优配时方案可作为车辆轨迹优化模块的一个必要参数。
S3-3，车辆结合交通信号配时、车辆能耗模型与车辆运动学模型，在保证交通通行延误最小的情况下，调整领航车辆运动轨迹就可以实现整个车队燃油经济性的提升。当满足式(19)所示要求时，进入车辆轨迹优化控制。
tsim％ΔTr＝0 (19)
以最小化领航车辆燃油消耗为目标进行车辆轨迹优化。

Claims (10)

1.一种混合交通环境下网联交叉口车路协同优化方法，其特征在于，包括以下步骤：
S1，基于网联交通信号灯和智能网联汽车建立分层解耦式交通优化模型；
S2，通过网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为分层解耦式交通优化模型的优化目标，优化交通信号配时；
S3，智能网联汽车结合优化后的交通信号配时、车辆能耗模型与车辆运动学模型，以最小化燃油消耗为分层解耦式交通优化模型的优化目标，获取优化车辆加速度同时调整车辆行驶轨迹，实现网联交叉口车路协同优化。
2.根据权利要求1所述的一种混合交通环境下网联交叉口车路协同优化方法，其特征在于，构建信号交叉口场景，场景包括由网联人驾车辆与智能网联车辆组成的混合交通流。
3.根据权利要求1所述的一种混合交通环境下网联交叉口车路协同优化方法，其特征在于，基于车辆纵向运动学特性建立车辆运动学模型，如式(1)～(6)约束：
Figure FDA0003517120800000011
Figure FDA0003517120800000012
Figure FDA0003517120800000013
Figure FDA0003517120800000014
0≤v(t)≤vmax，t0≤t≤t1 (5)
amin≤a(t)≤amax，t0≤t≤t1 (6)
其中，x(t)代表t时刻车辆与交叉口停止线的距离；
v(t)代表t时刻车辆速度；
a(t)代表t时刻车辆加速度；
t0代表初始时刻；
l代表t0时刻车辆距离交叉口停止线距离；
v0代表t0时刻车辆速度；
t1代表越过停止线时间；
v1代表越过停止线时速度；
vmax代表车辆最大速度；
amin和amax分别代表车辆最大制动加速度和最大加速度。
4.根据权利要求3所述的一种混合交通环境下网联交叉口车路协同优化方法，其特征在于，采用IDM跟驰模型对场景中的CHV进行建模，具体模型表达式如式(7)所示：
Figure FDA0003517120800000021
其中，an，t表示第n辆车在t时刻的加速度；
amax表示最大加速度；
vn，t表示第n辆车t时刻速度；
vexp表示期望车速；
δ表示加速度指数；
sn，t表示跟驰间距；
期望最小车间距s*(vn，t，dn，t)可表示为式(8)：
Figure FDA0003517120800000022
其中，s0为静止安全距离；
s1为系数；
TI为安全车头时距；
Δv表示车辆与前车的速度差；
b为舒适制动加速度绝对值。
5.根据权利要求1所述的一种混合交通环境下网联交叉口车路协同优化方法，其特征在于，CAV采用协同式自适应巡航模型，如式(9)～(11)所示：
Figure FDA0003517120800000023
Figure FDA0003517120800000024
Figure FDA0003517120800000025
其中，e为实际车间距与期望车间距的误差；
xn为第n辆车的位移；
vn为第n辆车的速度；
vnp为第n辆车前一时刻速度；
kp、kd为控制系数。
6.根据权利要求1所述的一种混合交通环境下网联交叉口车路协同优化方法，其特征在于，车路协同优化包括交通信号优化和车辆轨迹优化，采用遗传算法进行交通信号优化，优化时间间隔记为ΔTs；在最优配时方案下，以最小化燃油消耗为目标，进行车辆轨迹优化，优化时间间隔记为ΔTv；其中，ΔTs＞ΔTv。
7.根据权利要求6所述的一种混合交通环境下网联交叉口车路协同优化方法，其特征在于，获取网联信号灯通信范围内所有车队状态信息与未来可行轨迹，以所有车队状态信息与未来可行轨迹作为交通信号配时优化输入，以相位组合与配时方案为控制量，建立以最小化交通延误为目标函数的优化模型，如(12)所示：
Figure FDA0003517120800000031
其中，m代表交叉口车道数量；
Ωi代表第i条车道的车队集合；
ttravel代表车辆旅行时间；
Figure FDA0003517120800000032
代表自由流下的旅行时间。
8.一种混合交通环境下网联交叉口车路协同优化系统，其特征在于，预处理模块和协同优化模块；
预处理模块用于通过网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为分层解耦式交通优化模型的优化目标，优化交通信号配时；
协同优化模块用于以智能网联汽车结合优化后的交通信号配时、车辆能耗模型与车辆运动学模型，以最小化燃油消耗为分层解耦式交通优化模型的优化目标，获取优化加速度同时调整车队行驶轨迹，实现网联交叉口车路协同优化。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
CN202210169762.9A 2022-02-23 2022-02-23 一种混合交通环境下网联交叉口车路协同优化方法及系统 Active CN114495527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210169762.9A CN114495527B (zh) 2022-02-23 2022-02-23 一种混合交通环境下网联交叉口车路协同优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210169762.9A CN114495527B (zh) 2022-02-23 2022-02-23 一种混合交通环境下网联交叉口车路协同优化方法及系统

Publications (2)

Publication Number Publication Date
CN114495527A true CN114495527A (zh) 2022-05-13
CN114495527B CN114495527B (zh) 2023-10-27

Family

ID=81484245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210169762.9A Active CN114495527B (zh) 2022-02-23 2022-02-23 一种混合交通环境下网联交叉口车路协同优化方法及系统

Country Status (1)

Country Link
CN (1) CN114495527B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937360A (zh) * 2022-05-19 2022-08-23 南京逸刻畅行科技有限公司 一种智能网联汽车队列信号交叉口通行引导方法
CN114973676A (zh) * 2022-05-27 2022-08-30 重庆大学 一种快速路车道缩减区的混合交通众从牵制控制方法
CN114999140A (zh) * 2022-06-02 2022-09-02 重庆大学 一种混合交通快速路下匝道与近信号控制区联动控制方法
CN115083164A (zh) * 2022-06-27 2022-09-20 昆明理工大学 一种面向混合交通流的信号交叉口双层优化方法
CN115331420A (zh) * 2022-07-25 2022-11-11 重庆大学 一种混合交通条件下的移动瓶颈控制方法
CN115662133A (zh) * 2022-10-28 2023-01-31 广州市城市规划勘测设计研究院 交叉口信号配时优化方法、装置、终端设备及存储介质
CN115798211A (zh) * 2022-11-21 2023-03-14 长安大学 一种防止网联公交脱组和混组的控制方法、系统、设备及介质
CN115830908A (zh) * 2022-11-23 2023-03-21 长安大学 一种无人驾驶车辆队列在混合交通流中协同变道方法及系统
CN116030645A (zh) * 2023-01-17 2023-04-28 东南大学 信号交叉口混合交通流环境车辆轨迹与信号协调控制方法
CN116153065A (zh) * 2022-12-29 2023-05-23 山东大学 车路协同环境下交叉口交通信号精细化优化方法及装置
CN116153065B (zh) * 2022-12-29 2024-06-04 山东大学 车路协同环境下交叉口交通信号精细化优化方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599772A (zh) * 2019-09-19 2019-12-20 西南交通大学 一种基于双层规划的混合交通流协同优化控制方法
CN112735126A (zh) * 2020-12-24 2021-04-30 成都格林希尔德交通科技有限公司 一种基于模型预测控制的混合交通流协同优化控制方法
CN112885117A (zh) * 2021-01-13 2021-06-01 长安大学 一种网联信控交叉口控制系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599772A (zh) * 2019-09-19 2019-12-20 西南交通大学 一种基于双层规划的混合交通流协同优化控制方法
CN112735126A (zh) * 2020-12-24 2021-04-30 成都格林希尔德交通科技有限公司 一种基于模型预测控制的混合交通流协同优化控制方法
CN112885117A (zh) * 2021-01-13 2021-06-01 长安大学 一种网联信控交叉口控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张心睿 等: "混合交通环境下网联交叉口车辆协同诱导策略及仿真测试", 《汽车技术》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937360A (zh) * 2022-05-19 2022-08-23 南京逸刻畅行科技有限公司 一种智能网联汽车队列信号交叉口通行引导方法
CN114973676A (zh) * 2022-05-27 2022-08-30 重庆大学 一种快速路车道缩减区的混合交通众从牵制控制方法
CN114973676B (zh) * 2022-05-27 2023-08-29 重庆大学 一种快速路车道缩减区的混合交通众从牵制控制方法
CN114999140A (zh) * 2022-06-02 2022-09-02 重庆大学 一种混合交通快速路下匝道与近信号控制区联动控制方法
CN114999140B (zh) * 2022-06-02 2024-05-14 重庆大学 一种混合交通快速路下匝道与近信号控制区联动控制方法
CN115083164A (zh) * 2022-06-27 2022-09-20 昆明理工大学 一种面向混合交通流的信号交叉口双层优化方法
CN115331420A (zh) * 2022-07-25 2022-11-11 重庆大学 一种混合交通条件下的移动瓶颈控制方法
CN115331420B (zh) * 2022-07-25 2023-11-14 重庆大学 一种混合交通条件下的移动瓶颈控制方法
CN115662133A (zh) * 2022-10-28 2023-01-31 广州市城市规划勘测设计研究院 交叉口信号配时优化方法、装置、终端设备及存储介质
CN115798211B (zh) * 2022-11-21 2023-09-22 长安大学 一种防止网联公交脱组和混组的控制方法、系统、设备及介质
CN115798211A (zh) * 2022-11-21 2023-03-14 长安大学 一种防止网联公交脱组和混组的控制方法、系统、设备及介质
CN115830908B (zh) * 2022-11-23 2023-10-27 长安大学 一种无人驾驶车辆队列在混合交通流中协同变道方法及系统
CN115830908A (zh) * 2022-11-23 2023-03-21 长安大学 一种无人驾驶车辆队列在混合交通流中协同变道方法及系统
CN116153065A (zh) * 2022-12-29 2023-05-23 山东大学 车路协同环境下交叉口交通信号精细化优化方法及装置
CN116153065B (zh) * 2022-12-29 2024-06-04 山东大学 车路协同环境下交叉口交通信号精细化优化方法及装置
CN116030645A (zh) * 2023-01-17 2023-04-28 东南大学 信号交叉口混合交通流环境车辆轨迹与信号协调控制方法
CN116030645B (zh) * 2023-01-17 2023-11-28 东南大学 信号交叉口混合交通流环境车辆轨迹与信号协调控制方法

Also Published As

Publication number Publication date
CN114495527B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN114495527A (zh) 一种混合交通环境下网联交叉口车路协同优化方法及系统
CN111768637B (zh) 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN111445692B (zh) 一种无信号灯路口智能网联汽车的速度协同优化方法
CN108564234B (zh) 一种智能网联汽车的交叉口无信号自组织通行控制方法
Xu et al. A bi-level cooperative driving strategy allowing lane changes
Bai et al. Hybrid reinforcement learning-based eco-driving strategy for connected and automated vehicles at signalized intersections
Li et al. Connected vehicles based traffic signal timing optimization
CN103593535B (zh) 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
Xia et al. Dynamic eco-driving for signalized arterial corridors and its indirect network-wide energy/emissions benefits
Manzie et al. Fuel economy improvements for urban driving: Hybrid vs. intelligent vehicles
CN112735126B (zh) 一种基于模型预测控制的混合交通流协同优化控制方法
Ye et al. Development and evaluation of a vehicle platoon guidance strategy at signalized intersections considering fuel savings
CN113297721B (zh) 一种信号交叉口车辆选择出口道的仿真方法和装置
Yu et al. The effects of velocity difference changes with memory on the dynamics characteristics and fuel economy of traffic flow
Jiang et al. Learning the policy for mixed electric platoon control of automated and human-driven vehicles at signalized intersection: A random search approach
Rezgui et al. Smart traffic light scheduling algorithms
CN112721948A (zh) 基于预测和搜索框架的自动驾驶汽车变道调度的实现方法
Esmaeili et al. A platoon formation strategy for heterogeneous vehicle types at a signalized intersection
Wang et al. A Reinforcement Learning Approach to CAV and Intersection Control for Energy Efficiency
CN113188556B (zh) 基于行车安全场的智能网联汽车轨迹规划方法及装置
Yang et al. Simulation Comparisons of Vehicle-based and Phase-based Traffic Control for Autonomous Vehicles at Isolated Intersections
Abraham et al. Design of platoon controller with v2v communication for highways
Tian et al. Swarm intelligence inspired adaptive traffic control for traffic networks
Suriyarachchi et al. Optimization-based coordination and control of traffic lights and mixed traffic in multi-intersection environments
Matrosov et al. Adaptive traffic signal control based on a macroscopic model of the transport network

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