CN115171386A - 一种基于蒙特卡洛树搜索的分布式协同驾驶方法 - Google Patents

一种基于蒙特卡洛树搜索的分布式协同驾驶方法 Download PDF

Info

Publication number
CN115171386A
CN115171386A CN202210795562.4A CN202210795562A CN115171386A CN 115171386 A CN115171386 A CN 115171386A CN 202210795562 A CN202210795562 A CN 202210795562A CN 115171386 A CN115171386 A CN 115171386A
Authority
CN
China
Prior art keywords
vehicle
cav
intersection
node
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.)
Granted
Application number
CN202210795562.4A
Other languages
English (en)
Other versions
CN115171386B (zh
Inventor
李浩铭
郑亮
郭翼成
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202210795562.4A priority Critical patent/CN115171386B/zh
Publication of CN115171386A publication Critical patent/CN115171386A/zh
Application granted granted Critical
Publication of CN115171386B publication Critical patent/CN115171386B/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
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • 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)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于蒙特卡洛树搜索的分布式协同驾驶方法，包括：构建智能网联环境下无信号自主式管控交叉口模型；CAV(智能网联汽车)驶入控制区域时向通信范围内的所有CAV共享自身各项驾驶数据信息；对控制区域内所有CAV进行空间轨迹冲突分析；各CAV均采用融合启发式规则的蒙特卡洛树搜索算法计算出交叉口车辆最优通行顺序；各CAV通过多数投票规则确定最终的车辆最优通行顺序，并根据最终的车辆最优通行顺序实时调整CAV行驶轨迹；各CAV根据实时调整的CAV行驶轨迹驶过交叉口。本发明提出的协同驾驶方法在安全、效率、舒适性、排放四个方面均有明显提升，能更好的满足现代城市智慧出行、绿色出行的要求。

Description

一种基于蒙特卡洛树搜索的分布式协同驾驶方法
技术领域
本发明涉及智慧交通技术领域，尤其涉及一种基于蒙特卡洛树搜索的分布式协同驾驶方法。
背景技术
随着社会经济和科技的快速发展，城市化水平不断提高，人民群众出行需求日益增长，机动车保有量迅速增加，城市交通道路通行压力与日俱增，路网拥堵现象严重，造成了巨大的社会经济损失。作为智慧城市建设的重要组成部分，智慧交通已迈入全面发展“快车道”，在缓解交通拥堵、优化出行服务等方面发挥了重要作用。
智能网联汽车(connected and automated vehicle，CAV)被认为是新一代交通系统中的关键组成部分，基于CAV的交通管控是提高交通安全和交通效率的一种有效方式。在V2X通信技术的帮助下，CAV可以与邻近的车辆和路侧基础设施共享它们的驾驶状态(位置、速度等)以及驾驶意图(目标轨迹)，更好的协调CAV整体的运动。CAV将在避免碰撞、减少旅行时间、改善燃油效率、改善乘客舒适性等方面发挥极大的作用。与此同时，智能网联技术的逐渐完善将会给城市交通的发展带来机遇与挑战并存的局面：一方面，可以利用智能网联技术缓解交通拥堵、减少交通事故、使道路车辆通行更为有序，另一方面，交通管控的形式与方法将会与以往迥然不同，在智能网联环境下如何高效组织、管控车流成为亟待解决的问题。其中，作为交通管控中的关键一环，交叉口管理将由传统的信号灯控制向自主式交叉口管理(AIM)转变，随着CAV的运用与普及，如何制定驾驶策略，使得车流能够平稳、快速、安全地通过自动交叉口，成为当下的研究的热点和难点。
交叉口协同驾驶的主要任务是在没有任何交通信号的情况下，协同控制车辆安全、高效地通过交叉口中心冲突区域。其关键在于确定冲突区域的车辆通行权，合理分配关键冲突区域的车辆通行权会产生可行的车辆通行顺序。在现有的研究中有两种主要的协同驾驶策略：基于预订的策略和基于规划的策略，用于确定车辆通行顺序。但基于预订的策略得出的车辆通行顺序大致遵循先到先服务(先进先出)规则，在多数情况下表现不够良好。基于规划的策略虽为各种交通情况都带来了最佳的通行顺序，但随着需要处理车辆数量的增加，平均计算时间几乎呈指数级增长，难以进行实际应用。针对上述问题，本发明致力于开发一种智能网联环境下无信号交叉口协同驾驶方案，以改善城市道路交通拥堵现状，在提高居民出行舒适度的同时，保证车辆安全、高效地通过交叉口。
发明内容
本发明为解决智能网联环境下无信号自主式管控交叉口的车辆通行顺序与车辆优化控制问题，提出了一种基于蒙特卡洛树搜索的分布式协同驾驶方法。
为实现上述目的，本发明采用如下技术方案。
一种基于蒙特卡洛树搜索的分布式协同驾驶方法，包括：
S1：构建智能网联环境下无信号自主式管控交叉口模型，将无信号交叉口区域划分为交叉口中心区域与其外围的控制区域；
S2：CAV(智能网联汽车)驶入控制区域时向通信范围内的所有CAV共享自身各项驾驶数据信息；
S3：对控制区域内所有CAV进行空间轨迹冲突分析；
S4：各CAV均采用融合启发式规则的蒙特卡洛树搜索(Monte Carlo tree search，MCTS)算法计算出无信号交叉口车辆最优通行顺序；
S5：各CAV通过多数投票规则确定最终的车辆最优通行顺序，并根据最终的车辆最优通行顺序实时调整CAV行驶轨迹；
S6：各CAV根据实时调整的CAV行驶轨迹驶过无信号交叉口。
进一步地，所述步骤S1中，无信号自主式管控交叉口模型包括由交叉口中心区域与其外围的控制区域组成的无信号交叉口区域；并设计交叉口通行规则，包括：车辆进入控制区域后，不再允许换道行为发生；车辆进入交叉口中心区域后，驾驶行为被锁定，不再进行轨迹调整；各车道上车辆通行限制。
进一步地，所述步骤S2中，CAV的各项驾驶数据存储为集合Ri：
Ri＝{ID，Type，Lane，v，t，di，vmax，umax，umin，tarlane}
其中，Ri为车辆i的各项驾驶数据，ID为车辆i的编号；Type为车辆i的类型；Lane为车辆i所属车道；v为车辆i的当前车速；t为车辆i进入控制区域的时刻；di为车辆i距离交叉口的距离；vmax为车辆i的最大限速；umax为车辆i的最大加速度；umin为车辆i的最大减速度；tarlane为车辆i的目标车道。
进一步地，所述步骤S4中，每个CAV采用融合启发式规则的蒙特卡洛树搜索算法计算出无信号交叉口车辆最优通行顺序过程包括：
将各CAV作为树结点，以迭代的方式构建通行顺序搜索树，得到计算预算时间内全局最优解作为车辆最优通行顺序；每次迭代过程均包括选择、扩展、仿真和反向传播四个过程；
S4.1：选择过程，以控制区域内CAV当前初始状态为根结点，选择总得分最大的CAV对应的子结点作为最急需扩展的结点添加到通行顺序搜索树中，总得分计算方法如下式所示：
Figure BDA0003735679750000031
其中，Qj表示子结点j的得分，Qj的值在[0，1]范围内；n是根结点被访问的次数，nj是子结点j被访问的次数，C是加权参数；且最急需扩展的结点为既不是叶结点又具有未被访问孩子结点的结点；
S4.2：扩展过程，从步骤S4.1选择的最急需扩展的结点的孩子结点中随机选择一个未被访问的结点作为新结点添加到通行顺序搜索树中；
S4.3：仿真过程，从当前新结点运行仿真，将未添加到通行顺序搜索树中的代表相应CAV的结点逐个添加至通行顺序搜索树中，直到找到叶结点，即得到一个完整的车辆通行顺序，计算无信号交叉口无碰撞条件下该车辆通行顺序所需的总调整次数，并更新步骤S4.2中扩展的新结点的得分；
S4.4：反向传播过程，仿真结果从步骤S4.2中扩展的新结点结点开始反向传播，更新选择路径中所有父结点的得分直至根结点。
进一步地，步骤S4.3的仿真过程中，构建如下启发式规则：
(1)对于同一车道上的车辆，禁止车辆变道，优先添加距离交叉口中心区域最近的车辆；
(2)对于经过交叉口中心区域有碰撞冲突的车辆，应优先添加预期到达冲突点时间更小的车辆；
仿真过程包括：
A1：在所有未添加进搜索树的CAV中，选择每条车道上最靠近交叉口中心区域的CAV作为候选车辆，并计算它们到达各自通行轨迹上所有冲突点的预期时间；
A2：如果存在某一候选车辆，其到达通行轨迹上所有冲突点的时间都是最小的(与该冲突点其它候选车辆预期到达时间相比较，如与其它候选车辆轨迹无该冲突点则不计)，将其对应的结点添加到搜索树中；如果不存在，则在所有候选车辆对应的结点中随机选择一个添加到搜索树中；
A3：重复上述步骤A1、A2，直到找到叶结点，得到一个完整的车辆通行顺序；
A4：计算无信号交叉口无碰撞条件下步骤A3得到的完整的车辆通行顺序的总调整次数，并更新步骤S4.2中扩展的新结点的得分。
进一步地，所述更新步骤S4.2中扩展的新结点的得分过程包括：
计算在基于S4.2中扩展的新结点j通过仿真得到的叶结点对应的完整的车辆通行顺序下，CAV所需总调整次数
Figure BDA0003735679750000032
以及步骤S4.2中扩展的新结点j与其选择路径上全部父结点的调整次数之和
Figure BDA0003735679750000041
使用如下公式将
Figure BDA0003735679750000042
和
Figure BDA0003735679750000043
归一化至[0，1]之间，得到
Figure BDA0003735679750000044
和
Figure BDA0003735679750000045
Figure BDA0003735679750000046
Figure BDA0003735679750000047
其中，
Figure BDA0003735679750000048
和
Figure BDA0003735679750000049
分别为所有已完成迭代中当前新结点j的兄弟结点对应的车辆通行顺序下的最大值和最小值；
Figure BDA00037356797500000410
和
Figure BDA00037356797500000411
分别为所有已完成迭代中当前新结点j的兄弟结点对应的车辆通行顺序下
Figure BDA00037356797500000412
的最大值和最小值；
通过下式计算步骤S4.2中扩展的新结点的得分Qj：
Figure BDA00037356797500000413
其中，ω是加权参数。
进一步地，所述各CAV通过多数投票规则确定最终的车辆最优通行顺序，包括：
各CAV得出各自计算预算内的车辆最优通行顺序，并为该车辆最优通行顺序投票，将投票结果实时传输给其他所有CAV；
采用多数投票规则，选择获得票数最多的车辆最优通行顺序作为最终的车辆最优通行顺序，当两个或两个以上车辆最优通行顺序获得相同票数时，选择总调整次数最小的车辆最优通行顺序作为最终的车辆最优通行顺序。
进一步地，所述根据最终的车辆最优通行顺序实时调整CAV行驶轨迹包括：
根据最终的车辆最优通行顺序确定各CAV所需的减速调整次数以及预期到达交叉口中心区域时间之后，采用轨迹调整算法以控制CAV加减速，使各CAV能够以期望的时间和速度到达交叉口中心区域；其中轨迹调整算法包括：
确定每辆CAV的状态方程：
Figure BDA00037356797500000414
xi(t)＝[pi(t)，vi(t)]
其中，xi(t)和ui(t)是车辆i在时间t的状态和加速度(控制输入)，pi(t)和vi(t)是车辆i在时间t的位置和速度；
对于无信号交叉口场景中的车辆轨迹规划问题，使用二阶动力学模型，可以得出：
Figure BDA00037356797500000415
使用微观跟驰模型中的智能驾驶员模型(IDM)来控制车辆进行的轨迹调整，在智能驾驶员模型中，车辆i的加速度ui通过以下公式计算：
Figure BDA0003735679750000051
其中，vi是车辆i的速度；
Figure BDA0003735679750000052
是期望速度；si是实际间距(到前一辆车的距离)；Δvi是与前一辆车的速度差；umax是最大加速度；δ是加速度指数；s*是用于计算期望最小间距的函数；即：
Figure BDA0003735679750000053
其中，
Figure BDA0003735679750000054
和
Figure BDA0003735679750000055
是车辆i的两个不同拥堵距离，T(i)是安全车头时距，bi是期望减速度。
有益效果
本发明提出了一种基于蒙特卡洛树搜索的分布式协同驾驶方法，每辆CAV作为一个独立的智能体(agent)，基于融合启发式规则的蒙特卡洛树搜索(MCTS)算法在有限的计算预算内得到目前车辆最优通行顺序；使用根并行化MCTS方式及多数投票规则实现CAV分布式协同，确定无信号交叉口最终的车辆最优通行顺序；CAV根据最终的车辆最优通行顺序进行合理的轨迹优化及调整控制，采取最少的减速避撞调整，同时将交叉口通行总延误降至最低。本发明能根据CAV实时驾驶数据，合理分配无信号交叉口区域车辆通行权；根并行化MCTS方式能在相同的计算预算内比传统MCTS探索更多的车辆通行顺序；此外，相比于先到先服务(FCFS)策略，本发明提出的协同驾驶方案在安全、效率、舒适性、排放等四个方面均有明显提升，能更好的满足智慧出行、绿色出行的要求。
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是本发明实施例提供的基于蒙特卡洛树搜索的分布式协同驾驶方法流程图；
图2是本发明实施例提供的无信号自主式管控交叉口模型示意图；
图3是本发明实施例提供的MCTS一次迭代过程示意图；
图4是本发明实施例提供的双向六车道交叉口冲突点分布示意图；
图5是本发明实施例提供的交叉口控制区域划分图；
图6是本发明实施例提供的仿真实验参数设置示意图；
图7是本发明实施例提供的FCFS方法仿真流程；
图8是本发明实施例提供的基于MCTS协同驾驶方法仿真流程；
图9是本发明实施例提供的MCTS搜索结点数总延误降低比率示意图；
图10是本发明实施例提供的仿真结果对比图，其中，(a)为车辆平均减速调整次数对比图，(b)为车辆平均速度对比图，(c)为车辆平均行程时间对比图，(d)为车辆平均停车等待时间对比图，(e)为车辆平均延误对比图；(f)为车辆平均停车次数对比图，(g)为车辆平均CO2排放量对比图，(h)为车辆TTC次数对比图；
图11是本发明实施例提供的各项指标得分对比图，其中，(a)为低密度条件下两种方案各指标得分示意图，(b)为中密度条件下两种方案各指标得分示意图，(c)为高密度条件下两种方案各指标得分示意图；
图12是本发明实施例提供的两种方案在不同交通需求条件下ICZ利用率。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
为解决智能网联环境下无信号自主式管控交叉口的车辆通行顺序与车辆优化控制问题，提出了一种基于蒙特卡洛树搜索的分布式协同驾驶方法。该方法适用于未来全智能网联汽车(CAV)环境，对智能网联环境下城市交通的高效组织与管控提供了新的思路与方法。具体实现方案如下。
如图1所示，提供了一种基于蒙特卡洛树搜索的分布式协同驾驶方法，包括：
S1：构建智能网联环境下无信号自主式管控交叉口模型。
具体地，如图2所示，基于无信号交叉口CAV分布式协同管控模式提出一个简单的无信号自主式管控交叉口模型，其包括由交叉口中心区域(Intersection Centre Zone，ICZ)与其外围的控制区域(Control Zone，CZ)组成的无信号交叉口区域，通信范围(Communication Range)对应无信号交叉口区域的覆盖范围。并设计交叉口通行规则，包括：车辆进入控制区域后，不再允许换道行为发生；车辆进入交叉口中心区域后，驾驶行为被锁定，不再进行轨迹调整；各车道上车辆通行限制。其中各车道上车辆通行限制根据实际交叉口的情况进行设定，如：(1)对于双向四车道的交叉口，内侧车道允许车辆左转和直行，且车辆左转或直行后仍位于出口方向内侧车道；外侧车道允许车辆右转和直行，且车辆右转或直行后仍位于出口方向外侧车道；(2)对于双向六车道的交叉口，内侧车道允许车辆左转和直行，且车辆左转或直行后仍位于出口方向最内侧车道；中间车道只允许车辆直行，且车辆直行后仍位于出口方向中间车道；最外侧车道允许车辆右转和直行，且车辆右转或直行后仍位于出口方向最外侧车道。对于有更多车道的交叉口，通信规则可根据实际情况进行调整，如增加允许车辆左转和直行的车道数量和/或只允许车辆直行的车道数量，在此不进行赘述。
本实施例中，主要以双向六车道的交叉口为例进行仿真实验，为了便于简化仿真实验，在仿真实验中进行如下设置：(a)无信号自主式管控交叉口为100％智能网联汽车(CAV)环境，没有人工驾驶车辆的混入；(b)对车辆进行归一化处理，所有车辆的类型和性能一致；(c)假设V2X是完美通信，忽略信息交互的传输延迟，不存在丢包现象；(d)所有入口车道上车辆是随机到达的，且服从参数为λ的泊松分布；(e)忽略外部因素影响，即不考虑行人及非机动车辆在交叉口区域内的行为。
S2：CAV驶入控制区域时向通信范围内的所有CAV共享自身各项驾驶数据。
具体地，CAV的各项驾驶数据存储为集合Ri：
Ri＝{ID，Type，Lane，v，t，di，vmax，umax，umin，tarlane}
其中，Ri为车辆i的各项驾驶数据，ID为车辆i的编号；Type为车辆i的类型；Lane为车辆i所属车道；v为车辆i的当前车速；t为车辆i进入控制区域的时刻；di为车辆i距离交叉口的距离；vmax为车辆i的最大限速；umax为车辆i的最大加速度；umin为车辆i的最大减速度；tarlane为车辆i的目标车道。
在本实施例提供的仿真实验中，基于上述仿真实验中的设置，全部的车辆为统一类型和性能的CAV，车辆的Type，vmax，umax，umin参数均相同。
所有CAV的各项驾驶数据构成了交叉口通行请求集合R：
R＝{R1，R2，R3，…Ri，…}
S3：在当前状态下，对控制区域内所有CAV进行空间轨迹冲突分析。
具体地，如图3所示，交叉口中心区域(ICZ)车辆冲突的模式主要有三类：
交叉冲突：车辆从不同入口方向驶入且驶向不同出口方向，在ICZ内部产生冲突点；
合流冲突：车辆从不同入口方向驶入且驶向相同出口方向的同一车道，离开ICZ时产生冲突点；
分流冲突：车辆从相同入口方向的同一车道驶入且驶向不同出口方向，进入ICZ时产生冲突点。
图3所示为双向六车道的冲突点分布示意图，包括64个潜在的交叉冲突点，8个潜在的合流冲突点，8个潜在的分流冲突点。
S4：各CAV均采用融合启发式规则的蒙特卡洛树搜索(MCTS)算法计算出无信号交叉口车辆最优通行顺序，合理分配交叉口CAV通行权，达到计算预算时间内全局最优。
具体地，将各CAV作为树结点，以迭代的方式构建通行顺序搜索树，得到计算预算时间内全局最优作为车辆最优解通行顺序；如图4所示，每次迭代过程均包括选择、扩展、仿真和反向传播四个过程。
S4.1：选择过程，从根节点(交叉口控制区域内CAV当前初始状态)开始，选择总得分最大的CAV对应的子结点为最急需扩展的结点添加到通行顺序搜索树中，总得分计算方法如下式所示：
Figure BDA0003735679750000081
其中，Qj表示子结点j的得分，Qj的值在[0，1]范围内；n是根结点被访问的次数，nj是子结点j被访问的次数，C是加权参数；此处的最急需扩展的结点为既不是叶结点又具有未被访问孩子结点的结点。
S4.2：扩展过程，从步骤S4.1选择的最急需扩展的结点的孩子结点中随机选择一个未被访问的结点作为新结点添加到通行顺序搜索树中。
S4.3：仿真过程，从当前新结点运行仿真，基于此新结点表示的(部分)通行顺序最终确定一个完整的通行顺序，并以此来评估当前新结点的潜力。采用随机抽样的方式将未添加到通行顺序中的CAV逐个添加至通行顺序中，即将未添加到搜索树中的代表相应CAV的结点逐个添加至通行顺序搜索树中，直到找到叶结点，即得到一个完整的车辆通行顺序，计算无信号交叉口无碰撞条件下车辆通行顺序所需的减速(避撞)总调整次数，并更新步骤S4.2中扩展的结点的得分。
更具体地，考虑到经典基于MCTS协同驾驶策略在车流量大时，难以快速评估的局限性，本发明提出了以下启发式规则来帮助确定在仿真过程中哪些结点(车辆)应该被扩展(添加到通行顺序搜索树中，或理解为添加车辆到车辆通行顺序中)；
(1)对于同一车道上的车辆，禁止车辆变道，优先添加距离交叉口中心区域最近的车辆；
(2)对于经过交叉口中心区域有碰撞冲突的两车辆，应优先添加预期到达冲突点时间更小的车辆；
其中，启发式规则(1)有助于快速删除无效的通行顺序，启发式规则(2)确定候选车辆中适合添加进通行顺序中的车辆。
仿真过程可以归结为算法1，如下：
算法1启发式规则策略
Figure BDA0003735679750000082
Figure BDA0003735679750000091
算法2通行顺序→避撞调整
Figure BDA0003735679750000092
Figure BDA0003735679750000101
在仿真过程结束后，即得到完整的车辆通行顺序后，及时更新步骤S4.2中扩展的新结点的得分如下：
1、应用算法2计算出步骤S4.2中扩展的新结点与其选择路径上全部父结点的调整次数之和并表示为
Figure BDA0003735679750000102
2、应用算法2计算出总调整次数并表示为
Figure BDA0003735679750000103
3、步骤S4.2中扩展的新结点j的分数属于[0，1]区间范围内，使用如下公式将
Figure BDA0003735679750000104
和
Figure BDA0003735679750000105
归一化至[0，1]之间，得到
Figure BDA0003735679750000106
和
Figure BDA0003735679750000107
Figure BDA0003735679750000108
Figure BDA0003735679750000109
其中，
Figure BDA00037356797500001010
和
Figure BDA00037356797500001011
分别为所有已完成迭代中当前新结点j的兄弟结点对应的车辆通行顺序下
Figure BDA00037356797500001012
的最大值和最小值；
Figure BDA00037356797500001013
和
Figure BDA00037356797500001014
分别为所有已完成迭代中分别为所有已完成迭代中当前新结点j的兄弟结点对应的车辆通行顺序下
Figure BDA00037356797500001015
的最大值和最小值；每次迭代过程中，步骤S4.2就扩展一个新结点然后进行仿真，构建搜索树的一个子树，对应一个完整的车辆通行顺序，所有迭代过程中步骤S4.2就扩展新结点互为兄弟结点；
4、通过下式计算步骤S4.2中扩展的子结点的得分Qj：
Figure BDA00037356797500001016
其中，ω是加权参数。
S4.4：反向传播过程，仿真结果从步骤S4.2中扩展的新结点开始反向传播，更新选择路径中所有父结点的分数直至根节点。
在蒙特卡洛搜索树的构建过程中，车辆的最佳通行顺序不断更新。一旦系统达到计算预算时间，搜索过程就会停止，并返回到目前为止的车辆最佳通行顺序(即总调整次数
Figure BDA00037356797500001017
最小时车辆通行顺序)。车辆预期到达交叉口中心冲突区域的时间可以通行顺序到轨迹解释算法来确定；Agent(每个CAV即为一个Agent)对各车辆进行合理的轨迹规划调整，计算出相应车辆(优先级较低且需减速让行)重新规划后的速度和加速度曲线。
S5：各CAV通过多数投票规则确定最终的车辆最优通行顺序，并根据最终的车辆最优通行顺序实时调整CAV行驶轨迹。
其中，所述各CAV通过多数投票规则确定最终的车辆最优通行顺序，包括：
各CAV得出各自计算预算内的车辆最优通行顺序，并为该车辆最优通行顺序投票，将其投票结果实时传输给其他所有CAV；
采用多数投票规则，选择获得票数最多的车辆最优通行顺序作为最终的车辆最优通行顺序，当两个或两个以上车辆最优通行顺序获得相同票数时，选择总调整次数(目标值)最小的车辆最优通行顺序作为最终的车辆最优通行顺序。
其中，所述根据最终的车辆最优通行顺序实时调整CAV行驶轨迹包括：
根据最终的车辆最优通行顺序确定各CAV所需的减速调整次数以及预期到达交叉口中心区域时间之后，采用轨迹调整算法以控制CAV加减速，使各CAV能够以期望的时间和速度到达交叉口中心区域；其中轨迹调整算法包括：
确定每辆CAV的状态方程：
Figure BDA0003735679750000111
xi(t)＝[pi(t)，vi(t)]
其中，xi(t)和ui(t)是车辆i在时间t的状态和加速度(控制输入)，pi(t)和vi(t)是车辆i在时间t的位置和速度；
对于无信号交叉口场景中的车辆轨迹规划问题，使用二阶动力学模型，可以得出：
Figure BDA0003735679750000112
使用微观跟驰模型中的智能驾驶员模型(IDM)来控制车辆进行的轨迹调整，在智能驾驶员模型中，车辆i的加速度ui通过以下公式计算：
Figure BDA0003735679750000113
其中，vi是车辆i的速度；
Figure BDA0003735679750000114
是期望速度；si是实际间距(到前一辆车的距离)；Δvi是与前一辆车的速度差；umax是最大加速度；δ是加速度指数；s*是用于计算期望最小间距的函数；即：
Figure BDA0003735679750000115
其中，
Figure BDA0003735679750000116
和
Figure BDA0003735679750000117
是车辆i的两个不同拥堵距离，T(i)是安全车头时距，bi是期望减速度。
S6：各CAV根据实时调整的CAV行驶轨迹行驶。CAV收到ICZ通行许可，按照交叉口无冲突的CAV行驶轨迹行驶，安全、高效的通过无信号交叉口。
如图5所示，本实施例中，提出“任务-区域”划分框架，将控制区域(CZ)内CAV协同驾驶任务分解为三个主要任务：(1)车辆信息实时共享，(2)车辆最优通行顺序确定，(3)车辆轨迹规划控制；CZ相应地划分为三个分区：观察区(OBZ)、优化区(OPZ)、执行区(EXZ)，其范围分别由dobz、dopz和dexz表示。
在CZ的每个分区中，车辆被分配执行以下不同的任务：
在OBZ中，基于V2X信息交互技术，CAV之间实时相互传递各自驾驶数据信息；
在OPZ中，每辆CAV作为agent(智能体)，运用OBZ中获得的其他CAV驾驶数据，基于融合启发式规则的MCTS算法计算出车辆最优通行顺序；随后，各CAV运用多数投票规则确定交叉口最终的车辆最优通行顺序
在EXZ中，各CAV根据OPZ中确定的车辆最优通行顺序进行相应的轨迹优化，并实时执行调整控制。
下面结合FCFS方法和本发明提供的基于MCTS协同驾驶方法的仿真实验对本发明方案的优势进行说明。
仿真平台搭建参数如图6所示，FCFS方法仿真流程如图7所示，基于MCTS协同驾驶方法仿真流程如图8所示。
交叉口总延误D降低比率为η：
Figure BDA0003735679750000121
其中，DFCFS是基于FCFS车辆通行顺序的交叉口总延误，DMCTS是基于MCTS车辆通行顺序的交叉口总延误。
在MCTS仿真步骤中使用了启发式规则来降低随机抽样带来的影响，参数C和ω的设置可能影响开发和勘探之间的平衡。因此，在本文接下来的仿真部分中，设置ω＝0.8，C＝0.1。MCTS搜索结点数总延误降低比率如图9所示。
如图10所示，其中图10(a)为车辆平均减速调整次数对比图，图10(b)为车辆平均速度对比图，图10(c)为车辆平均行程时间对比图，图10(d)为车辆平均停车等待时间对比图，图10(e)为车辆平均延误对比图；图10(f)为车辆平均停车次数对比图，图10(g)为车辆平均CO2排放量对比图，图10(h)为车辆TTC次数对比图，其中TTC即Time to collision，就是会记录前后两辆车：间距/速度差，如果小于某个阈值，本实施例中设置的是2s，就会记录一次。
为了更直观地体现本文提出的协同驾驶策略在效率、安全、舒适性及碳排放等四个方面显现出来的通行优势，使用评分制，每项指标的满分是10分，FCFS策略各指标得分SFCFS，i统一设置为5分，基于MCTS协同驾驶策略第i项指标得分为SMCTS，i：
Figure BDA0003735679750000131
如图11所示，图11(a)为低密度条件下两种方案各指标得分示意图，图11(b)为中密度条件下两种方案各指标得分示意图，图11(c)为高密度条件下两种方案各指标得分示意图。
交叉口中心区域(ICZ)利用率为μ：
Figure BDA0003735679750000132
其中，tc表示CAV占用ICZ的时长，Tc表示ICZ开放总时长；ICZ利用率定义为同一时刻占用ICZ的平均车辆数。如图12所示，为两种方案在不同交通需求条件下ICZ利用率。
通过上述对比分析可知，相比于先到先服务(FCFS)策略，本发明提出的基于MCTS的协同驾驶方案在安全、效率、舒适性、排放等方面均有明显提升，能更好的满足智慧出行、绿色出行的要求。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，包括：
S1：构建智能网联环境下无信号自主式管控交叉口模型，将无信号交叉口区域划分为交叉口中心区域与其外围的控制区域；
S2：CAV驶入控制区域时向通信范围内的所有CAV共享自身各项驾驶数据信息，其中CAV表示智能网联汽车；
S3：对控制区域内所有CAV进行空间轨迹冲突分析；
S4：各CAV均采用融合启发式规则的蒙特卡洛树搜索算法计算出无信号交叉口车辆最优通行顺序；
S5：各CAV通过多数投票规则确定最终的车辆最优通行顺序，并根据最终的车辆最优通行顺序实时调整CAV行驶轨迹；
S6：各CAV根据实时调整的CAV行驶轨迹驶过无信号交叉口。
2.根据权利要求1所述的基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，所述步骤S1中，无信号自主式管控交叉口模型包括由交叉口中心区域与其外围的控制区域组成的无信号交叉口区域；并设计交叉口通行规则，包括：车辆进入控制区域后，不再允许换道行为发生；车辆进入交叉口中心区域后，驾驶行为被锁定，不再进行轨迹调整；各车道上车辆通行限制。
3.根据权利要求1所述的基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，所述步骤S2中，CAV的各项驾驶数据存储为集合Ri：
Ri＝{ID,Type,Lane,v,t,di,vmax,umax,umin,tarlane}
其中，Ri为车辆i的各项驾驶数据，ID为车辆i的编号；Type为车辆i的类型；Lane为车辆i所属车道；v为车辆i的当前车速；t为车辆i进入控制区域的时刻；di为车辆i距离交叉口的距离；vmax为车辆i的最大限速；umax为车辆i的最大加速度；umin为车辆i的最大减速度；tarlane为车辆i的目标车道。
4.根据权利要求1所述的基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，所述步骤S4中，每个CAV采用融合启发式规则的蒙特卡洛树搜索算法计算出交叉口车辆最优通行顺序过程包括：
将各CAV作为树结点，以迭代的方式构建通行顺序搜索树，得到计算预算时间内全局最优解作为车辆最优通行顺序；每次迭代过程均包括选择、扩展、仿真和反向传播四个过程；
S4.1：选择过程，以控制区域内CAV当前初始状态为根结点，选择总得分最大的CAV对应的子结点作为最急需扩展的结点添加到通行顺序搜索树中，总得分计算方法如下式所示：
Figure FDA0003735679740000021
其中，Qj表示子结点j的得分，Qj的值在[0,1]范围内；n是根结点被访问的次数，nj是子结点j被访问的次数，C是加权参数；且最急需扩展的结点为既不是叶结点又具有未被访问孩子结点的结点；
S4.2：扩展过程，从步骤S4.1选择的最急需扩展的结点的孩子结点中随机选择一个未被访问的结点作为新结点添加到通行顺序搜索树中；
S4.3：仿真过程，从当前新结点运行仿真，将未添加到通行顺序搜索树中的代表相应CAV的结点逐个添加至通行顺序搜索树中，直到找到叶结点，即得到一个完整的车辆通行顺序，计算无信号交叉口无碰撞条件下该车辆通行顺序所需的总调整次数，并更新步骤S4.2中扩展的新结点的得分；
S4.4：反向传播过程，仿真结果从步骤S4.2中扩展的新结点开始反向传播，更新选择路径中所有父结点的得分直至根节点。
5.根据权利要求4所述的基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，步骤S4.3的仿真过程中，构建如下启发式规则：
(1)对于同一车道上的车辆，禁止车辆变道，优先添加距离交叉口中心区域最近的车辆；
(2)对于经过交叉口中心区域有碰撞冲突的车辆，应优先添加预期到达冲突点时间更小的车辆；
仿真过程包括：
A1：在所有未添加进搜索树的CAV中，选择每条车道上最靠近交叉口中心区域的CAV作为候选车辆，并计算它们到达各自通行轨迹上所有冲突点的预期时间；
A2：如果存在某一候选车辆，其到达通行轨迹上所有冲突点的时间都是最小的，将其对应的结点添加到搜索树中；如果不存在，则在所有候选车辆对应的结点中随机选择一个添加到搜索树中；
A3：重复上述步骤A1、A2，直到找到叶结点，得到一个完整的车辆通行顺序；
A4：计算无信号交叉口无碰撞条件下步骤A3得到的完整的车辆通行顺序的总调整次数，并更新步骤S4.2中扩展的新结点的得分。
6.根据权利要求5所述的基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，所述更新步骤S4.2中扩展的新结点的得分过程包括：
计算在基于S4.2中扩展的新结点j通过仿真得到的叶结点对应的完整的车辆通行顺序下，CAV所需总调整次数
Figure FDA0003735679740000031
以及步骤S4.2中扩展的新结点j与其选择路径上全部父结点的调整次数之和
Figure FDA0003735679740000032
使用如下公式将
Figure FDA0003735679740000033
和
Figure FDA0003735679740000034
归一化至[0,1]之间，得到
Figure FDA0003735679740000035
和
Figure FDA0003735679740000036
Figure FDA0003735679740000037
Figure FDA0003735679740000038
其中，
Figure FDA0003735679740000039
和
Figure FDA00037356797400000310
分别为所有已完成迭代中当前新结点j的兄弟结点对应的车辆通行顺序下
Figure FDA00037356797400000311
的最大值和最小值；
Figure FDA00037356797400000312
和
Figure FDA00037356797400000313
分别为所有已完成迭代中当前新结点j的兄弟结点对应的车辆通行顺序下
Figure FDA00037356797400000314
的最大值和最小值；
通过下式计算步骤S4.2中扩展的新结点j的得分Qj：
Figure FDA00037356797400000315
其中，ω是加权参数。
7.根据权利要求1所述的基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，所述各CAV通过多数投票规则确定最终的车辆最优通行顺序，包括：
各CAV得出各自计算预算内的车辆最优通行顺序，并为该车辆最优通行顺序投票，将投票结果实时传输给其它所有CAV；
采用多数投票规则，选择获得票数最多的车辆最优通行顺序作为最终的车辆最优通行顺序，当两个或两个以上车辆最优通行顺序获得相同票数时，选择总调整次数最小的车辆最优通行顺序作为最终的车辆最优通行顺序。
8.根据权利要求1所述的基于蒙特卡洛树搜索的分布式协同驾驶方法，其特征在于，所述根据最终的车辆最优通行顺序实时调整CAV行驶轨迹包括：
根据最终的车辆最优通行顺序确定各CAV所需的减速调整次数以及预期到达交叉口中心区域时间之后，采用轨迹调整算法以控制CAV加减速，使各CAV能够以期望的时间和速度到达交叉口中心区域；其中轨迹调整算法包括：
确定每辆CAV的状态方程：
Figure FDA00037356797400000316
xi(t)＝[pi(t),vi(t)]
其中，xi(t)和ui(t)是车辆i在时间t的状态和加速度，pi(t)和vi(t)是车辆i在时间t的位置和速度；
对于无信号交叉口场景中的车辆轨迹规划问题，使用二阶动力学模型，可以得出：
Figure FDA0003735679740000041
使用微观跟驰模型中的智能驾驶员模型来控制车辆进行的轨迹调整，在智能驾驶员模型中，车辆i的加速度ui通过以下公式计算：
Figure FDA0003735679740000042
其中，vi是车辆i的速度；
Figure FDA0003735679740000043
是期望速度；si是实际间距；Δvi是与前一辆车的速度差；umax是最大加速度；δ是加速度指数；s*是用于计算期望最小间距的函数；即：
Figure FDA0003735679740000044
其中，
Figure FDA0003735679740000045
和
Figure FDA0003735679740000046
是车辆i的两个不同拥堵距离，T(i)是安全车头时距，bi是期望减速度。
CN202210795562.4A 2022-07-07 2022-07-07 一种基于蒙特卡洛树搜索的分布式协同驾驶方法 Active CN115171386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210795562.4A CN115171386B (zh) 2022-07-07 2022-07-07 一种基于蒙特卡洛树搜索的分布式协同驾驶方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210795562.4A CN115171386B (zh) 2022-07-07 2022-07-07 一种基于蒙特卡洛树搜索的分布式协同驾驶方法

Publications (2)

Publication Number Publication Date
CN115171386A true CN115171386A (zh) 2022-10-11
CN115171386B CN115171386B (zh) 2023-12-12

Family

ID=83491635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210795562.4A Active CN115171386B (zh) 2022-07-07 2022-07-07 一种基于蒙特卡洛树搜索的分布式协同驾驶方法

Country Status (1)

Country Link
CN (1) CN115171386B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152959A (zh) * 2023-09-13 2023-12-01 武汉理工大学 一种基于物联网的交叉口左转车辆连续通行方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750824A (zh) * 2012-06-19 2012-10-24 银江股份有限公司 基于多种神经网络分类器投票的城市道路交通状态检测方法
CN103049751A (zh) * 2013-01-24 2013-04-17 苏州大学 一种改进的加权区域匹配高空视频行人识别方法
CN108257383A (zh) * 2018-01-16 2018-07-06 河南魏来网络科技有限公司 一种车载终端和交通通行行为的监控系统
CN108564234A (zh) * 2018-05-08 2018-09-21 北京航空航天大学 一种智能网联汽车的交叉口无信号自组织通行控制方法
CN108629970A (zh) * 2018-04-25 2018-10-09 浙江大学 基于蒙特卡罗树搜索的交叉口信号参数优化方法
US10671076B1 (en) * 2017-03-01 2020-06-02 Zoox, Inc. Trajectory prediction of third-party objects using temporal logic and tree search
US20200363800A1 (en) * 2019-05-13 2020-11-19 Great Wall Motor Company Limited Decision Making Methods and Systems for Automated Vehicle
CN112052776A (zh) * 2020-09-01 2020-12-08 中国人民解放军国防科技大学 无人车自主驾驶行为优化方法、装置和计算机设备
CN112078593A (zh) * 2020-07-24 2020-12-15 西安电子科技大学 基于多种网络协同模型的自动驾驶系统及方法
CN113313940A (zh) * 2021-05-24 2021-08-27 中南大学 一种无信号环岛人行横道限流方法
CN113593228A (zh) * 2021-07-26 2021-11-02 广东工业大学 一种高速公路瓶颈区域自动驾驶协同控制方法
CN113793502A (zh) * 2021-09-15 2021-12-14 国网电动汽车服务(天津)有限公司 无信号灯控制下的行人过街预测方法
US20220058945A1 (en) * 2020-08-19 2022-02-24 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for collaborative intersection management
CN114091567A (zh) * 2020-06-23 2022-02-25 华为技术有限公司 一种驾驶决策方法及装置
CN114675655A (zh) * 2022-04-18 2022-06-28 北京京东乾石科技有限公司 一种车辆控制方法及装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750824A (zh) * 2012-06-19 2012-10-24 银江股份有限公司 基于多种神经网络分类器投票的城市道路交通状态检测方法
CN103049751A (zh) * 2013-01-24 2013-04-17 苏州大学 一种改进的加权区域匹配高空视频行人识别方法
US10671076B1 (en) * 2017-03-01 2020-06-02 Zoox, Inc. Trajectory prediction of third-party objects using temporal logic and tree search
CN108257383A (zh) * 2018-01-16 2018-07-06 河南魏来网络科技有限公司 一种车载终端和交通通行行为的监控系统
CN108629970A (zh) * 2018-04-25 2018-10-09 浙江大学 基于蒙特卡罗树搜索的交叉口信号参数优化方法
CN108564234A (zh) * 2018-05-08 2018-09-21 北京航空航天大学 一种智能网联汽车的交叉口无信号自组织通行控制方法
US20200363800A1 (en) * 2019-05-13 2020-11-19 Great Wall Motor Company Limited Decision Making Methods and Systems for Automated Vehicle
CN114091567A (zh) * 2020-06-23 2022-02-25 华为技术有限公司 一种驾驶决策方法及装置
CN112078593A (zh) * 2020-07-24 2020-12-15 西安电子科技大学 基于多种网络协同模型的自动驾驶系统及方法
US20220058945A1 (en) * 2020-08-19 2022-02-24 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for collaborative intersection management
CN112052776A (zh) * 2020-09-01 2020-12-08 中国人民解放军国防科技大学 无人车自主驾驶行为优化方法、装置和计算机设备
CN113313940A (zh) * 2021-05-24 2021-08-27 中南大学 一种无信号环岛人行横道限流方法
CN113593228A (zh) * 2021-07-26 2021-11-02 广东工业大学 一种高速公路瓶颈区域自动驾驶协同控制方法
CN113793502A (zh) * 2021-09-15 2021-12-14 国网电动汽车服务(天津)有限公司 无信号灯控制下的行人过街预测方法
CN114675655A (zh) * 2022-04-18 2022-06-28 北京京东乾石科技有限公司 一种车辆控制方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI-FUNG CHU等: "Dynamic Lane Reversal Routing and Scheduling for Connected and Autonomous Vehicles: Formulation and Distributed Algorithm", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, pages 2557 - 2570 *
MA, CY等: "Trajectory planning for connected and automated vehicles at isolated signalized intersections under mixed traffic environment", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》, pages 1 - 23 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152959A (zh) * 2023-09-13 2023-12-01 武汉理工大学 一种基于物联网的交叉口左转车辆连续通行方法及系统

Also Published As

Publication number Publication date
CN115171386B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
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
CN113781806B (zh) 一种用于智能网联环境下的混合交通流通行方法
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
Liu et al. Trajectory planning for autonomous intersection management of connected vehicles
CN108877268B (zh) 一种面向无人驾驶的无红绿灯十字路口智能调度方法
CN114067559B (zh) 一种自动车专用道并入普通车道的合流优化控制方法
Ding et al. Multivehicle coordinated lane change strategy in the roundabout under internet of vehicles based on game theory and cognitive computing
Jin et al. Improving traffic operations using real-time optimal lane selection with connected vehicle technology
CN113312732B (zh) 一种结合预先决策与动态调整的无信控交叉口仿真控制方法及装置
CN114973733B (zh) 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN113593228B (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN112735126A (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
CN114495547B (zh) 一种面向自动驾驶汽车的信号交叉口协同通行方法
CN114889603A (zh) 一种车辆换道处理方法和装置
CN115565390B (zh) 智能网联汽车多车道队列通行控制方法、系统及计算机可读存储介质
CN115171386A (zh) 一种基于蒙特卡洛树搜索的分布式协同驾驶方法
CN112017439A (zh) 一种自动驾驶交叉口行人过街摆渡车控制方法
Jiang et al. Is all-direction turn lane a good choice for autonomous intersections? a study of method development and comparisons
Liu et al. Improving the intersection’s throughput using V2X communication and cooperative adaptive cruise control
Wang et al. An advanced control strategy for connected autonomous vehicles based on Micro simulation models at multiple intersections
Ren et al. An intersection platoon speed control model considering traffic efficiency and energy consumption in cvis
Wu et al. Cooperative U‐Turn Merging Behaviors and Their Impacts on Road Traffic in CVIS Environment
Esmaeili et al. A platoon formation strategy for heterogeneous vehicle types at a signalized intersection
Jin et al. Simulation-driven multi-segment variable speed limits on freeway

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