CN115344972A - 人机混驾自动驾驶专用道位置与交叉口信号配时优化方法 - Google Patents
人机混驾自动驾驶专用道位置与交叉口信号配时优化方法 Download PDFInfo
- Publication number
- CN115344972A CN115344972A CN202210864093.7A CN202210864093A CN115344972A CN 115344972 A CN115344972 A CN 115344972A CN 202210864093 A CN202210864093 A CN 202210864093A CN 115344972 A CN115344972 A CN 115344972A
- Authority
- CN
- China
- Prior art keywords
- intersection
- lane
- automatic driving
- road
- special
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- 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)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种人机混驾时自动驾驶车辆专用道位置与交叉口信号配时联合优化方法,包括以下步骤:S1、将城市路网分为基本路段、交织段、交叉口排队段元素,并抽象成有向网络图;S2、建立基本路段、交织段、交叉口排队段的行程时间计算式;S3、建立考虑自动驾驶车辆专用道位置与交叉口信号配时的混合交通流分配模型;S4、建立自动驾驶车辆专用道位置与交叉口信号配时决策模型;S5、求解得到自动驾驶车辆专用道位置与交叉口信号配时优化方案。本发明基于车道级路网建模,通过划分路网基本路段、交织段、交叉口排队段,考察自动驾驶车辆专用道横向位置与交叉口信号配时的交互关系,为在城市路网自动驾驶专用车道提供新的、科学的定量化决策方法。
Description
技术领域
本发明涉及车路联网与自动驾驶交通设计的技术领域,尤其是涉及一种人机混驾自动驾驶专用道位置与交叉口信号配时优化方法。
背景技术
在未来很长一段时间里,以人类驾驶车辆和自动驾驶车辆组成的人机混驾交通流将共同运行在现有的交通基础设施中。自动驾驶车辆专用道与交叉口信号控制作为人机混驾场景中重要的路权分配手段,对自动驾驶车辆专用道在路网上进行优化布设,同时对交叉口的信号控制进行优化,是进一步提升人机混驾场景下城市路网运行性能的关键。
现有的技术中,往往将路段自动驾驶专用道布设与交叉口信号控制分开考虑,而没有考虑自动驾驶专用车道横向位置布设与交叉口信号配时的影响。因此,本发明提出一种人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,以指导合理、经济地设置自动驾驶专用车道并进行信号配时,具有重要的理论意义与工程价值。
发明内容
本发明要解决的技术问题在于,提供一种人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,充分考察了自动驾驶车辆专用道横向位置与交叉口信号配时的交互关系,为在城市路网设置自动驾驶专用车道提供了一种科学的定量化决策方法。
本发明解决其技术问题所采用的技术方案是:提供一种人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,包括以下步骤:
S1、将城市路网分为基本路段、交织段、交叉口排队段元素,并抽象成有向网络图;
S2、建立基本路段、交织段、交叉口排队段的行程时间计算式;
S3、建立考虑自动驾驶车辆专用道位置与交叉口信号配时的混合交通流分配模型;
S4、建立自动驾驶车辆专用道位置与交叉口信号配时决策模型;
S5、求解得到自动驾驶车辆专用道位置与交叉口信号配时优化方案。
按上述方案,所述步骤S1包括以下步骤:
S101、将车道基本路段抽象为网络图中的单向边,其中每条车道编号a;
S102、将换道交织段中车道与车道之间的换道连接段抽象为网络图中的双向边,编号为b;
S103、将交叉口交点抽象为网络图中的节点,编号为c;
S104、将所述节点和边连接起来,组成有向网络图,即完成了对城市路网的建模。
按上述方案,所述步骤S2包括以下步骤:
S201、采用如下公式计算基本路段的出行成本:
式中:a分别为车道的编号;ta为车道a的行驶成本;ta,free表示自由流场景下,车道a上行驶的出行时间;xa,HV表示车道a,l上的人类驾驶车辆的流量;xa,AV表示车道a上的自动驾驶车辆的流量;e,f为待标定的系数;
S202、采用如下公式计算交织段的出行成本:
式中:vfree为自由流速度,xout为换道前车道的流量;vin为目标车道的流量;K1,K2,K3,K4为待标定的系数,根据基于上式的交通分配模型得到的分配流量与实际流量误差最小化标定。
S203、采用如下公式计算交叉口排队段的出行成本:
按上述方案,所述的步骤S3中的混合交通流分配模型的具体数学表达式为:
Subject to:
式中:表示OD对r-s之间第i条路径的人类驾驶车辆流量;表示OD对r-s之间第i条路径的自动驾驶车辆流量;ODHV表示人类驾驶车辆的OD,ODAV表示自动驾驶车辆的OD,表示OD对r-s之间自动驾驶车辆的渗透率;表示车道a是否设立自动驾驶专用车道,当设立时取1,不设立取0;M为惩罚项,取一个充分大的数。
按上述方案,所述步骤S4中的自动驾驶车辆专用道位置与交叉口信号配时决策模型的具体数学表达式为:
Subject to:
Cmin<C<Cmax
0<λn<1
式中:xa,xb,xc由步骤S3中的混合交通流分配模型计算得到,cmin为最小周期,cmax为最大周期,TTC为系统出行成本。
按上述方案,所述的步骤S5包括以下步骤:
S501、采用启发式算法求解自动驾驶专用车道优化布设决策模型,其中混合交通流分配模型采用MATLAB优化工具箱进行求解;
按上述方案,所述启发式算法为遗传算法或模拟退火算法。
实施本发明的人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,具有以下有益效果:
本发明基于车道级的路网建模,通过划分路网为基本路段、交织段、交叉口排队段,充分考察了自动驾驶车辆专用道横向位置与交叉口信号配时的交互关系,为在城市路网设置自动驾驶专用车道提供了一种新的、科学的定量化决策方法。
附图说明
图1为本发明的机混驾场景下自动驾驶车辆专用道位置与交叉口信号配时联合优化方法流程图;
图2为城市路网结构示意图;
图3为城市路网建模方法示意图;
图4为自动驾驶专用车道布设与信号配时优化示例。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1-4所示,某城市路网,共包含一个交叉口和连接交叉口四个方向的四条路段。当自动驾驶车辆达到一定比例时,采用本发明提出的方法,如图1所示,在给定自动驾驶车辆渗透率条件下,优化自动驾驶车辆专用道横向位置与交叉口信号配时,以获得最优路网运行性能,包括以下步骤:
S1、将城市路网分为基本路段、交织段、交叉口排队段元素,并抽象成有向网络图:
S101、将车道基本路段抽象为网络图中的单向边,其中每条车道编号a;
S102、将换道交织段中车道与车道之间的换道连接段抽象为网络图中的双向边,编号为b;
S103、将交叉口交点抽象为网络图中的节点,编号为c;
S104、将上述的节点和边连接起来,组成有向网络图,即完成了对城市路网的建模,如附图2所示。
S2、建立基本路段、交织段、交叉口排队段的行程时间计算式:
S201、采用如下公式计算基本路段的出行成本:
式中:a分别为车道的编号;ta为车道a的行驶成本;ta,free表示自由流场景下,车道a上行驶的出行时间;xa,HV表示车道a,l上的人类驾驶车辆的流量;xa,AV表示车道a上的自动驾驶车辆的流量;e,f为待标定的系数。
S202、采用如下公式计算交织段的出行成本:
式中:vfree为自由流速度,xout为换道前车道的流量;vin为目标车道的流量;K1,K2,K3,K4为待标定的系数,根据基于上式的交通分配模型得到的分配流量与实际流量误差最小化标定。
S203、采用如下公式计算交叉口排队段的出行成本:
式中:c为信号周期时长,λn为进口道n的绿信比,qn为进口道n的交通流量,xn为进口道n的饱和度,sn为进口道n的饱和流率。步骤3)建立考虑自动驾驶车辆专用道位置与交叉口信号配时的混合交通流分配模型:
S3、建立考虑自动驾驶车辆专用道位置与交叉口信号配时的混合交通流分配模型,具体数学表达式为:
Subject to:
式中:表示OD对r-s之间第i条路径的人类驾驶车辆流量;表示OD对r-s之间第i条路径的自动驾驶车辆流量;ODhV表示人类驾驶车辆的OD,ODAV表示自动驾驶车辆的OD,表示OD对r-s之间自动驾驶车辆的渗透率;表示车道a是否设立自动驾驶专用车道,当设立时取1,不设立取0;M为惩罚项,取一个充分大的数。其它参数与前式相同。
S4、建立自动驾驶车辆专用道位置与交叉口信号配时决策模,具体数学表达式为:
Subject to:
cmin<C<Cmax
0<λn<1
式中:xa,xb,xc由步骤S3中的混合交通流分配模型计算得到,cmin为最小周期,cmax为最大周期,TTC为系统出行成本。S5、求解得到自动驾驶车辆专用道位置与交叉口信号配时优化方案:
S501、采用启发式算法(如遗传算法,模拟退火算法)求解自动驾驶专用车道优化布设决策模型,其中混合交通流分配模型采用MATLAB优化工具箱进行求解。
表1自动驾驶车辆专用道布设方案
表2信号配时方案
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,其特征在于,包括以下步骤:
S1、将城市路网分为基本路段、交织段、交叉口排队段元素,并抽象成有向网络图;
S2、建立基本路段、交织段、交叉口排队段的行程时间计算式;
S3、建立考虑自动驾驶车辆专用道位置与交叉口信号配时的混合交通流分配模型;
S4、建立自动驾驶车辆专用道位置与交叉口信号配时决策模型;
S5、求解得到自动驾驶车辆专用道位置与交叉口信号配时优化方案。
2.根据权利要求1所述的人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,其特征在于,所述步骤S1包括以下步骤:
S101、将车道基本路段抽象为网络图中的单向边,其中每条车道编号a;
S102、将换道交织段中车道与车道之间的换道连接段抽象为网络图中的双向边,编号为b;
S103、将交叉口交点抽象为网络图中的节点,编号为c;
S104、将所述节点和边连接起来,组成有向网络图,即完成了对城市路网的建模。
3.根据权利要求1所述的人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,其特征在于,所述步骤S2包括以下步骤:
S201、采用如下公式计算基本路段的出行成本:
式中:a分别为车道的编号;ta为车道a的行驶成本;ta,free表示自由流场景下,车道a上行驶的出行时间;xa,HV表示车道a,l上的人类驾驶车辆的流量;xa,AV表示车道a上的自动驾驶车辆的流量;e,f为待标定的系数;
S202、采用如下公式计算交织段的出行成本:
式中:vfree为自由流速度,xout为换道前车道的流量;vin为目标车道的流量;K1,K2,K3,K4为待标定的系数,根据基于上式的交通分配模型得到的分配流量与实际流量误差最小化标定。
S203、采用如下公式计算交叉口排队段的出行成本:
7.根据权利要求6所述的人机混驾自动驾驶专用道位置与交叉口信号配时优化方法,其特征在于,所述启发式算法为遗传算法或模拟退火算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864093.7A CN115344972A (zh) | 2022-07-21 | 2022-07-21 | 人机混驾自动驾驶专用道位置与交叉口信号配时优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864093.7A CN115344972A (zh) | 2022-07-21 | 2022-07-21 | 人机混驾自动驾驶专用道位置与交叉口信号配时优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115344972A true CN115344972A (zh) | 2022-11-15 |
Family
ID=83950596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210864093.7A Pending CN115344972A (zh) | 2022-07-21 | 2022-07-21 | 人机混驾自动驾驶专用道位置与交叉口信号配时优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115344972A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631639A (zh) * | 2022-12-20 | 2023-01-20 | 银江技术股份有限公司 | 基于改进nema相位结构的混行交叉口信号配时方法与系统 |
CN117302207A (zh) * | 2023-11-29 | 2023-12-29 | 华东交通大学 | 一种适用于混驾环境的智能汽车行驶安全预警系统 |
-
2022
- 2022-07-21 CN CN202210864093.7A patent/CN115344972A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631639A (zh) * | 2022-12-20 | 2023-01-20 | 银江技术股份有限公司 | 基于改进nema相位结构的混行交叉口信号配时方法与系统 |
CN117302207A (zh) * | 2023-11-29 | 2023-12-29 | 华东交通大学 | 一种适用于混驾环境的智能汽车行驶安全预警系统 |
CN117302207B (zh) * | 2023-11-29 | 2024-02-13 | 华东交通大学 | 一种适用于混驾环境的智能汽车行驶安全预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115344972A (zh) | 人机混驾自动驾驶专用道位置与交叉口信号配时优化方法 | |
CN107610487B (zh) | 基于动态随机车流相位差协调机制的区域交通控制系统和方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN104464310B (zh) | 城市区域多交叉口信号协同优化控制方法及系统 | |
CN104866654B (zh) | 一种一体化城市动态交通仿真平台的构建方法 | |
CN104282162B (zh) | 一种基于实时车辆轨迹的交叉口自适应信号控制方法 | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及系统 | |
CN113706862B (zh) | 一种考虑路网容量约束的分布式主动均衡管控方法 | |
CN109902864B (zh) | 一种考虑网络配载均衡的施工区交通组织方案设计方法 | |
CN105841709B (zh) | 一种汽车行驶路径规划方法 | |
CN107563566A (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
CN109544922B (zh) | 一种基于区域划分的交通路网分布式预测控制方法 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN106710220A (zh) | 一种城市道路分层动态协调控制算法及控制方法 | |
CN111063208A (zh) | 一种基于车联网的车道级交通诱导方法及系统 | |
CN105390004B (zh) | 一种左转短车道影响的成对交叉口时空资源分配方法 | |
CN106935044A (zh) | 一种基于公交信号优先协调控制的站点位置优化方法 | |
CN115344971A (zh) | 人机混驾场景下自动驾驶专用车道横纵位置优化布设方法 | |
CN104700634B (zh) | 基于最小生成树聚类改进遗传算法的相邻交叉口干道协调控制方法 | |
CN113299078B (zh) | 一种基于多智能体协作的多模式交通干线信号协调控制方法及装置 | |
CN106991813A (zh) | 一类掉头车辆和转向限制的道路交叉口流量流向推算方法 | |
CN113947901B (zh) | 一种基于交叉口定时配时的快速公交站点位置布设方法 | |
CN110021178B (zh) | 一种基于路口相似度的信号配时方案推荐方法 | |
CN112699535A (zh) | 高架地面联动交通信号区域自适应控制方法 | |
CN108648455B (zh) | 一种基于综合出行费用的城市路网模式选择方法 |
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 |