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 PDF

Info

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
Application number
CN202210864093.7A
Other languages
English (en)
Inventor
陈珂
刘聪健
江泽浩
王宇阳
骆汉宾
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210864093.7A priority Critical patent/CN115344972A/zh
Publication of CN115344972A publication Critical patent/CN115344972A/zh
Pending legal-status Critical Current

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

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
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：
Figure BDA0003757852470000021
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：
Figure BDA0003757852470000022
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：
Figure BDA0003757852470000023
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，
Figure BDA0003757852470000031
sn为进口道n的饱和流率。
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：
Figure BDA0003757852470000032
Subject to:
Figure BDA0003757852470000033
Figure BDA0003757852470000034
Figure BDA0003757852470000035
Figure BDA0003757852470000036
Figure BDA0003757852470000037
Figure BDA0003757852470000038
Figure BDA0003757852470000039
Figure BDA00037578524700000310
式中：
Figure BDA00037578524700000311
表示OD对r-s之间第i条路径的人类驾驶车辆流量；
Figure BDA00037578524700000312
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，
Figure BDA00037578524700000313
表示OD对r-s之间自动驾驶车辆的渗透率；
Figure BDA00037578524700000314
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：
Figure BDA00037578524700000315
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；
S502、得到最优的
Figure BDA0003757852470000041
c,λn，将
Figure BDA0003757852470000042
为1的部分所对应编号的路段设置为自动驾驶车辆专用道，其余为混行车道，交叉口配时周期为c，n进口道的绿信比为λn。
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：
Figure BDA0003757852470000051
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：
Figure BDA0003757852470000052
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：
Figure BDA0003757852470000053
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，
Figure BDA0003757852470000054
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：
Figure BDA0003757852470000061
Subject to:
Figure BDA0003757852470000062
Figure BDA0003757852470000063
Figure BDA0003757852470000064
Figure BDA0003757852470000065
Figure BDA0003757852470000066
Figure BDA0003757852470000067
Figure BDA0003757852470000068
Figure BDA0003757852470000069
式中：
Figure BDA00037578524700000610
表示OD对r-s之间第i条路径的人类驾驶车辆流量；
Figure BDA00037578524700000611
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，
Figure BDA00037578524700000612
表示OD对r-s之间自动驾驶车辆的渗透率；
Figure BDA00037578524700000613
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：
Figure BDA00037578524700000614
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。
S502、得到最优的
Figure BDA0003757852470000071
c,λn，将
Figure BDA0003757852470000072
为1的部分所对应编号的路段设置为自动驾驶车辆专用道，其余为混行车道，交叉口配时周期为c，n进口道的绿信比为λn。结果如表1-2所示。
表1自动驾驶车辆专用道布设方案
Figure BDA0003757852470000073
表2信号配时方案
Figure BDA0003757852470000074
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：
Figure FDA0003757852460000011
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：
Figure FDA0003757852460000021
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：
Figure FDA0003757852460000022
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，
Figure FDA0003757852460000023
sn为进口道O的饱和流率。
4.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S3中的混合交通流分配模型的数学表达式为：
Figure FDA0003757852460000024
Subject to:
Figure FDA0003757852460000025
Figure FDA0003757852460000026
Figure FDA0003757852460000027
Figure FDA0003757852460000028
Figure FDA0003757852460000029
Figure FDA00037578524600000210
Figure FDA00037578524600000211
Figure FDA00037578524600000212
式中：
Figure FDA0003757852460000031
表示OD对r-s之间第i条路径的人类驾驶车辆流量；
Figure FDA0003757852460000032
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，
Figure FDA0003757852460000033
表示OD对r-s之间自动驾驶车辆的渗透率；
Figure FDA0003757852460000034
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。
5.根据权利要求4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：
Figure FDA0003757852460000035
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。
6.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；
S502、得到最优的
Figure FDA0003757852460000036
c,λn，将
Figure FDA0003757852460000037
为1的部分所对应编号的路段设置为自动驾驶车辆专用道，其余为混行车道，交叉口配时周期为c，n进口道的绿信比为λn。
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。
CN202210864093.7A 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 Pending CN115344972A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (3)

* Cited by examiner, † Cited by third party
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