CN116030645A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116030645A CN116030645A CN202310065921.5A CN202310065921A CN116030645A CN 116030645 A CN116030645 A CN 116030645A CN 202310065921 A CN202310065921 A CN 202310065921A CN 116030645 A CN116030645 A CN 116030645A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- formation
- vehicles
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 17
- 230000002787 reinforcement Effects 0.000 claims abstract description 6
- 238000000819 phase cycle Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000035939 shock Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 9
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明提出了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,所述方法包括如下步骤:(1)通过路侧单元设施收集信号交叉口区域内的车辆信息和信号信息;(2)将信号交叉口区域划分为观测区和控制区,通过车辆信息对控制区内的车辆进行动力学建模;(3)通过控制智能网联车辆将混合交通流车辆划分为智能网联车引导的车辆编队,并保持编队稳定;(4)基于当前信号状态,以最小化交通延误和交通风险为目标设置目标函数,对编队的轨迹进行求解;(5)基于深度强化学习算法,计算出当前交叉口交通状态下的最优相位。本发明可以根据信号交叉口的实时交通状态,控制混合交通流组成编队,能够快速准确地实现信号自适应优化,减少其中的计算量,能够提高混合交通流环境下信号交叉口的交通效率和安全性能。
Description
技术领域
本发明涉及交通安全和交通控制领域,尤其涉及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。
背景技术
交叉口是道路交通网络中的关键组成节点,来自不同方向的冲突车流需在交叉口共享有限的时间和空间资源,因此交叉口也通常是交通网络中的主要瓶颈节点,易发生交通堵塞和事故。传统的信号优化方法仅仅针对交通信号进行优化,无法提前对车流进行控制以达到平滑交通流的目的,仍会造成较大的交通振荡。随着智能网联车辆的出现,对进口道车辆的轨迹进行控制成为了可能。未来很长一段时间内,我国都将处于智能网联车辆和人工驾驶车辆混行的状态,因此通过智能网联车辆对人工驾驶汽车进行控制,根据实时信号状态以智能网联车辆引导的编队形式对车辆轨迹进行规划,基于车辆信息利用深度强化学习算法对信号进行优化,将会大幅减少信号交叉口的交通延误和交通冲突。现有的针对智能网联环境下的交叉口信号优化研究较少,鲜有的个别研究仅仅考虑了所有车辆均为智能网联车辆场景下的优化,且主要的优化目标为降低交叉口的延误,并未考虑因信号设置产生的潜在交通风险。因此现有方法不能得到科学合理精确可靠的信号优化结果,也不能指导工程实践中交通信号智慧控制和优化。
发明内容
本发明的目的在于:提供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,解决现有技术中交通优化只考虑智能网联车辆,优化结果不够合理精确的问题。
为实现上述目的,本发明提供如下技术方案: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,包括如下步骤:
S1、收集信号交叉口各走向车道的车辆信息、交通信号信息;基于路测单元设施收集信号交叉口的信号信息、以及该交叉口区域的车辆信息,统计交叉口各走向车道上车辆数量、车辆的位置、速度、以及各走向车道的信号配时;
S2、将信号交叉口区域按预设距离划分为观测区和控制区,所述控制区在车道停止线之前,基于实际交叉口交通信号信息对控制区内的智能网联车辆和人工驾驶车辆分别进行动力学建模,构建交通流模型;
S3、通过控制智能网联车辆将信号交叉口区域的车辆划分为智能网联车辆引导的车辆编队,并根据实时交通信号和交通状态对各车辆进行编队,同时根据编队中车辆的车间距计算相邻车辆的位置误差保持编队稳定;
S4、基于当前交通信号状态、以及步骤S3的车辆编队,以最小化交通延误和最低交通风险为目标构建目标函数并求解,获得编队轨迹;
S5、采用DDPG深度强化学习算法,在连续动作空间中计算信号定时计划,优化当前交叉口交通状态下的最优相位。
进一步地,前述的步骤S2中,采用最优速度模型对人工驾驶车辆进行建模,如下式:
表示第i辆车在t时刻的速度求导,即加速度;V[εi(t)]表示车辆的期望速度函数,εi(t)=xi-1-xi为第i辆车和第i-1辆车之间的间隔,αh和βh表示驾驶人的反应参数。
进一步地,前述的步骤S2中,对智能网联车辆进行建模如下式:
其中,xi(t),vi(t),ai(t),ui(t)分别代表第i辆车在t时刻的位置,速度,加速度和期望加速度,τ代表一阶惯性环节车辆控制器的惯性时间常数。
进一步地,前述的步骤S3中,根据实时交通信号和交通状态对各车辆进行编队,具体包括如下步骤S301至S305:
S301、判断进入控制区的目标智能网联车辆前方是否存在车辆,是则执行步骤S302;否则执行步骤S303;
S302、判断该目标智能网联车辆与前方距离最近车辆的车距是否超出预设检测范围,是则执行步骤S305;否则执行步骤S303;
S303、将该目标智能网联车辆与前方距离最近智能网联车辆进行通信,并判断前方车辆数目是否符合预设编队车辆数目,是则执行步骤S305;否则执行步骤S304;
S304、令该目标网联车辆追赶前车并加入前车的编队;
S305、将该目标网联车辆作为新编队的领头车辆,并于前方编队车辆保持预设编队距离。
进一步地,前述的步骤S3中,根据编队中车辆的车间距计算相邻车辆的位置误差保持编队稳定包括如下步骤:
S311、针对各个编队,根据车辆车间距计算车间距与期望车间距的误差如下式:
ei(t)=εi-xd=εi-(hvi+l)
ei,1(t)=εi,1(t)-(i-1)xd=(x1-xi)-(i-1)xd
其中,εi(t)=xi-1-xi为第i辆车和第i-1辆车之间的间隔,εi,1(t)=x1-xi为第i辆车和第1辆车之间的间隔,xd为两车之间的期望间隔;
S312、计算第i辆车的位置误差如下式:
δi(t)=λ1ei(t)+λ2ei,1(t)
其中,λ1和λ2是权重系数,满足λ1+λ2=1,0<λ1<1,0<λ2<1;
S313、采用PID控制算法保证车辆编队系统的稳定性,PID控制器的输出信号为:
ui(t)=K1δi'(t)+K2∫δi(t)dt+K3δi”(t)
Ui=λ1[K1(vi-1-vi)+K2(εi-xd)+K3(ai-1-ai)]
+λ2[K1(v1-vi)+K2(εi,1-(i-1)xd)+K3(a1-ai)]
其中,δi'(t)是δi(t)的一阶导数,δi”(t)是δi'(t)的一阶导数,εi是第i辆车和第i-1辆车之间的间隔,K1是比例单元常数,K2是积分单元常数,K3是微分单元常数;
S314、根据拉普拉斯变换,导出频域范围内相邻车辆距离误差传递函数为:
其中,h为常数;τ代表一阶惯性环节车辆控制器的惯性时间常数,s指复频率,ei(s)指拉普拉斯变换后得到的象函数;
S315、保持编队稳定,车辆编队满足如下公式:
其中,jω为复数的虚部。
进一步地,前述的步骤S4包括如下子步骤:
S402、按如下公式计算信号交叉口的总延误为:
S403、按如下公式计算信号交叉口的安全指数:
其中,E(Y)为每周期的预测追尾冲突数,V为每条车道的交通量,Zj为其他的相关变量:车流冲击波面积A,排比率P,车流冲击波速度S,最大队列长度Q;a1,a2,bj为模型参数;
S404、以最小化交通延误和最低交通风险为目标构建目标函数如下式:
minH,H=kdTD(X)+kqQ+ktE(Y),
其中,TD(X)指总延误,Q指排队车辆数,E(Y)指单周期交通冲突数量,kd,kq和kt指权重系数。
进一步地,前述的步骤S5包括如下子步骤:
S501、基于路侧控制器每隔Δt秒对信号交叉口的采集的交通状态,以该交通状态为Actor神经网络的输入,对应通过Critic神经网络输出关于信号灯相位及相序的Q值,并确定Q值最大的信号灯相位及相序;
S502、根据最大的信号灯相位及相序、以及车辆编队,对车辆编队的轨迹进行求解,并计算得出获得奖励R,并对原始Actor神经网络、Critic神经网络网络进行更新;
S503、计算出每个相位的最佳时间,限制每个相位的最小绿灯时间和最长等待时间,输入信号交叉口的交通状态,输出下一周期的相位和相序。
S504、判断输出的相位于实际交叉口的相位是否一致,是则在当前相位继续运行Δt,至下一次对相位和相序进行更新,否则使信号灯变换为绿灯g秒,并在g+Δt秒后重新对交通状态进行采集,确定下一时间步长的相位和相序。
相较于现有技术本发明具有以下有益效果:本发明所述的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,通过采集实际信号交叉口的交通信息,构建混合交通流模型,根据实时交通信号构建最小化问题对车辆编队的轨迹进行控制,利用DDPG深度强化学习算法对信号进行优化。本发明可以有效提高信号交叉口的通行效率,并且能够保障信号交叉口的安全性,提升了信号优化方法的准确性和可靠性,具有实际的工程运用价值。
附图说明
图1是本发明的方法流程图。
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述。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。
如图1所示,本发明的流程图,包括如下步骤:
S1、基于路测单元设施收集信号交叉口的信号信息、以及该交叉口区域的车辆信息,统计交叉口各走向车道上车辆数量、车辆的位置、速度、以及各走向车道的信号配时;
S2、在信号交叉口区域按预设距离划分为观测区和控制区,所述控制区在车道停止线之前,基于实际交叉口交通信息对控制区内的智能网联车辆和人工驾驶车辆分别进行动力学建模,构建交通流模型,如下:
采用最优速度模型对人工驾驶车辆进行建模,如下式:
对智能网联车辆进行建模如下式:
其中,xi(t),vi(t),ai(t),ui(t)分别代表第i辆车在t时刻的位置,速度,加速度和期望加速度。
S3、通过控制智能网联车辆将信号交叉口区域的车辆划分为智能网联车辆引导的车辆编队,并按照预设方法A根据实时交通信号和交通状态对各车辆进行编队,同时根据编队中车辆的车间距计算相邻车辆的位置误差保持编队稳定。方法A的具体步骤包括步骤S301至S305:
S301、判断进入控制区的目标智能网联车辆前方是否存在车辆,是则执行步骤S302;否则执行步骤S303;
S302、判断该目标智能网联车辆与前方距离最近车辆的车距是否超出预设检测范围,是则执行步骤S305;否则执行步骤S303;
S303、将该目标智能网联车辆与前方距离最近智能网联车辆进行通信,并判断前方车辆数目是否符合预设编队车辆数目,是则执行步骤S305;否则执行步骤S304;
S304、令该目标网联车辆追赶前车并加入前车的编队;
S305、将该目标网联车辆作为新编队的领头车辆,并于前方编队车辆保持预设编队距离。
步骤S3中,根据编队中车辆的车间距计算相邻车辆的位置误差保持编队稳定包括如下步骤:
S311、针对各个编队,根据车辆车间距计算车间距与期望车间距的误差如下式:
ei(t)=εi-xd=εi-(hvi+l)
ei,1(t)=εi,1(t)-(i-1)xd=(x1-xi)-(i-1)xd
其中,εi(t)=xi-1-xi为第i辆车和第i-1辆车之间的间隔,εi,1(t)=x1-xi为第i辆车和第1辆车之间的间隔;
S312、计算第i辆车的位置误差如下式:
δi(t)=λ1ei(t)+λ2ei,1(t)
其中,λ1和λ2是权重系数,满足λ1+λ2=1,0<λ1<1,0<λ2<1;
S313、采用PID控制算法保证车辆编队系统的稳定性,PID控制器是主要适用于基本上线性,且动态特性不随时间变化的系统,在本专利中是将车辆编队视为目标系统,用PID控制器的思想去控制编队的稳定性,PID指的是Proportion IntegrationDifferentiation,比例-积分-微分控制器,PID控制器的输出信号为:
ui(t)=K1δi'(t)+K2∫δi(t)dt+K3δi”(t)
Ui=λ1[K1(vi-1-vi)+K2(εi-xd)+K3(ai-1-ai)]
+λ2[K1(v1-vi)+K2(εi,1-(i-1)xd)+K3(a1-ai)]
其中,δi'(t)是δi(t)的一阶导数,δi”(t)是δi'(t)的一阶导数,εi是第i辆车和第i-1辆车之间的间隔,K1是比例单元常数,K2是积分单元常数,K3是微分单元常数;
S314、根据拉普拉斯变换,导出相邻车辆距离误差传递函数为:
其中,h为常数;τ代表一阶惯性环节车辆控制器的惯性时间常数,s指复频率,ei(s)指拉普拉斯变换后得到的象函数;
S315、保持编队稳定,车辆编队满足如下公式:
其中,jw为复数的虚部。
S4、基于当前交通信号状态、以及步骤S3的车辆编队,以最小化交通延误和最低交通风险为目标构建目标函数并求解,获得编队轨迹。包括如下子步骤S401至步骤S404:
S402、按如下公式计算信号交叉口的总延误为:
S403、按如下公式计算信号交叉口的安全指数:
其中,E(Y)为每周期的预测追尾冲突数,V为每条车道的交通量,Zj为其他的相关变量:车流冲击波面积A,排比率P,车流冲击波速度S,最大队列长度Q;a1,a2,bj为模型参数;
S404、以最小化交通延误和最低交通风险为目标构建目标函数如下式:
minH,H=kdTD(X)+kqQ+ktE(Y),
其中,TD(X)指总延误,Q指排队车辆数,E(Y)指单周期交通冲突数量,kd,kq和kt指权重系数。
S5、采用DDPG深度强化学习算法,在连续动作空间中计算信号定时计划,优化当前交叉口交通状态下的最优相位。具体包括如下子步骤S501至步骤S504:
S501、基于路侧控制器每隔Δt秒对信号交叉口的采集的交通状态,以该交通状态为Actor神经网络的输入,对应通过Critic神经网络输出关于信号灯相位及相序的Q值,并确定Q值最大的信号灯相位及相序;
S502、根据最大的信号灯相位及相序、以及车辆编队,对车辆编队的轨迹进行求解,并计算得出获得奖励R,并对原始Actor神经网络、Critic神经网络网络进行更新;
S503、计算出每个相位的最佳时间,限制每个相位的最小绿灯时间和最长等待时间,输入信号交叉口的交通状态,输出下一周期的相位和相序。
S504、判断输出的相位于实际交叉口的相位是否一致,是则在当前相位继续运行Δt,至下一次对相位和相序进行更新,否则使信号灯变换为绿灯g秒,并在g+Δt秒后重新对交通状态进行采集,确定下一时间步长的相位和相序。
虽然本发明已以较佳实施例阐述如上,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 (7)
1.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,其特征在于,包括如下步骤:
S1、收集信号交叉口各走向车道的车辆信息、交通信号信息;基于路测单元设施收集信号交叉口的信号信息、以及该交叉口区域的车辆信息,统计交叉口各走向车道上车辆数量、车辆的位置、速度、以及各走向车道的信号配时;
S2、将信号交叉口区域按预设距离划分为观测区和控制区,所述控制区在车道停止线之前,基于实际交叉口交通信号信息对控制区内的智能网联车辆和人工驾驶车辆分别进行动力学建模,构建交通流模型;
S3、通过控制智能网联车辆将信号交叉口区域的车辆划分为智能网联车辆引导的车辆编队,并根据实时交通信号和交通状态对各车辆进行编队,同时根据编队中车辆的车间距计算相邻车辆的位置误差保持编队稳定;
S4、基于当前交通信号状态、以及步骤S3的车辆编队,以最小化交通延误和最低交通风险为目标构建目标函数并求解,获得编队轨迹;
S5、采用DDPG深度强化学习算法,在连续动作空间中计算信号定时计划,优化当前交叉口交通状态下的最优相位。
4.根据权利要求3所述的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,其特征在于,步骤S3中,根据实时交通信号和交通状态对各车辆进行编队,具体包括如下步骤S301至S305:
S301、判断进入控制区的目标智能网联车辆前方是否存在车辆,是则执行步骤S302;否则执行步骤S303;
S302、判断该目标智能网联车辆与前方距离最近车辆的车距是否超出预设检测范围,是则执行步骤S305;否则执行步骤S303;
S303、将该目标智能网联车辆与前方距离最近智能网联车辆进行通信,并判断前方车辆数目是否符合预设编队车辆数目,是则执行步骤S305;否则执行步骤S304;
S304、令该目标网联车辆追赶前车并加入前车的编队;
S305、将该目标网联车辆作为新编队的领头车辆,并于前方编队车辆保持预设编队距离。
5.根据权利要求4所述的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,其特征在于,步骤S3中,根据编队中车辆的车间距计算相邻车辆的位置误差保持编队稳定包括如下步骤:
S311、针对各个编队,根据车辆车间距计算车间距与期望车间距的误差如下式:
ei(t)=εi-xd=εi-(hvi+l)
ei,1(t)=εi,1(t)-(i-1)xd=(x1-xi)-(i-1)xd
其中,εi(t)=xi-1-xi为第i辆车和第i-1辆车之间的间隔,εi,1(t)=x1-xi为第i辆车和第1辆车之间的间隔,xd为两车之间的期望间隔;
S312、计算第i辆车的位置误差如下式:
δi(t)=λ1ei(t)+λ2ei,1(t)
其中,λ1和λ2是权重系数,满足λ1+λ2=1,0<λ1<1,0<λ2<1;
S313、采用PID控制算法保证车辆编队系统的稳定性,PID控制器的输出信号为:
ui(t)=K1δi'(t)+K2∫δi(t)dt+K3δi”(t)
Ui=λ1[K1(vi-1-vi)+K2(εi-xd)+K3(ai-1-ai)]+λ2[K1(v1-vi)+K2(εi,1-(i-1)xd)+K3(a1-ai)]
其中,δi'(t)是δi(t)的一阶导数,δi”(t)是δi'(t)的一阶导数,εi是第i辆车和第i-1辆车之间的间隔,K1是比例单元常数,K2是积分单元常数,K3是微分单元常数;
S314、根据拉普拉斯变换,导出频域范围内相邻车辆距离误差传递函数为:
其中,h为常数;τ代表一阶惯性环节车辆控制器的惯性时间常数,s指复频率,ei(s)指拉普拉斯变换后得到的象函数;
S315、保持编队稳定,车辆编队满足如下公式:
其中,jω为复数的虚部。
6.根据权利要求5所述的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,其特征在于,步骤S4包括如下子步骤:
S402、按如下公式计算信号交叉口的总延误为:
S403、按如下公式计算信号交叉口的安全指数:
其中,E(Y)为每周期的预测追尾冲突数,V为每条车道的交通量,Zj为其他的相关变量:车流冲击波面积A,排比率P,车流冲击波速度S,最大队列长度Q;a1,a2,bj为模型参数;
S404、以最小化交通延误和最低交通风险为目标构建目标函数如下式:
minH,H=kdTD(X)+kqQ+ktE(Y),
其中,TD(X)指总延误,Q指排队车辆数,E(Y)指单周期交通冲突数量,kd,kq和kt指权重系数。
7.根据权利要求1所述的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,其特征在于,步骤S5包括如下子步骤:
S501、基于路侧控制器每隔Δt秒对信号交叉口的采集的交通状态,以该交通状态为Actor神经网络的输入,对应通过Critic神经网络输出关于信号灯相位及相序的Q值,并确定Q值最大的信号灯相位及相序;
S502、根据最大的信号灯相位及相序、以及车辆编队,对车辆编队的轨迹进行求解,并计算得出获得奖励R,并对原始Actor神经网络、Critic神经网络网络进行更新;
S503、计算出每个相位的最佳时间,限制每个相位的最小绿灯时间和最长等待时间,输入信号交叉口的交通状态,输出下一周期的相位和相序。
S504、判断输出的相位于实际交叉口的相位是否一致,是则在当前相位继续运行Δt,至下一次对相位和相序进行更新,否则使信号灯变换为绿灯g秒,并在g+Δt秒后重新对交通状态进行采集,确定下一时间步长的相位和相序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065921.5A CN116030645B (zh) | 2023-01-17 | 2023-01-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065921.5A CN116030645B (zh) | 2023-01-17 | 2023-01-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030645A true CN116030645A (zh) | 2023-04-28 |
CN116030645B CN116030645B (zh) | 2023-11-28 |
Family
ID=86070514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310065921.5A Active CN116030645B (zh) | 2023-01-17 | 2023-01-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030645B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150343947A1 (en) * | 2014-05-30 | 2015-12-03 | State Farm Mutual Automobile Insurance Company | Systems and Methods for Determining a Vehicle is at an Elevated Risk for an Animal Collision |
CN106652493A (zh) * | 2016-12-29 | 2017-05-10 | 东南大学 | 一种车联网环境下的交叉口信号优化控制方法 |
CN107730931A (zh) * | 2017-09-20 | 2018-02-23 | 北方工业大学 | 一种车路协同环境下车辆编队控制及其信号优化方法 |
JP2018077761A (ja) * | 2016-11-11 | 2018-05-17 | パナソニックIpマネジメント株式会社 | 隊列走行支援装置 |
CN108765982A (zh) * | 2018-05-04 | 2018-11-06 | 东南大学 | 车路协同环境下信号控制交叉口车速引导系统及引导方法 |
US10559201B1 (en) * | 2018-02-27 | 2020-02-11 | Traffic Technology Services, Inc. | Using connected vehicle data to optimize traffic signal timing plans |
CN111243304A (zh) * | 2020-01-19 | 2020-06-05 | 河北工业大学 | 基于acc车辆在v2i信号控制交叉口的控制方法 |
CN111833620A (zh) * | 2020-06-17 | 2020-10-27 | 东南大学 | 一种过饱和交通状态干线单向信号协调设计方法与装置 |
CN113538936A (zh) * | 2021-05-28 | 2021-10-22 | 东南大学 | 一种车路协同环境下的信号协同控制方法、装置及存储介质 |
CN113689692A (zh) * | 2021-07-14 | 2021-11-23 | 东南大学 | 智能网联混合交通流信号交叉口车辆到达预测修正方法 |
CN114202916A (zh) * | 2021-12-01 | 2022-03-18 | 辽宁警察学院 | 单点交叉口交通信号控制方法 |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 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 |
CN114852076A (zh) * | 2022-03-30 | 2022-08-05 | 北京航空航天大学 | 一种混行交通流环境下自动驾驶车辆轨迹规划方法 |
CN114973733A (zh) * | 2022-04-29 | 2022-08-30 | 北京交通大学 | 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 |
CN115273500A (zh) * | 2022-07-12 | 2022-11-01 | 苏州大学 | 一种信号交叉口网联车辆轨迹优化引导方法及系统 |
CN115257760A (zh) * | 2022-08-29 | 2022-11-01 | 国汽(北京)智能网联汽车研究院有限公司 | 一种车辆驾驶优化控制方法、装置、存储介质及电子设备 |
-
2023
- 2023-01-17 CN CN202310065921.5A patent/CN116030645B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150343947A1 (en) * | 2014-05-30 | 2015-12-03 | State Farm Mutual Automobile Insurance Company | Systems and Methods for Determining a Vehicle is at an Elevated Risk for an Animal Collision |
JP2018077761A (ja) * | 2016-11-11 | 2018-05-17 | パナソニックIpマネジメント株式会社 | 隊列走行支援装置 |
CN106652493A (zh) * | 2016-12-29 | 2017-05-10 | 东南大学 | 一种车联网环境下的交叉口信号优化控制方法 |
CN107730931A (zh) * | 2017-09-20 | 2018-02-23 | 北方工业大学 | 一种车路协同环境下车辆编队控制及其信号优化方法 |
US10559201B1 (en) * | 2018-02-27 | 2020-02-11 | Traffic Technology Services, Inc. | Using connected vehicle data to optimize traffic signal timing plans |
CN108765982A (zh) * | 2018-05-04 | 2018-11-06 | 东南大学 | 车路协同环境下信号控制交叉口车速引导系统及引导方法 |
CN111243304A (zh) * | 2020-01-19 | 2020-06-05 | 河北工业大学 | 基于acc车辆在v2i信号控制交叉口的控制方法 |
CN111833620A (zh) * | 2020-06-17 | 2020-10-27 | 东南大学 | 一种过饱和交通状态干线单向信号协调设计方法与装置 |
CN113538936A (zh) * | 2021-05-28 | 2021-10-22 | 东南大学 | 一种车路协同环境下的信号协同控制方法、装置及存储介质 |
CN113689692A (zh) * | 2021-07-14 | 2021-11-23 | 东南大学 | 智能网联混合交通流信号交叉口车辆到达预测修正方法 |
CN114202916A (zh) * | 2021-12-01 | 2022-03-18 | 辽宁警察学院 | 单点交叉口交通信号控制方法 |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 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 |
CN114852076A (zh) * | 2022-03-30 | 2022-08-05 | 北京航空航天大学 | 一种混行交通流环境下自动驾驶车辆轨迹规划方法 |
CN114973733A (zh) * | 2022-04-29 | 2022-08-30 | 北京交通大学 | 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 |
CN115273500A (zh) * | 2022-07-12 | 2022-11-01 | 苏州大学 | 一种信号交叉口网联车辆轨迹优化引导方法及系统 |
CN115257760A (zh) * | 2022-08-29 | 2022-11-01 | 国汽(北京)智能网联汽车研究院有限公司 | 一种车辆驾驶优化控制方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
雷朝阳;高建平;屈俊凯;郗建国;: "考虑信号灯状态的经济车速规划", 科学技术与工程, no. 18 * |
Also Published As
Publication number | Publication date |
---|---|
CN116030645B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021227502A1 (zh) | 一种信号交叉口交通信号灯和车辆轨迹控制方法 | |
Wang et al. | A review of the self-adaptive traffic signal control system based on future traffic environment | |
Ma et al. | Trajectory planning for connected and automated vehicles at isolated signalized intersections under mixed traffic environment | |
CN108848462B (zh) | 适用于信号控制交叉口的实时车辆轨迹预测方法 | |
Yao et al. | Lane-change-aware connected automated vehicle trajectory optimization at a signalized intersection with multi-lane roads | |
CA3214253A1 (en) | Traffic control at an intersection | |
CN111768639B (zh) | 一种网联交通环境下的多交叉口信号配时系统及其方法 | |
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 | |
CN112201060B (zh) | 一种基于Actor-Critic的单交叉口交通信号控制方法 | |
CN115641717B (zh) | 基于混合交通流的高速公路主线-匝道车辆协同合流控制方法、设备及存储介质 | |
CN113327441A (zh) | 基于高速公路合流区的网联自动车辆速度控制及轨迹优化方法 | |
CN114852076A (zh) | 一种混行交通流环境下自动驾驶车辆轨迹规划方法 | |
Yu et al. | The effects of velocity difference changes with memory on the dynamics characteristics and fuel economy of traffic flow | |
CN114495547B (zh) | 一种面向自动驾驶汽车的信号交叉口协同通行方法 | |
CN116189462A (zh) | 一种面向混合交通流的车辆轨迹与交通信号协同控制方法 | |
CN116895163A (zh) | 基于信号灯主动通信的多车协同控制方法和系统 | |
CN109064760B (zh) | 一种数据驱动的智能鲁棒车速实时规划方法及系统 | |
CN116030645B (zh) | 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 | |
CN112258864B (zh) | 基于顺序选择的自动驾驶车辆路口调度方法及系统 | |
Zhao et al. | The impact of truck platoons on the traffic dynamics around off-ramp regions | |
CN115938118A (zh) | 一种基于路侧导引的无信号交叉口车辆速度动态规划方法 | |
CN117133119A (zh) | 基于时间预测的无专用道公交车辆优先行驶控制方法 | |
Karimov | " GREEN WAVE" MODULE FOR CREATING AN ARTIFICIAL INTELLIGENCE-BASED ADAPTIVE COMPLEX OF ROAD NETWORK PERMEABILITY TO IMPROVE ROAD TRAFFIC SAFETY | |
Hao et al. | Developing an adaptive strategy for connected eco-driving under uncertain traffic and signal conditions | |
CN113011634B (zh) | 一种基于分布式最优控制的智能网联车匝道合并方法 |
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 |