CN116153137A - 基于车辆冲突关系图的多车道匝道协同汇入优化调度方法 - Google Patents

基于车辆冲突关系图的多车道匝道协同汇入优化调度方法 Download PDF

Info

Publication number
CN116153137A
CN116153137A CN202211705168.3A CN202211705168A CN116153137A CN 116153137 A CN116153137 A CN 116153137A CN 202211705168 A CN202211705168 A CN 202211705168A CN 116153137 A CN116153137 A CN 116153137A
Authority
CN
China
Prior art keywords
vehicle
vehicle group
lane
conflict
lane change
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
CN202211705168.3A
Other languages
English (en)
Other versions
CN116153137B (zh
Inventor
罗禹贡
石佳
李克强
李鹏飞
杨皓宇
陈一鹤
胡耘浩
关书睿
周俊宇
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202211705168.3A priority Critical patent/CN116153137B/zh
Publication of CN116153137A publication Critical patent/CN116153137A/zh
Application granted granted Critical
Publication of CN116153137B publication Critical patent/CN116153137B/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
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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

  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法，包括：采集匝道区域内车辆组信息，在边缘云实现对物理空间中车辆组的实时数字映射，在信息空间生成车辆冲突关系图；根据车辆组换道原则划分车辆组集合，对车辆冲突关系图解耦，生成对应合流后每一车道的车辆组冲突关系子图；对任一冲突关系子图中的所有车辆，基于效率最优行驶策略生成不同汇入条件下的终端状态相图；采用具有启发式剪枝规则的深度优先树搜索策略对每一冲突关系子图进行最优次序搜索，结合车辆的终端状态相图生成车辆规划纵向速度调整策略与横向换道策略。本申请实施例可以在复杂场景下充分发挥边缘云广域协同优势，降低车辆通行延迟并提升道路整体通行效率。

Description

基于车辆冲突关系图的多车道匝道协同汇入优化调度方法
技术领域
本申请涉及智能网联汽车控制技术领域，特别涉及一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法。
背景技术
多车道匝道合流场景是高速公路典型的瓶颈区域，由于道路资源有效，车辆在合流后不可避免地导致车流密度增加，此外，行驶在不同车道的车辆在行驶意图、行驶速度等方面存在差异，若不对匝道区域的车辆进行有效地协调，车辆间的行为冲突将存在碰撞风险，同时车流的启停效应也会使得交通通行效率降低。
相关技术中，通过采用直接求解非线性整数规划问题的方法，应用求解器进行在线求解，解决局部车辆的次序协同或轨迹规划问题，以缓解车辆间的行为冲突存在的碰撞风险。
然而，相关技术中仅针对局部车辆的次序协同或轨迹规划，难以处理多车道混合车流的匝道协同汇入问题，算法求解效率低，车辆通行延迟和交通整体通行效率有待进一步提升。
发明内容
本申请提供一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法，以解决相关技术中仅针对局部车辆的次序协同或轨迹规划、难以处理多车道混合车流的匝道协同汇入问题，本申请将充分发挥边缘云广域协同的优势，实现车辆行驶性能与交通流整体性能的综合提升。
本申请第一方面实施例提供一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法，包括以下步骤：
步骤1：通过路侧设备采集匝道区域内车辆组信息，在边缘云实现对物理空间中车辆组的实时数字映射，在信息空间生成车辆组冲突关系图VCN，其中，所述车辆组冲突关系图如式(1)所示：
VCN＝G(Nodes,Edges)；(1)
其中，Nodes为冲突关系图中的节点，描述车辆组自身属性，包括车辆组长度sizeP、车辆组类型typeP、车辆组当前状态信息statet0和车辆组期望状态信息statetf；Edges为冲突关系图中的边，描述车辆组间的关系属性，包括车辆组的通行次序L、车辆组安全性约束safetyCons、边损失loss；冲突关系图G的决策目标是使得所有车辆组节点Nodes可被k条通行次序线顺序相连，每个节点都被包含中其中一条通行次序中，且k条通行次序线中所边代价之和J最小；k为汇入后的主道车道数目；
步骤2：根据车辆组换道原则划分换道车辆组集合，对所述车辆组冲突关系图G按照汇入后车道数目进行解耦，为每条汇入后主道生成对应的车辆组冲突关系子图Gi，所述车辆组冲突关系图G等于各冲突关系子图的并集，如式(2)所示：
G＝G1∪…∪Gi∪…∪Gk,i∈{1,…,k}； (2)
其中，所述冲突关系图G的代价J为各冲突关系子图Gi的代价Jii之和，如式(3)所示：
J＝J1+…+Ji+…+Jk,i∈{1,…,k}； (3)
步骤3：对于任一车辆组冲突关系子图Gi，为冲突关系子图Gi中包含的所有车辆组领航车按照效率最优行驶策略生成不同汇入条件下的终端状态相图s；终端状态相图确定领航车辆在不同汇入条件下稳定终端状态的可行区域，利用终端状态相图可为领航车辆规划最优轨迹并计算对应的通行延迟，其中，领航车vehLm的效率最优行驶策略中的控制量
Figure BDA0004024156820000021
按如下式(4)计算得到：
Figure BDA0004024156820000022
其中，jmin、jmax分别为领航车vehLm在满足舒适性要求下加加速度的下界与上界，
Figure BDA0004024156820000023
为领航车vehLm加速度的协态；
步骤4：对于任一车辆组冲突关系子图Gi，采用具有启发式剪枝规则的深度优先树搜索策略对当前车道内车辆组进行最优汇入次序搜索，在搜索过程中依据领航车vehLm的终端状态相图sm和前车vehLm-1的终端状态相图sm-1并结合安全性条件计算树节点的损失，其中，安全性条件如下式(5)所示：
tm,con>tf,m-1+Δtm-1,inner×(nm-1-1)+Δtadj； (5)
其中，tm,con为领航车vehLm在满足与前车的安全性约束下经过匝道区域所需的最短时间，tf,m-1为前车vehLm-1在当前树搜索中的终态时间，Δtm-1,inner为前车组内部车辆的安全时距，nm-1为前车组长度，Δtadj为相邻两车组间的安全时距；
步骤5：对不同换道车辆组集合下的各冲突关系子图进行最优次序搜索，得到各冲突关系子图的损耗Ji，选取各冲突关系子图代价总和最小的换道车辆组集合作为最终换道车组，并根据最优冲突子图中各车辆节点的最优终端状态结合车辆的终端状态相图为车辆组规划纵向速度调整策略与横向换道策略，其中，最优协同汇入策略的损耗J*如下式(6)所示：
Figure BDA0004024156820000031
其中，
Figure BDA0004024156820000032
为各冲突关系子图在车辆组最优通行次序下的最小代价。
可选的，在本申请的一个实施例中，所述车辆组冲突关系图G在不同通行次序下的代价由车辆组的总加权通行时间延迟计算得到，并作为匝道区域内交通效率的评价指标与优化目标，其中，车辆组的总加权通行时间延迟如下式(7)所示：
Figure BDA0004024156820000033
其中，tm,f为车辆组vehLm通过该段匝道区域的实际时间，tm,desired为车辆组vehLm在加速度、加加速度限制下通过该段匝道区域的期望时间，sizePm为车辆组vehLm的长度；αi为车道权重，车辆行驶速度越高的车道具有越大的权重。
可选的，在本申请的一个实施例中，车辆组换道的基本原则是需为匝道车辆的汇入提供安全的车间距离且尽量降低对相邻车道的影响，车辆组换道的具体要点包括：优先考虑长度sizeP较短的车辆组进行换道，仅考虑纯智能网联汽车组成的车辆组进行协同换道，不考虑混合队列的协同换道，车辆组相同长度sizeP时优先考虑位置更靠近匝道区域的车辆组进行换道，长度sizeP>Nlim的车辆组为了提升安全性不进行换道，在车辆组换道原则约束下，不同换道车辆组集合的总数目NLC根据下式(8)计算得到：
Figure BDA0004024156820000034
其中，nk为车道k中包含的车辆组数目，l为换道车组数目，运算符‘！’为累乘运算。
可选的，在本申请的一个实施例中，效率最优行驶策略中加速度的协态
Figure BDA0004024156820000035
根据庞特里亚金最小值原理计算得到，如下式(9)所示：
Figure BDA0004024156820000036
其中，xm为车辆的状态向量，xm：＝{pm,vm,am}，分别表示领航车vehLm的位置、速度、加速度，
Figure BDA0004024156820000037
为拉格朗日函数，计算式如下式(10)所示：
Figure BDA0004024156820000038
其中，λp、λv、λa分别为位置、速度、加速度的协态，vmax为车辆的最大限速，ηv+、ηv-为与车辆速度约束有关的拉格朗日乘子，amax、amin分别为车辆的最大加速度与最小减速度，ηa+、ηa-分别为与车辆加速度约束有关的拉格朗日乘子。
可选的，在本申请的一个实施例中，采用启发式剪枝策略加速通行次序树的搜索，启发式剪枝规则包括：当车辆vehLm的终态相图sm的可行域无法满足与前车vehLm-1的安全性约束时，则车辆vehLm所处节点下方的子树被剪枝；当所述车辆vehLm所处节点的代价J>J*，且当前节点的深度小于次序树的最大深度时，则车辆vehLm所处节点下方的子树同样被剪枝。
可选的，在本申请的一个实施例中，根据最优冲突子图对车辆组进行纵向速度规划与横向换道策略规划时，需要确保换道车辆组vehSelf与当前车道的前车组vehFront、后车组vehBack与相邻车道的父车组vehParent保持安全距离，并据此计算出换道车辆的换道时刻tm,LC和换道位置pm,Lc，其中，换道车辆组vehSelf与周车的安全性约束如下式(11)所示：
Figure BDA0004024156820000041
其中，gapparent()、gapfront()、gapback()分别为换道车组与同车道前车组、同车道后车组、邻车道父车组的车间距离。
本申请实施例可以采集匝道区域内车辆组信息，在边缘云实现对物理空间中车辆组的实时数字映射，以在信息空间生成车辆冲突关系图，并且根据车辆组换道原则划分车辆组集合，对车辆冲突关系图解耦，生成对应合流后每一车道的车辆组冲突关系子图，对任一冲突关系子图中的所有车辆，基于效率最优行驶策略生成不同汇入条件下的终端状态相图，并且采用具有启发式剪枝规则的深度优先树搜索策略对每一冲突关系子图进行最优次序搜索，从而结合车辆的终端状态相图生成车辆规划纵向速度调整策略与横向换道策略，进而可以在复杂场景下充分发挥边缘云广域协同的优势，综合提升车辆通行延迟和道路整体效率。由此，解决了相关技术中仅针对局部车辆的次序协同或轨迹规划，难以处理多车道混合车流的匝道协同汇入问题，算法求解效率低，车辆通行延迟和交通整体通行效率有待进一步提升的技术问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法的流程图；
图2为本申请一个具体实施例的匝道区域边缘云中数字映射与云端控制的示意图；
图3为本申请一个具体实施例的多车道混合交通匝道汇入场景示意图；
图4为本申请一个具体实施例的车辆组冲突关系图；
图5为本申请一个具体实施例的不同换道车辆集合下的车辆组冲突关系图与冲突关系子图的示意图；
图6为本申请一个具体实施例的效率最优行驶策略下对应的相轨迹的示意图；
图7为本申请一个具体实施例的领航车在不同汇入条件下的终端状态相图的示意图；
图8为本申请一个具体实施例的两车组换道情况下的两个冲突关系子图的深度优先树搜索结果示意图；
图9为本申请一个具体实施例的换道车辆组数目为2时的最优车辆组冲突关系图决策结果示意图；
图10为本申请一个具体实施例的换道车辆组数目为1时的最优车辆组冲突关系图决策结果示意图；
图11为本申请一个具体实施例的换道车辆组数目为0时的最优车辆组冲突关系图决策结果示意图；
图12为本申请一个具体实施例的车辆组换道过程场景示意图；
图13为本申请一个具体实施例的换道车辆组与同车道前车组、同车道后车组与邻车道父车组的安全距离关系图；
图14为本申请一个具体实施例的车辆组决策的纵向速度调整策略示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于车辆冲突关系图的多车道匝道协同汇入优化调度方法。针对上述背景技术中心提到的相关技术中仅针对局部车辆的次序协同或轨迹规划，难以处理多车道混合车流的匝道协同汇入问题，算法求解效率低，车辆通行延迟和交通整体通行效率有待进一步提升的技术问题，本申请提供了一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法，在该方法中，可以采集匝道区域内车辆组信息，在边缘云实现物理空间中车辆组的实时数字映射，以在信息空间生成车辆冲突关系图，并且根据车辆组换道原则划分车辆组集合，对车辆冲突关系图解耦，生成对应合流后每一车道的车辆组冲突关系子图，对任一冲突关系子图中的所有车辆，基于效率最优行驶策略生成不同汇入条件下的终端状态相图，并且采用具有启发式剪枝规则的深度优先树搜索策略对每一冲突关系子图进行最优次序搜索，从而结合车辆的终端状态相图生成车辆规划纵向速度调整策略与横向换道策略，进而可以在复杂场景下充分发挥边缘云广域协同的优势，综合提升车辆通行延迟和道路整体效率。由此，解决了相关技术中仅针对局部车辆的次序协同或轨迹规划，难以处理多车道混合车流的匝道协同汇入问题。
具体而言，图1为本申请实施例所提供的一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法的流程示意图。
如图1所示，该基于车辆冲突关系图的多车道匝道协同汇入优化调度方法包括以下步骤：
在步骤S101中，通过路侧设备采集匝道区域内车辆组信息，在边缘云实现对物理空间中车辆组的实时数字映射，在信息空间生成车辆组冲突关系图VCN，其中，车辆组冲突关系图如式(1)所示：
VCN＝G(Nodes,Edges)；(1)
其中，Nodes为冲突关系图中的节点，描述车辆组自身属性，包括车辆组长度sizeP、车辆组类型typeP、车辆组当前状态信息statet0和车辆组期望状态信息statetf；Edges为冲突关系图中的边，描述车辆组间的关系属性，包括车辆组的通行次序、车辆组安全性约束safetyCons、边损失loss；冲突关系图G的决策目标是使得所有车辆组节点Nodes可被条通行次序线顺序相连，每个节点都被包含中其中一条通行次序中，且条通行次序线中所边代价之和最小；k为汇入后的主道车道数目；
可以理解的是，本申请实施例可以采集匝道区域内车辆组的车辆组信息，例如，通过路侧设备采集匝道区域内车辆组信息，并在边缘云实现对物理空间中车辆组的实时数字映射，以在信息空间生成下述步骤中的车辆冲突关系图VCN，从而有效的提升了多车道匝道协同汇入优化调度的可执行性。
例如，如图2所示，为匝道区域边缘云中数字映射与云端控制的示意图，物理空间中的车辆组由路侧设备采集信息后，在信息空间实现数字映射，信息空间对车辆组的通行次序和行驶轨迹进行决策，并由云端下发控制信号，指导匝道区域车辆组的高效通行。
又例如，如图3所示，为多车道混合交通匝道汇入场景示意图，包含一条匝道和两条主道，可以分别命名为‘R0’、‘M1’与‘M2’，其中，‘R0’车道初始位置的限速设置为vmin,＝10m/s，‘M1’车道与‘M2’车道中车辆组的期望行驶速度设置为vdes,1＝20m/s与vdes,＝25m/s，各车道中的车辆组以‘车道名_车辆ID’命名，如‘M1_1’表示‘M1’车道中ID号为1的车辆组。
举例而言，如图4所示，为车辆组冲突关系图VCN，Nodes为冲突关系图中的节点，可以描述车辆组自身属性，包括但不限于车辆组长度sizeP、车辆组类型typeP、车辆组当前状态信息statet0和车辆组期望状态信息statetf，其中，车辆组长度sizeP为车辆组中包含的车辆数目，车辆组类型typeP包含由全智能网联汽车组成的智能网联队列(CAVs platoon)和由智能网联汽车和人类驾驶汽车共同组成的混合队列(Mixed platoon)，车辆组的状态信息包含车辆的位置p、速度v、加速度、最低速度vmin、期望速度vdes等。
另外，Edges为冲突关系图中的虚线边，可以描述车辆组间的关系属性，包括但不限于车辆组的通行次序、车辆组安全性约束safetyCons、边损失loss，其中，冲突关系图中节点的所有关系边组成一个复杂的冲突关系网络。
其中，冲突关系图G的决策目标可以使得所有车辆组节点Nodes被条通行次序线顺序相连，每个节点都被包含在其中一条通行次序中，且条通行次序线中所边代价之和最小，k为汇入后的主道车道数目，例如，汇入后的主道数目为＝2时，则冲突关系图中的所有节点被两条通行次序线顺序相连。
另外，车辆组冲突关系图G在不同通行次序下的代价可以由车辆组的总加权通行时间延迟计算得到，并作为匝道区域内交通效率的评价指标与优化目标，其中，车辆组的总加权通行时间延迟根据下式(7)计算得到：
Figure BDA0004024156820000071
其中，tm,f为车辆组vehLm通过该段匝道区域的实际时间，tm,desired为车辆组vehLm在加速度、加加速度限制下通过该段匝道区域的期望时间，sizePm为车辆组vehLm的长度，αi为车道权重。
例如，如图3所示，由于车辆行驶速度越高的车道具有越大的权重，R0、M1与M2车道的权重根据车辆行驶速度可分别设置为1、1.2与1.3。
在步骤S102中，根据车辆组换道原则划分换道车辆组集合，对车辆组冲突关系图G按照汇入后车道数目进行解耦，为每条汇入后主道生成对应的车辆组冲突关系子图Gi，车辆组冲突关系图G等于各冲突关系子图的并集，如式(2)所示：
G＝G1∪…∪Gi∪…∪Gk,∈{1,…,k}；(2)
其中，冲突关系图G的代价为各冲突关系子图Gi的代价Ji之和，如式(3)所示：
J＝J1+…+i+…+k,∈{1,…,k}；(3)
可以理解的是，本申请实施例可以根据车辆组换道原则划分车辆组集合，以对车辆冲突关系图解耦，例如，可以对车辆组冲突关系图G按照汇入后车道数目进行解耦，生成对应合流后每一车道的车辆组冲突关系子图，例如，可以为每条汇入后主道生成对应的车辆组冲突关系子图Gi，从而有效的提升了车辆组换道原则划分的准确性，提升调度方法的可靠性。
举例而言，假设汇入后的主道数目为＝2，因此，车辆冲突关系图G为两个冲突关系子图的并集，根据下式(12)计算得到：
G＝G1∪G2；(12)
另外，冲突关系图G的代价为各冲突关系子图Gi的代价Ji之和，则优选实施例中冲突关系图G的代价根据下式(13)计算得到：
J＝J1+2；(13)
其中，在本申请的一个实施例中，车辆组换道的基本原则是需为匝道车辆的汇入提供安全的车间距离且尽量降低对相邻车道的影响，车辆组换道的具体要点包括：优先考虑长度sizeP较短的车辆组进行换道，仅考虑纯智能网联汽车组成的车辆组进行协同换道，不考虑混合队列的协同换道，车辆组相同长度sizeP时优先考虑位置更靠近匝道区域的车辆组进行换道，长度sizeP>Nlim的车辆组为了提升安全性不进行换道，在车辆组换道原则约束下，不同换道车辆组集合的总数目NLC根据下式(8)计算得到：
Figure BDA0004024156820000081
其中，nk为车道k中包含的车辆组数目，l为换道车组数目，运算符‘！’为累乘运算。
例如，如图3所示，M1车道中的车辆组进行协同换道以促进R0车道中的车辆组实现汇入，同时设置Nlim＝2，则在车辆组换道原则约束下，不同换道车辆集合的总数目NLC＝4，根据下式(14)计算得到：
Figure BDA0004024156820000082
又例如，如图5所示，为不同换道车辆集合下的车辆组冲突关系图与冲突关系子图，其中，图5(a)为换道车辆组数目为0时的示意图，图5(b)(c)为换道车辆组数目为1时的示意图，图5(d)为换道车辆组数目为2时的示意图。
需要说明的是，本申请实施例考虑纯智能网联汽车组成的车辆组进行协同换道，无需考虑混合队列的协同换道，车辆组换道的基本原则可以为匝道车辆的汇入提供安全的车间距离，且降低对相邻车道的影响。
在步骤S103中，对于任一车辆组冲突关系子图Gi，为冲突关系子图Gi中包含的所有车辆组领航车按照效率最优行驶策略生成不同汇入条件下的终端状态相图s；终端状态相图确定领航车辆在不同汇入条件下稳定终端状态的可行区域，利用终端状态相图可为领航车辆规划最优轨迹并计算对应的通行延迟，其中，领航车vehLm的效率最优行驶策略中的控制量
Figure BDA0004024156820000091
按如下式(4)计算得到：
Figure BDA0004024156820000092
其中，jmin、jmxa分别为领航车vehLm在满足舒适性要求下加加速度的下界与上界，
Figure BDA0004024156820000093
为领航车vehLm加速度的协态；
可以理解的是，本申请实施例可以对任一车道的车辆组冲突关系子图Gi，为冲突关系子图Gi中的所有车辆组领航车按照效率最优行驶策略生成不同汇入条件下的终端状态相图s，可以基于终端状态相图s确定领航车辆在不同汇入条件下稳定终端状态的可行区域，利用终端状态相图s为领航车辆规划最优轨迹并计算对应的通行延迟，大幅度提升计算效率。
举例而言，如图6所示，为效率最优行驶策略下对应的相轨迹的示意图，其中，
Figure BDA0004024156820000094
图7为领航车在不同汇入条件下的终端状态相图s，本申请实施例可以基于终端状态相图s确定领航车辆在不同汇入条件下稳定终端状态的可行区域，以降低车辆通行延迟。
可选的，在本申请的一个实施例中，效率最优行驶策略中加速度的协态
Figure BDA0004024156820000095
根据庞特里亚金最小值原理计算得到，如下式(9)所示：
Figure BDA0004024156820000096
其中，xm为车辆的状态向量，xm：＝{pm,vm,am}，分别表示领航车vehLm的位置、速度、加速度，
Figure BDA0004024156820000097
为拉格朗日函数，计算式如下式(10)所示：
Figure BDA0004024156820000098
其中，λp、λv、λa分别为位置、速度、加速度的协态，vmax为车辆的最大限速，ηv+、ηv-为与车辆速度约束有关的拉格朗日乘子，amax、amin分别为车辆的最大加速度与最小减速度，ηa+、ηa-分别为与车辆加速度约束有关的拉格朗日乘子。
在步骤S104中，对于任一车辆组冲突关系子图Gi，采用具有启发式剪枝规则的深度优先树搜索策略对当前车道内车辆组进行最优汇入次序搜索，在搜索过程中依据领航车vehLm的终端状态相图sm和前车vehLm-1的终端状态相图sm-1并结合安全性条件计算树节点的损失，其中，安全性条件如下式(5)所示：
tm,con>tf,m-1+Δtm-1,inner×(nm-1-1)+Δtadj；(5)
其中，tm,con为领航车vehLm在满足与前车的安全性约束下经过匝道区域所需的最短时间，tf,m-1为前车vehLm-1在当前树搜索中的终态时间，Δtm-1,inner为前车组内部车辆的安全时距，nm-1为前车组长度，Δtadj为相邻两车组间的安全时距；
可以理解的是，本申请实施例可以采用下述步骤中具有启发式剪枝规则的深度优先树搜索策略对每一车道的车辆组冲突关系子图进行最优次序搜索，得到各冲突关系子图的损耗，可以对于任一车辆组冲突关系子图Gi，采用具有启发式剪枝规则的深度优先树搜索策略对当前车道内车辆组进行最优汇入次序搜索，在搜索过程中依据领航车vehLm的终端状态相图sm和前车vehLm-1的终端状态相图sm-1，并结合安全性条件计算树节点的损失，从而有效的降低车辆间的行为冲突存在的碰撞风险，提升车辆的安全性和可靠性。
可选的，在本申请的一个实施例中，采用启发式剪枝策略加速通行次序树的搜索，启发式剪枝规则包括：当车辆vehLm的终态相图sm的可行域无法满足与前车vehLm-1的安全性约束时，则车辆vehLm所处节点下方的子树被剪枝；当车辆vehLm所处节点的代价J>J*，且当前节点的深度小于次序树的最大深度时，则车辆vehLm所处节点下方的子树同样被剪枝。
举例而言，如图8所示，为两车组换道情况下的两个冲突关系子图的深度优先树搜索结果示意图，图中带箭头的粗实线表示树搜索得到的最优车辆通行次序，
Figure BDA0004024156820000101
分别表示两冲突关系子图的最小代价，图中的符号′×′表示根据启发式剪枝规则对次序树进行的剪枝操作，以加快求解的效率。
在步骤S105中，对不同换道车辆组集合下的各冲突关系子图进行最优次序搜索，得到各冲突关系子图的损耗Ji，选取各冲突关系子图代价总和J最小的换道车辆组集合作为最终换道车组，并根据最优冲突子图中各车辆节点的最优终端状态结合车辆的终端状态相图为车辆组规划纵向速度调整策略与横向换道策略，其中，最优协同汇入策略的损耗J*如下式(6)所示：
Figure BDA0004024156820000102
其中，
Figure BDA0004024156820000103
为各冲突关系子图在车辆组最优通行次序下的最小代价。
可以理解的是，本申请实施例可以根据下述步骤中各冲突关系子图的损耗结合终端状态相图生成车辆规划纵向速度调整策略与横向换道策略，可以对不同换道车辆组集合下的各冲突关系子图进行最优次序搜索，得到各冲突关系子图的损耗Ji,选取各冲突关系子图代价总和最小的换道车辆组集合，以作为最终换道车组，并根据最优冲突子图中各车辆节点的最优终端状态结合车辆的终端状态相图为车辆组规划纵向速度调整策略与横向换道策略，从而有效的提升交通通行效率，满足多车道匝道协同汇入优化调度的需求，有效的降低车辆间的碰撞风险，并且提升用户的驾乘体验。
举例而言，如图9、10、11所示，分别为换道车辆组数目为2、1、0时的最优车辆组冲突关系图决策结果示意图，总代价分别为14.3s、24.5s、39.4s，可以选取总代价最小的换道车辆组集合作为最终换道车辆组，则换道车辆组集合包括M1_3与M1_5，汇入后M1车道与M2车道的冲突关系子图代价分别为12.5s与1.8s。
其中，在本申请的一个实施例中，根据最优冲突子图中各车辆节点的最优终端状态结合终端状态相图为最终换道车组规划纵向速度调整策略与横向换道策略，包括：确保换道车辆组与当前车道的前车组、后车组与相邻车道的父车组保持安全距离，并计算换道车辆的换道时刻和换道位置。
例如，如图12所示，本申请实施例可以确保换道车辆组vehSelf与当前车道的前车组vehFront、后车组vehBack与相邻车道的父车组vehParent保持安全距离。
接着，如图13所示，本申请实施例可以根据换道车辆与的前车组vehFront、后车组vehBack与相邻车道的父车组vehParent的间距计算换道车辆的换道时刻tm,LC和换道位置pm,LC，从而有效的降低车辆间的碰撞风险，降低车辆通行延迟并提升道路整体通行效率。
可选的，在本申请的一个实施例中，根据最优冲突子图对车辆组进行纵向速度规划与横向换道策略规划时，需要确保换道车辆组vehSelf与当前车道的前车组vehFront、后车组vehBack与相邻车道的父车组vehParent保持安全距离，并据此计算出换道车辆的换道时刻tm,LC和换道位置pm,LC，其中，换道车辆组vehSelf与周车的安全性约束如下式(11)所示：
Figure BDA0004024156820000111
其中，gapparent()、gapfront()、gapback()分别为换道车组与同车道前车组、同车道后车组、邻车道父车组的车间距离。
例如，如图14所示，为车辆组决策的纵向速度调整策略示意图，图14(a)、(b)中的圆点对应换道车辆的换道时刻与换道位置，从而有效的降低车辆间的碰撞风险，降低车辆通行延迟并提升道路整体通行效率。
根据本申请实施例提出的基于车辆冲突关系图的多车道匝道协同汇入优化调度方法，可以采集匝道区域内车辆组信息，在边缘云实现对物理空间中车辆组的实时数字映射，以在信息空间生成车辆冲突关系图，并且根据车辆组换道原则划分车辆组集合，对车辆冲突关系图解耦，生成对应合流后每一车道的车辆组冲突关系子图，对任一冲突关系子图中的所有车辆，基于效率最优行驶策略生成不同汇入条件下的终端状态相图，并且采用具有启发式剪枝规则的深度优先树搜索策略对每一冲突关系子图进行最优次序搜索，从而结合车辆的终端状态相图生成车辆规划纵向速度调整策略与横向换道策略，进而可以在复杂场景下充分发挥边缘云广域协同的优势，综合提升车辆通行延迟和道路整体效率。由此，解决了相关技术中仅针对局部车辆的次序协同或轨迹规划，难以处理多车道混合车流的匝道协同汇入问题，算法求解效率低，车辆通行延迟和交通整体通行效率有待进一步提升的技术问题。

Claims (6)

1.一种基于车辆冲突关系图的多车道匝道协同汇入优化调度方法，其特征在于，包括以下步骤：
步骤1：通过路侧设备采集匝道区域内车辆组信息，在边缘云实现对物理空间中车辆组的实时数字映射，在信息空间生成车辆组冲突关系图VCN，其中，所述车辆组冲突关系图如式(1)所示：
VCN＝G(Nodes,Edges)； (1)
其中，Nodes为冲突关系图中的节点，描述车辆组自身属性，包括车辆组长度sizeP、车辆组类型typeP、车辆组当前状态信息statet0和车辆组期望状态信息statetf；Edges为冲突关系图中的边，描述车辆组间的关系属性，包括车辆组的通行次序、车辆组安全性约束safetyCons、边损失loss；冲突关系图G的决策目标是使得所有车辆组节点Nodes可被条通行次序线顺序相连，每个节点都被包含中其中一条通行次序中，且条通行次序线中所边代价之和最小；k为汇入后的主道车道数目；
步骤2：根据车辆组换道原则划分换道车辆组集合，对所述车辆组冲突关系图G按照汇入后车道数目进行解耦，为每条汇入后主道生成对应的车辆组冲突关系子图Gi，所述车辆组冲突关系图G等于各冲突关系子图的并集，如式(2)所示：
G＝G1∪…∪Gi∪…∪Gk,i∈{1,…,k}； (2)
其中，所述冲突关系图G的代价J为各冲突关系子图Gi的代价Ji之和，如式(3)所示：
J＝J1+…+Ji+…+Jk,i∈{1,…,k}； (3)
步骤3：对于任一车辆组冲突关系子图Gi，为冲突关系子图Gi中包含的所有车辆组领航车按照效率最优行驶策略生成不同汇入条件下的终端状态相图；终端状态相图确定领航车辆在不同汇入条件下稳定终端状态的可行区域，利用终端状态相图可为领航车辆规划最优轨迹并计算对应的通行延迟，其中，领航车vehLm的效率最优行驶策略中的控制量
Figure FDA0004024156810000011
按如下式(4)计算得到：
Figure FDA0004024156810000012
其中，jmin、jmax分别为领航车vehLm在满足舒适性要求下加加速度的下界与上界，
Figure FDA0004024156810000013
为领航车vehLm加速度的协态；
步骤4：对于任一车辆组冲突关系子图Gi，采用具有启发式剪枝规则的深度优先树搜索策略对当前车道内车辆组进行最优汇入次序搜索，在搜索过程中依据领航车vehLm的终端状态相图sm和前车vehLm-1的终端状态相图sm-1并结合安全性条件计算树节点的损失，其中，安全性条件如下式(5)所示：
tm,con＞tf，m-1+Δtm-1，inner×(nm-1-1)+Δtadj； (5)
其中，tm,con为领航车vehLm在满足与前车的安全性约束下经过匝道区域所需的最短时间，tf，m-1为前车vehLm-1在当前树搜索中的终态时间，Δtm-1，inner为前车组内部车辆的安全时距，nm-1为前车组长度，Δtadj为相邻两车组间的安全时距；
步骤5：对不同换道车辆组集合下的各冲突关系子图进行最优次序搜索，得到各冲突关系子图的损耗Ji，选取各冲突关系子图代价总和J最小的换道车辆组集合作为最终换道车组，并根据最优冲突子图中各车辆节点的最优终端状态结合车辆的终端状态相图为车辆组规划纵向速度调整策略与横向换道策略，其中，最优协同汇入策略的损耗J*如下式(6)所示：
Figure FDA0004024156810000021
其中，
Figure FDA0004024156810000022
为各冲突关系子图在车辆组最优通行次序下的最小代价。
2.根据权利要求1所述的方法，其特征在于，所述车辆组冲突关系图G在不同通行次序下的代价由车辆组的总加权通行时间延迟计算得到，并作为匝道区域内交通效率的评价指标与优化目标，其中，车辆组的总加权通行时间延迟如下式(7)所示：
Figure FDA0004024156810000023
其中，tm,f为车辆组vehLm通过该段匝道区域的实际时间，tm,desired为车辆组vehLm在加速度、加加速度限制下通过该段匝道区域的期望时间，sizePm为车辆组vehLm的长度；αi为车道权重，车辆行驶速度越高的车道具有越大的权重。
3.根据权利要求1所述的方法，其特征在于，车辆组换道的基本原则是需为匝道车辆的汇入提供安全的车间距离且尽量降低对相邻车道的影响，车辆组换道的具体要点包括：优先考虑长度sizeP较短的车辆组进行换道，仅考虑纯智能网联汽车组成的车辆组进行协同换道，不考虑混合队列的协同换道，车辆组相同长度sizeP时优先考虑位置更靠近匝道区域的车辆组进行换道，长度sizeP＞Nlim的车辆组为了提升安全性不进行换道，在车辆组换道原则约束下，不同换道车辆组集合的总数目NLC根据下式(8)计算得到：
Figure FDA0004024156810000024
其中，nk为车道k中包含的车辆组数目，l为换道车组数目，运算符‘！’为累乘运算。
4.根据权利要求1所述的方法，其特征在于，效率最优行驶策略中加速度的协态
Figure FDA0004024156810000031
根据庞特里亚金最小值原理计算得到，如下式(9)所示：
Figure FDA0004024156810000032
其中，xm为车辆的状态向量，xm：＝{pm，vm，am)，分别表示领航车vehLm的位置、速度、加速度，
Figure FDA0004024156810000033
为拉格朗日函数，计算式如下式(10)所示：
Figure FDA0004024156810000034
其中，λp、λv、λa分别为位置、速度、加速度的协态，vmax为车辆的最大限速，ηv+、ηv-为与车辆速度约束有关的拉格朗日乘子，amax、amin分别为车辆的最大加速度与最小减速度，ηa+、ηa-分别为与车辆加速度约束有关的拉格朗日乘子。
5.根据权利要求1所述的方法，其特征在于，采用启发式剪枝策略加速通行次序树的搜索，启发式剪枝规则包括：
当车辆vehLm的终态相图sm的可行域无法满足与前车vehLm-1的安全性约束时，则车辆vehLm所处节点下方的子树被剪枝；
当所述车辆vehLm所处节点的代价J＞J*，且当前节点的深度小于次序树的最大深度时，则车辆vehLm所处节点下方的子树同样被剪枝。
6.根据权利要求1所述的方法，其特征在于，根据最优冲突子图对车辆组进行纵向速度规划与横向换道策略规划时，需要确保换道车辆组vehSelf与当前车道的前车组vehFront、后车组vehBack与相邻车道的父车组vehParent保持安全距离，并据此计算出换道车辆的换道时刻tm,LC和换道位置pm,LC，其中，换道车辆组vehSelf与周车的安全性约束如下式(11)所示：
Figure FDA0004024156810000035
其中，gapparent(t)、gapfront(t)、gapback(t)分别为换道车组与同车道前车组、同车道后车组、邻车道父车组的车间距离。
CN202211705168.3A 2022-12-28 2022-12-28 基于车辆冲突关系图的多车道匝道协同汇入优化调度方法 Active CN116153137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211705168.3A CN116153137B (zh) 2022-12-28 2022-12-28 基于车辆冲突关系图的多车道匝道协同汇入优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211705168.3A CN116153137B (zh) 2022-12-28 2022-12-28 基于车辆冲突关系图的多车道匝道协同汇入优化调度方法

Publications (2)

Publication Number Publication Date
CN116153137A true CN116153137A (zh) 2023-05-23
CN116153137B CN116153137B (zh) 2024-05-31

Family

ID=86340028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211705168.3A Active CN116153137B (zh) 2022-12-28 2022-12-28 基于车辆冲突关系图的多车道匝道协同汇入优化调度方法

Country Status (1)

Country Link
CN (1) CN116153137B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116543595A (zh) * 2023-05-24 2023-08-04 合肥工业大学 一种快速路分流区cav专用道换道决策点的动态调控方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2826687A1 (en) * 2013-07-16 2015-01-21 Honda Research Institute Europe GmbH Technique for lane assignment in a vehicle
CN110570049A (zh) * 2019-09-19 2019-12-13 西南交通大学 一种高速公路混合交通流汇流协同优化底层控制方法
CN110992695A (zh) * 2019-12-13 2020-04-10 北京理工大学 基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型
WO2021227502A1 (zh) * 2020-05-14 2021-11-18 同济大学 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN114889603A (zh) * 2022-04-20 2022-08-12 北京京东乾石科技有限公司 一种车辆换道处理方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2826687A1 (en) * 2013-07-16 2015-01-21 Honda Research Institute Europe GmbH Technique for lane assignment in a vehicle
CN110570049A (zh) * 2019-09-19 2019-12-13 西南交通大学 一种高速公路混合交通流汇流协同优化底层控制方法
CN110992695A (zh) * 2019-12-13 2020-04-10 北京理工大学 基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型
WO2021227502A1 (zh) * 2020-05-14 2021-11-18 同济大学 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN114889603A (zh) * 2022-04-20 2022-08-12 北京京东乾石科技有限公司 一种车辆换道处理方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张存保，李劲松，黄传明，夏银霞: "基于车路协同的高速公路入口匝道 车辆汇入引导方法", 《武汉理工大学学报（交通科学与工程版）》, vol. 41, no. 4, 31 August 2017 (2017-08-31), pages 537 - 541 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116543595A (zh) * 2023-05-24 2023-08-04 合肥工业大学 一种快速路分流区cav专用道换道决策点的动态调控方法
CN116543595B (zh) * 2023-05-24 2024-04-26 合肥工业大学 一种快速路分流区cav专用道换道决策点的动态调控方法

Also Published As

Publication number Publication date
CN116153137B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
CN109035862B (zh) 一种基于车车通信的多车协同换道控制方法
Li et al. Connected vehicles based traffic signal timing optimization
CN111369813B (zh) 一种智能网联汽车的匝道分合流协同控制方法及系统
Bichiou et al. Real-time optimal intersection control system for automated/cooperative vehicles
CN112233413B (zh) 一种面向智能网联车辆的多车道时空轨迹优化方法
CN109115220B (zh) 一种用于停车场系统路径规划的方法
CN113593228B (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN114973733A (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
CN112750318B (zh) 一种基于边缘云的匝道合流控制方法及系统
Turri Fuel-efficient and safe heavy-duty vehicle platooning through look-ahead control
Manzinger et al. Driving strategy selection for cooperative vehicles using maneuver templates
CN116153137B (zh) 基于车辆冲突关系图的多车道匝道协同汇入优化调度方法
CN113920762A (zh) 一种基于智能网联环境下应急车辆优先通行的控制方法
Pan et al. Research on the behavior decision of connected and autonomous vehicle at the unsignalized intersection
CN111899509B (zh) 一种基于车路信息耦合的智能网联汽车状态向量计算方法
Wei et al. Mixed-autonomy traffic control with proximal policy optimization
CN114999152B (zh) 面向混合车流的匝道合流边缘云管控方法
Plianos et al. Predictive energy optimization for connected and automated HEVs
Hou et al. Decentralized cooperative lane changing at freeway weaving areas using multi-agent deep reinforcement learning
Shi et al. Cooperative merging strategy in mixed traffic based on optimal final-state phase diagram with flexible highway merging points
Bakibillah et al. Predictive car-following scheme for improving traffic flows on urban road networks
Shan et al. Developing A Novel Dynamic Bus Lane Control Strategy With Eco-Driving Under Partially Connected Vehicle Environment
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
Kala et al. Congestion avoidance in city traffic
Aubeck et al. Lane change driver assistance system for online operation optimization of connected vehicles

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