CN117576904B - 一种由智能网联车辆引导其它车辆高效通过红绿灯的方法 - Google Patents
一种由智能网联车辆引导其它车辆高效通过红绿灯的方法 Download PDFInfo
- Publication number
- CN117576904B CN117576904B CN202311536276.7A CN202311536276A CN117576904B CN 117576904 B CN117576904 B CN 117576904B CN 202311536276 A CN202311536276 A CN 202311536276A CN 117576904 B CN117576904 B CN 117576904B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- intelligent
- following
- manual driving
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000006870 function Effects 0.000 claims description 36
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 230000035699 permeability Effects 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 description 9
- 230000008447 perception Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000021317 sensory perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011172 small scale experimental method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种由智能网联车辆引导其它车辆高效通过红绿灯的方法，属于智能网联汽车车路协同技术领域。本发明首先建立由不同智能等级车辆构成异质交通流并对不同类型车辆的跟车情况进行分析，通过概率论计算出各种跟车情况的概率；计算出当前绿灯相位内可通过的最大对列长度，并对队列中各智能网联车辆与头车的距离相比较，若该距离大于最大对列长度则把当前智能网联车辆划分为下一队列的头车，不断循环将异质交通流划分为多个队列，同一队列的车辆将在同一相位内通过红绿灯。该方法只需要获取智能网联车辆的行驶信息即可进行队列划分，并能保证同一队列的车辆高效、稳定通过红绿灯，能为城市场景下交通拥堵治理提供新的思路。
Description
技术领域
本发明属于智能网联汽车车路协同技术领域，具体涉及一种由智能网联车辆引导其它车辆高效通过红绿灯的方法。
背景技术
不断增长的汽车保有量和交通需求给城市道路交通网络的管理带来了巨大挑战，造成了严重的交通拥堵、空气污染和能源浪费，尤其是在信号交叉口路段。为了提高城市道路的交通效率、降低能耗、减少污染物排放，人们从不同角度做出了大量努力。这些解决方案主要涉及清洁能源开发、交通信号配时优化、驾驶员行为研究和交通路线规划。尽管做出了这些努力，但汽车保有量的持续增长导致了交通拥堵和燃料消耗的持续增加，限制了传统交通管理方法的有效性。因此，探索新技术来应对城市交通网络中的这一挑战至关重要。
智能网联车辆的出现为提高交通流动性提供了新的视角和机遇，尤其是在城市交通场景中，交叉路口区域被视为道路网络的瓶颈。通过利用无线通信(如车对车和车对基础设施)，智能网联车辆可与周边车辆交换交流运行状态，并从路边装置接收有用的道路交通数据，可以利用这些信息来优化智能网联车辆的路径和速度，使它们带领更多的车辆通过信号交叉口。
但现有的研究大多集中在所有车辆均是智能网联车辆的交通场景，即假设交通系统中智能网联车辆的市场渗透率为100％，即所有车辆都需要高度自动化和网联功能。然而，从人类驾驶汽车到智能网联车辆的过渡阶段会持续很长一段时间，将来几十年内必定是由不同智能等级的车辆构成的异质交通流。部分学者通过把交通流划分为多个队列来提高交通效率，但队列的定义并不明确，且只是小规模的实验，并且大多数研究都假设了所有类型的车辆都需要具备网联功能，即实时收集每辆车的速度位移信息，这并不符合实际情况，例如普通人工驾驶车辆并不具备网联功能。
因此，如何仅通过控制智能网联车辆来引导其它车辆高效通过红绿灯是亟需解决的问题。
发明内容
针对上述现有技术的缺点，本发明提出一种由智能网联车辆引导其它车辆高效通过红绿灯的方法来解决现有技术中异质交通流通过交叉口效率不高的问题。
一种由智能网联车辆引导其它车辆高效通过红绿灯的方法，包括以下步骤：
(1)建立由四种不同智能等级车辆构成的异质交通流模型；所述四种不同智能等级的车辆分别为普通人工驾驶车辆、网联人工驾驶车辆、智能车辆和智能网联车辆；
(2)按照车辆的不同，将车辆跟车情况划分为六种跟车情况，并根据各类车辆的渗透率分别计算出六种跟车情况的概率；
(3)根据当前交叉口红绿灯的相位信息，以通行效率最大为目标，计算出车辆通过交叉口的最优终端速度；
(4)根据步骤(3)得到的最优终端速度及步骤(2)得到的六种跟车情况的概率，计算出最优车间间距；
(5)根据当前交叉口红绿灯的相位信息、步骤(2)得到的各种跟车情况的概率、步骤(3)得到的最优终端速度及步骤(4)得到的最优车间间距，计算出车队的最大队列长度；
(6)为保证头车是智能网联车辆，根据步骤(5)得到最大队列长度，对队列中各智能网联车辆与头车的距离相比较，若该距离大于最大对列长度则把当前智能网联车辆划分为下一队列的头车，不断循环将异质交通流划分为多个队列，队列以步骤(3)计算出的最优终端速度通过红绿灯。
所述普通人工驾驶车辆无法用网联功能和传感器接收和传递车辆和道路信息，只能由驾驶者的感官感知交通情况，人脑决策；所述网联人工驾驶车辆具有网联功能，信息共享，交互增强，决策增强，能实现辅助驾驶；所述智能车辆靠传感器获取车辆和道路信息，动态感知，感知增强，控制增强，能实现单车自动驾驶；所述智能网联车辆具有传感器和网联功能，智能程度最高，感知增强，控制增强，决策增强，交互增强，能实现网联自动驾驶。
作为本发明的优选实施方案，异质交通流模型中各类型车辆的跟车模型如下所示：
普通人工驾驶车辆：普通人工驾驶车辆无法依靠网联功能和高精度传感器来接收和传递车辆和道路信息，只能由驾驶者的感官感知交通情况，人脑决策，采用IDM跟车模型，表达式如下：
其中an(t)，vn(t)和hn(t)分别表示车辆n在t时刻的加速度，速度和车头间距；a和b分别表示最大加速度和舒适减速度；Δvn(t)表示车辆n-1和车辆n在t时刻的速度差；v0表示自由流速度；l表示车辆的长度；s0表示车辆的最小安全间距；T1表示安全车头时距。
网联人工驾驶车辆：网联人工驾驶车辆是指人工驾驶的具有网络通讯功能车辆，无高精度传感器，但因为具有网联通讯功能而可以接收到更多的信息，有助于提高驾驶者的反应灵敏度，但其仍具备人工驾驶车辆的基本跟车特性，采用改进的IDM(IDM-C)跟车模型，表达式如下：
不同于IDM模型，该模型中TC代表网联人工驾驶车辆的安全车头时距，TC小于T1。
智能车辆：智能车辆靠高精度传感器获取车辆和道路信息，感知增强，控制增强，能实现单车自动驾驶，采用ACC跟车模型，具体表达式如下：
an(t)＝k1[hn(t)-l-s0-tavn(t)]+k2Δvn(t)；
k1和k2分别表示车间距误差控制系数和速度差控制系数，ta表示车辆的期望车间时距。
智能网联车辆：智能网联车辆具有高精度传感器和网联功能，智能程度最高，感知增强，控制增强，决策增强，交互增强，能实现网联自动驾驶，采用CACC跟车模型，具体表达式如下：
ka和kb分别表示车间距误差控制系数和车间距误差微分项控制系数，Δt表示控制步长；en(t)表示车辆n在t时刻的实际车间距与期望车间距的误差；tb表示车辆期望车间时距参数；vn(t+Δt)表示车辆n在下个步长的速度，表示en(t)对时间t的微分。
作为本发明的优选实施方案，所述步骤(2)中，将车辆跟车情况划分为六种跟车情况，具体为：
情况1：普通人工驾驶车辆跟随普通人工驾驶车辆，网联人工驾驶车辆，智能车辆或智能网联车辆时，由于后车无网联功能和高精度传感器，后车只能靠人为感知和决策，故采用IDM跟车模型表示。
情况2：网联人工驾驶车辆跟随普通人工驾驶车辆或智能车辆时，由于前车无网联功能且后车无高精度传感器，后车只能靠人为感知和决策，故采用IDM跟车模型表示。
情况3：网联人工驾驶车辆跟随网联人工驾驶车辆或智能网联车辆时，由于后车和前车都具备网联功能且后车无高精度传感器，后车可以靠网联功能来实现辅助驾驶，故采用IDM-C跟车模型表示。
情况4：智能车辆跟随普通人工驾驶车辆、网联人工驾驶车辆、智能车辆或智能网联车辆时，由于后车具备高精度传感器而无网联功能，后车可依靠高精度传感器来实现单车自动驾驶，故采用ACC跟车模型表示。
情况5：智能网联车辆跟随普通人工驾驶车辆或智能车辆时，由于前车无网联功能，后车只能靠高精度传感器来实现单车自动驾驶，故采用ACC跟车模型表示。
情况6：智能网联车辆跟随网联人工驾驶车辆或智能网联车辆时，由于前车和后车都具备网联功能和高精度传感器，能实现网联自动驾驶，故采用CACC跟车模型表示。
作为本发明的优选实施方案，所述步骤(2)中，计算六种跟车情况的概率具体为：
设普通人工驾驶车辆、网联人工驾驶车辆、智能车辆和智能网联车辆的渗透率分别为p1、p2、p3和pCAV，则情况1至情况6的概率分别为p1、p2(p1+p3)、p2(p2+pCAV)、p3、pCAV(p1+p3)和pCAV(p2+pCAV)。
作为本发明的优选实施方案，所述步骤(3)中计算车辆通过交叉口的最优终端速度包括如下步骤：
S1：当异质交通流稳定时，车辆之间的速度差和各车的加速度均为0，得到各跟车模型的平衡态速度-车头间距函数：
其中，ve代表平衡态速度，单位为m/s；fa(ve)，fb(ve)，fc(ve)和fd(ve)，分别为IDM跟车模型，IDM-C跟车模型，ACC跟车模型和CACC跟车模型车辆的平衡态速度-车头间距函数。
S2：异质交通流平衡状态下的速度-车头间距de关系如下所示：
de＝p1de-IDM(ve)+p2(p1+p3)de-IDM(ve)+p2(p2+pCAV)de-IDM-C(ve)+p3de-ACC(ve)+pCAV(p1+p3)de-ACC(ve)+pCAV(p2+pCAV)de-CACC(ve)
其中，de-IDM(ve),de-IDM-C(ve),de-ACC(ve)和de-CACC(ve)分别代表IDM、IDM-C、ACC和CACC的平衡车间间距。
S3：设信号交叉口红绿灯的绿灯时间为Tg，则跟车数m与平衡间距de、平衡态速度ve、各类型车辆出现概率之间的关系为：
根据上式可以看出，不同的交通情况下只有m和ve是变化量，即m是ve的函数，以ve为横坐标，m为纵坐标，用matlab软件作出车数m与平衡态速度ve的关系图，并找到斜率为0的切线，切线对应的切点的纵坐标即为最大跟车数M，切点的横坐标即为最优终端速度v*。
作为本发明的优选实施方案，所述步骤(4)中计算最优车间间距d*的公式具体为：
作为本发明的优选实施方案，所述步骤(5)中计算车队的最大队列长度Lmax的公式具体为：
Lmax＝M×d*。
作为本发明的优选实施方案，所述步骤(6)中队列划分的方法为：
步骤一：令第一辆到达信号交叉口的智能网联车辆为第1个队列的头车。
步骤二：判断后续的第i辆智能网联车辆当前位置与当前队列头车的距离Si与Lmax的关系，若该距离Si小于Lmax，则该智能网联车辆仍然安照相应的跟车模型行驶；若该距离Si大于Lmax，则将该智能网联车辆作为下一个队列的头车。
步骤三：不断重复步骤二，将异质交通流划分为多个队列。
步骤四：队列划分完成后，每个队列以最优终端速度v*通过红绿灯。
作为本发明的优选实施方案，队列划分完成后，计算队列的头车到达交叉口的时间，然后采用伪谱法来求解头车最优速度轨迹，以此来保证每个队列可以以最优终端速度v*通过红绿灯；
队列的头车到达交叉口的时间为：
其中，代表头车到达交叉口的最短时间；amax代表头车最大加速度；xi代表头车距离交叉口的距离；vmax代表头车最大速度；/>为当前头车的速度；ti代表头车到达交叉口的时间；gnext表示下一周期的绿灯亮起时刻；t代表当前时刻；G为各个相位绿灯时间窗的集合。
与现有技术相比，本发明的有益效果为：本发明构建一种由4种不同智能等级车辆构成的异质交通流模型，且是随机出现，复杂度更高，更能代表真实的交通情况。并且将跟车情况归纳为6种情况，并计算了各种情况所出现的概率，把复杂的异质交通流数字化。进而提出了一种队列划分的方法，只需要获取到智能网联车辆的行驶信息即可进行队列划分，并能保证同一队列的车辆高效、稳定通过红绿灯。因此不需要假设所有车辆都具备网联功能，更符合实际，能为城市场景下车路协同的发展提供新的思路，治理城市场景下交通拥堵的情况。
附图说明
图1为本发明所述智能网联车辆引导其它车辆高效通过红绿灯的方法的流程图。
图2为本发明车辆跟车情况划分为六种跟车情况的分类图。
图3为平衡态速度与跟车数和平衡间距的关系图，其中图3(a)为平衡态速度与跟车数的关系图，图3(b)为平衡态速度与平衡间距的关系图。
图4为本发明所述异质交通流的队列划分示意图，其中S1为第一辆智能网联车辆与当前队列头车的距离，Si为第i辆智能网联车辆与当前队列头车的距离，Si+1为第i+1辆智能网联车辆与当前队列头车的距离。
图5为实施例1中采用智能网联车辆引导其它车辆高效通过红绿灯的方法仿真得出队列划分的车辆时间-位移图。
图6为仿真得出对比例1中未采用队列划分和智能网联车辆引导的车辆通过红绿灯的车辆时间-位移图。
具体实施方式
为更好地说明本发明的目的、技术方案和优点，下面将结合具体实施例对本发明作进一步说明。
实施例1
本发明提供一种由智能网联车辆引导其它车辆高效通过红绿灯的方法，如图1所示，包括以下步骤：
(1)建立由普通人工驾驶车辆、网联人工驾驶车辆、智能车辆和智能网联车辆四种不同智能等级车辆构成的异质交通流模型。
S1-1：普通人工驾驶车辆，普通人工驾驶车辆无法依靠网联功能和高精度传感器来接收和传递车辆和道路信息，只能由驾驶者的感官感知交通情况，人脑决策，采用IDM跟车模型，表达式如下：
其中，an(t)，vn(t)和hn(t)分别表示车辆n在t时刻的加速度、速度和车头间距；a和b分别表示最大加速度和舒适减速度，本实施方式中取值分别为2m/s2和3m/s2；Δvn(t)表示车辆n-1在t时刻的速度减车辆n在t时刻的速度差；v0表示自由流速度，本实施方式中取值为25m/s；l表示车辆的长度，本实施方式中取值为5m；s0表示车辆的最小安全间距，本实施方式中取值为2m；T1表示安全车头时距，本实施方式中取值为1.5s。
S1-2：网联人工驾驶车辆，网联人工驾驶车辆是指人工驾驶的具有网络通讯功能车辆，无高精度传感器，但因为具有网联通讯功能而可以接收到更多的信息，有助于提高驾驶者的反应灵敏度，但其仍具备人工驾驶车辆的基本跟车特性，采用改进的IDM(IDM-C)跟车模型，表达式如下：
不同于IDM模型，该模型中TC代表网联人工驾驶车辆的安全车头时距，TC小于T1，本实施方式中取值为1.3s。
S1-3：智能车辆靠高精度传感器获取车辆和道路信息，感知增强，控制增强，能实现单车自动驾驶，采用ACC跟车模型，具体表达式如下：
an(t)＝k1[hn(t)-l-s0-tavn(t)]+k2Δvn(t)；
其中，k1和k2分别表示车间距误差控制系数和速度差控制系数，本实施方式中取值分别为0.23s-2和0.07s-1，ta表示ACC车辆的期望车间时距，本实施方式中取值为1.1s。
S1-4：智能网联车采用CACC跟车模型，具体表达式如下：
其中，ka和kb分别表示车间距误差控制系数和车间距误差微分项控制系数，本实施方式中取值分别为0.45和0.25，Δt表示速度更新间隔，本实施方式中取值为0.5s；en(t)表示车辆n在t时刻的实际车间距与期望车间距的误差；tb表示期望车间时距参数，本实施方式中取值为0.6s；vn(t+Δt)表示车辆n在下个步长的速度；表示en(t)对时间t的微分。
(2)按照车辆的不同，将车辆跟车情况划分为六种跟车情况，并根据各类车辆的渗透率计算出各种跟车情况的概率。
S2-1：本发明把车辆的跟车情况划分为如下6种跟车情况，如图2所示：
情况1：普通人工驾驶车辆跟随普通人工驾驶车辆，网联人工驾驶车辆，智能车辆或智能网联车辆时，由于后车无网联功能和高精度传感器，后车只能靠人为感知和决策，故采用IDM跟车模型表示；
情况2：网联人工驾驶车辆跟随普通人工驾驶车辆或智能车辆时，由于前车无网联功能且后车无高精度传感器，后车只能靠人为感知和决策，故采用IDM跟车模型表示；
情况3：网联人工驾驶车辆跟随网联人工驾驶车辆或智能网联车辆时，由于后车和前车都具备网联功能且后车无高精度传感器，后车可以靠网联功能来实现辅助驾驶，故采用IDM-C跟车模型表示；
情况4：智能车辆跟随普通人工驾驶车辆、网联人工驾驶车辆、智能车辆或智能网联车辆时，由于后车具备高精度传感器而无网联功能，后车可依靠高精度传感器来实现单车自动驾驶，故采用ACC跟车模型表示；
情况5：智能网联车辆跟随普通人工驾驶车辆或智能车辆时，由于前车无网联功能，后车只能靠高精度传感器来实现单车自动驾驶，故采用ACC跟车模型表示；
情况6：智能网联车辆跟随网联人工驾驶车辆或智能网联车辆时，由于前车和后车都具备网联功能和高精度传感器，能实现网联自动驾驶，故采用CACC跟车模型表示。
S2-2：设普通人工驾驶车辆、网联人工驾驶车辆、智能车辆和智能网联车辆的渗透率分别为p1、p2、p3和pCAV，则情况1至情况6的概率分别为p1、p2(p1+p3)、p2(p2+pCAV)、p3、pCAV(p1+p3)和pCAV(p2+pCAV)。
(3)根据当前交叉口红绿灯的相位信息，以通行效率最大为目标，计算出车辆通过交叉口的最优终端速度，具体方法如下：
S3-1：当异质交通流稳定时，车辆之间的速度差和各车的加速度均为0，得到各跟车模型的平衡态速度-车头间距函数，如下所示：
其中，ve代表平衡态速度，单位为m/s；fa(ve)、fb(ve)、fc(ve)和fd(ve)分别为IDM跟车模型、IDM-C跟车模型、ACC跟车模型和CACC跟车模型车辆的平衡态速度-车头间距函数。
S3-2：异质交通流平衡状态下的速度-车头间距de关系如下所示：
de＝p1de-IDM(ve)+p2(p1+p3)de-IDM(ve)+p2(p2+pCAV)de-IDM-C(ve)+p3de-ACC(ve)+pCAV(p1+p3)de-ACC(ve)+pCAV(p2+pCAV)de-CACC(ve)
其中，de-IDM(ve)、de-IDM-C(ve)、de-ACC(ve)和de-CACC(ve)分别代表IDM、IDM-C、ACC和CACC的平衡车间间距。
S3-3：设信号交叉口红绿灯的绿灯时间为Tg，则跟车数m与平衡间距de、平衡态速度ve、各类型车辆出现概率之间的关系为：
根据上式可以看出，不同的交通情况下只有m和ve是变化量，即m是ve的函数，以ve为横坐标，m为纵坐标，用matlab软件作出车数m与平衡态速度ve的关系图，并找到斜率为0的切线，切线对应的切点的纵坐标即为m的最大值即最大跟车数M，切点的横坐标即为最优终端速度v*。
由于变量过多，本实施例中假设p1:p2:p3＝3:1:2，根据上式作出不同pCAV下平衡态速度与跟车数和平衡间距的关系图如图3所示，在图3(a)找到跟车数的最大值M后即可确定最优终端速度v*。
(4)根据步骤(3)得到的最优终端速度及步骤(2)得到的六种跟车情况的概率，计算出最优车间间距d*，公式如下：
即根据最优终端速度v*在图3(b)确定相应的最优车间间距d*。
(5)根据当前交叉口红绿灯的相位信息、步骤(2)得到的各种跟车情况的概率、步骤(3)得到的最优终端速度及步骤(4)得到的最优车间间距，计算出车队的最大队列长度Lmax，公式如下：
Lmax＝M×d*。
(6)为保证头车是智能网联车辆，根据步骤(5)得到最大队列长度，将异质交通流划分为多个队列，具体包括：
S6-1：令第一辆到达信号交叉口的智能网联车辆为第1个队列的头车。
S6-2：判断后续的第i辆智能网联车辆当前位置与当前队列头车的距离Si与Lmax的关系，若该距离Si小于Lmax，则该智能网联车辆仍然安照相应的跟车模型行驶；若该距离Si大于Lmax，则将该智能网联车辆作为下一个队列的头车。
S6-3：不断重复S6-2，将异质交通流划分为多个队列，图4为发明所述异质交通流的队列示意图，其中S1为第一辆智能网联车辆与当前队列头车的距离，Si为第i辆智能网联车辆与当前队列头车的距离，Si+1为第i+1辆智能网联车辆与当前队列头车的距离，此示意图效通过红绿灯的方法适用于所有的异质交通流。
S6-4：队列划分完成，首先，计算队列的头车到达交叉口的时间：
其中，代表头车到达交叉口的最短时间；amax代表头车最大加速度，取值为3m/s2；xi代表头车距离交叉口的距离；vmax代表头车最大速度，取值为25m/s；/>为当前头车的速度；ti代表头车到达交叉口的时间；gnext表示下一周期的绿灯亮起时刻；t代表当前时刻；G为各个相位绿灯时间窗的集合，本实施例中红绿灯相位为绿灯20s+红灯20s,反复循环。
然后采用伪谱法来求解头车最优速度轨迹，以此来保证每个队列可以以最优终端速度v*通过红绿灯。
设起始位置为400m，交叉口的位置为800m，交通流量为1000veh/h，p1:p2:p3＝3:1:2，智能网联汽车的渗透率pCAV为50％，仿真得出的车辆时间-位移图如图5所示。可以看出异质交通流被划分为了多个由智能网联车辆作为头车的队列，头车带领着其它车辆高效通过交叉口，由于没有因为红灯而在交叉口前停车，队列以最优终端速度v*通过红绿灯，达到提高交通效率的作用。
对比例1
与实施例1的区别在于：不进行队列划分，车辆按照红绿灯行驶。
同样设起始位置为400m，交叉口的位置为800m，交通流量为1000veh/h，p1:p2:p3＝3:1:2，智能网联汽车的渗透率pCAV为50％，仿真得出无队列划分的车辆时间-位移图如图6所示。可以看出车辆在交叉口前的拥堵比较明显，且由于很多车因为红灯在交叉口前停车，导致无法以最优终端速度v*通过红绿灯，交通效率较差。
最后所应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (9)
1.一种由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，包括以下步骤：
(1)建立由四种不同智能等级车辆构成的异质交通流模型；所述四种不同智能等级车辆分别为普通人工驾驶车辆、网联人工驾驶车辆、智能车辆和智能网联车辆；
(2)将车辆跟车情况划分为六种跟车情况，并根据各类车辆的渗透率分别计算出六种跟车情况的概率；
(3)根据当前交叉口红绿灯的相位信息，以通行效率最大为目标，计算出车辆通过交叉口的最优终端速度；
(4)根据车辆通过交叉口的最优终端速度及六种跟车情况的概率，计算出最优车间间距；
(5)根据当前交叉口红绿灯的相位信息、步骤(2)得到的六种跟车情况的概率、步骤(3)得到的最优终端速度及步骤(4)得到的最优车间间距，计算出车队的最大队列长度；
(6)根据步骤(5)得到最大队列长度，对队列中各智能网联车辆与头车的距离相比较，若该距离大于最大对列长度则把当前智能网联车辆划分为下一队列的头车，不断循环将异质交通流划分为多个队列，队列以步骤(3)计算出的最优终端速度通过红绿灯。
2.如权利要求1所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，所述步骤(1)中异质交通流模型中各类型车辆的跟车模型如下所示：
普通人工驾驶车辆采用IDM跟车模型，表达式如下：
其中an(t)，vn(t)和hn(t)分别表示车辆n在t时刻的加速度，速度和车头间距；a和b分别表示最大加速度和舒适减速度；Δvn(t)表示车辆n-1和车辆n在t时刻的速度差；v0表示自由流速度；l表示车辆的长度；s0表示车辆的最小安全间距；T1表示普通人工驾驶车辆的安全车头时距；
网联人工驾驶车辆：采用IDM-C跟车模型，表达式如下：
TC代表网联人工驾驶车辆的安全车头时距，TC小于T1；
智能车辆采用ACC跟车模型，具体表达式如下：
an(t)＝k1[hn(t)-l-s0-tavn(t)]+k2Δvn(t)；
k1和k2分别表示车间距误差控制系数和速度差控制系数，ta表示车辆的期望车间时距；
智能网联车辆采用CACC跟车模型，具体表达式如下：
ka和kb分别表示车间距误差控制系数和车间距误差微分项控制系数，Δt表示控制步长；en(t)表示车辆n在t时刻的实际车间距与期望车间距的误差；tb表示车辆期望车间时距参数；vn(t+Δt)表示车辆n在下个步长的速度，表示en(t)对时间t的微分。
3.如权利要求2所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，所述步骤(2)中，将车辆跟车情况划分为六种跟车情况，具体为：
情况1：普通人工驾驶车辆跟随普通人工驾驶车辆，网联人工驾驶车辆，智能车辆或智能网联车辆时，采用IDM跟车模型表示；
情况2：网联人工驾驶车辆跟随普通人工驾驶车辆或智能车辆时，采用IDM跟车模型表示；
情况3：网联人工驾驶车辆跟随网联人工驾驶车辆或智能网联车辆时采用IDM-C跟车模型表示；
情况4：智能车辆跟随普通人工驾驶车辆、网联人工驾驶车辆、智能车辆或智能网联车辆时采用ACC跟车模型表示；
情况5：智能网联车辆跟随普通人工驾驶车辆或智能车辆时采用ACC跟车模型表示；
情况6：智能网联车辆跟随网联人工驾驶车辆或智能网联车辆时采用CACC跟车模型表示。
4.如权利要求3所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，所述步骤(2)中，计算六种跟车情况的概率具体为：
设普通人工驾驶车辆、网联人工驾驶车辆、智能车辆和智能网联车辆的渗透率分别为p1、p2、p3和pCAV，则情况1至情况6的概率分别为p1、p2(p1+p3)、p2(p2+pCAV)、p3、pCAV(p1+p3)和pCAV(p2+pCAV)。
5.如权利要求1所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，所述步骤(3)中计算车辆通过交叉口的最优终端速度包括如下步骤：
S1：当异质交通流稳定时，车辆之间的速度差和各车的加速度均为0，得到各跟车模型的平衡态速度-车头间距函数：
其中，ve代表平衡态速度，单位为m/s；fa(ve)，fb(ve)，fc(ve)和fd(ve)，分别为IDM跟车模型，IDM-C跟车模型，ACC跟车模型和CACC跟车模型车辆的平衡态速度-车头间距函数；
S2：异质交通流平衡状态下的速度-车头间距de关系如下所示：
de＝p1de-IDM(ve)+p2(p1+p3)de-IDM(ve)+p2(p2+pCAV)de-IDM-C(ve)
+p3de-ACC(ve)+pCAV(p1+p3)de-ACC(ve)+pCAV(p2+pCAV)de-CACC(ve)
其中，de-IDM(ve),de-IDM-C(ve),de-ACC(ve)和de-CACC(ve)分别代表IDM、IDM-C、ACC和CACC的平衡车间间距；
S3：设信号交叉口红绿灯的绿灯时间为Tg，则跟车数m的表达式为：
根据跟车数m的表达式，以ve为横坐标，m为纵坐标做出关系图，并找到斜率为0的切线，切线对应的切点纵坐标为最大跟车数M，切点的横坐标为最优终端速度v*。
6.如权利要求5所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，所述步骤(4)中最优车间间距d*的公式为：
7.如权利要求6所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，所述步骤(5)中计算车队的最大队列长度Lmax的公式具体为：
Lmax＝M×d*。
8.如权利要求7所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，所述步骤(6)中，队列划分的方法包括：
步骤一：令第一辆到达信号交叉口的智能网联车辆为第1个队列的头车；
步骤二：判断后续的第i辆智能网联车辆当前位置与当前队列头车的距离Si与Lmax的关系，若该距离Si小于Lmax，则该智能网联车辆仍然安照相应的跟车模型行驶；若该距离Si大于Lmax，则将该智能网联车辆作为下一个队列的头车；
步骤三：不断重复步骤二，将异质交通流划分为多个队列；
步骤四：队列划分完成后，每个队列以最优终端速度v*通过红绿灯。
9.如权利要求8所述由智能网联车辆引导其它车辆高效通过红绿灯的方法，其特征在于，队列划分完成后，计算队列的头车到达交叉口的时间，然后采用伪谱法来求解头车最优速度轨迹，使每个队列以最优终端速度v*通过红绿灯；
队列的头车到达交叉口的时间为：
其中，代表头车到达交叉口的最短时间；amax代表头车最大加速度；xi代表头车距离交叉口的距离；vmax代表头车最大速度；/>为当前头车的速度；ti代表头车到达交叉口的时间；gnext表示下一周期的绿灯亮起时刻；t代表当前时刻；G为各个相位绿灯时间窗的集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311536276.7A CN117576904B (zh) | 2023-11-17 | 2023-11-17 | 一种由智能网联车辆引导其它车辆高效通过红绿灯的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311536276.7A CN117576904B (zh) | 2023-11-17 | 2023-11-17 | 一种由智能网联车辆引导其它车辆高效通过红绿灯的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117576904A CN117576904A (zh) | 2024-02-20 |
| CN117576904B true CN117576904B (zh) | 2024-05-10 |
Family
ID=89889316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311536276.7A Active CN117576904B (zh) | 2023-11-17 | 2023-11-17 | 一种由智能网联车辆引导其它车辆高效通过红绿灯的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576904B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007257196A (ja) * | 2006-03-22 | 2007-10-04 | Sumitomo Electric Ind Ltd | 交差点における車両挙動の予測システム |
| CN110718074A (zh) * | 2019-11-06 | 2020-01-21 | 清华大学 | 混合交通交叉路口的信号灯与车辆的协同控制方法 |
| CN112437412A (zh) * | 2020-10-30 | 2021-03-02 | 北方工业大学 | 一种基于车路协同的混行驾驶车辆编队控制方法 |
| CN114419903A (zh) * | 2021-12-17 | 2022-04-29 | 东南大学 | 一种智能网联汽车队列路口通行控制方法、装置及车辆 |
| CN114973666A (zh) * | 2022-05-18 | 2022-08-30 | 江苏科创车联网产业研究院有限公司 | 基于车路协同的网联车车速诱导方法、装置及介质 |
| 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 |
| CN115993818A (zh) * | 2022-11-09 | 2023-04-21 | 东南大学 | 一种信号交叉口智能网联车辆队列的协同行驶控制方法 |
-
2023
- 2023-11-17 CN CN202311536276.7A patent/CN117576904B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007257196A (ja) * | 2006-03-22 | 2007-10-04 | Sumitomo Electric Ind Ltd | 交差点における車両挙動の予測システム |
| CN110718074A (zh) * | 2019-11-06 | 2020-01-21 | 清华大学 | 混合交通交叉路口的信号灯与车辆的协同控制方法 |
| CN112437412A (zh) * | 2020-10-30 | 2021-03-02 | 北方工业大学 | 一种基于车路协同的混行驾驶车辆编队控制方法 |
| CN114419903A (zh) * | 2021-12-17 | 2022-04-29 | 东南大学 | 一种智能网联汽车队列路口通行控制方法、装置及车辆 |
| 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 |
| CN114973666A (zh) * | 2022-05-18 | 2022-08-30 | 江苏科创车联网产业研究院有限公司 | 基于车路协同的网联车车速诱导方法、装置及介质 |
| CN115993818A (zh) * | 2022-11-09 | 2023-04-21 | 东南大学 | 一种信号交叉口智能网联车辆队列的协同行驶控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 无信号交叉口支路车道通行能力建模与仿真;李淑庆;王志远;;重庆交通大学学报(自然科学版);20121215(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117576904A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111768637B (zh) | 一种信号交叉口交通信号灯和车辆轨迹控制方法 | |
| Ersal et al. | Connected and automated road vehicles: state of the art and future challenges | |
| 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 | |
| CN113781806B (zh) | 一种用于智能网联环境下的混合交通流通行方法 | |
| Bai et al. | Hybrid reinforcement learning-based eco-driving strategy for connected and automated vehicles at signalized intersections | |
| Murphey et al. | Driver's style classification using jerk analysis | |
| 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 | |
| CN114495527A (zh) | 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 | |
| Wang et al. | Cluster-wise cooperative eco-approach and departure application for connected and automated vehicles along signalized arterials | |
| CN108694841A (zh) | 一种基于v2x技术的智能车辆通行路口红绿灯方法 | |
| Kim et al. | A modeling framework for connectivity and automation co-simulation | |
| Han et al. | Leveraging multiple connected traffic light signals in an energy-efficient speed planner | |
| CN112767715B (zh) | 一种交叉路口交通信号灯与智能网联汽车的协同控制方法 | |
| Zhang et al. | A cruise control method for connected vehicle systems considering side vehicles merging behavior | |
| Xie et al. | Safe driving model based on V2V vehicle communication | |
| CN117576904B (zh) | 一种由智能网联车辆引导其它车辆高效通过红绿灯的方法 | |
| CN113781770B (zh) | 一种模拟双离合式的合流区车路协同控制系统 | |
| CN114578711A (zh) | 一种面向城市场景的cacc仿真平台 | |
| Du et al. | Impacts of vehicle-to-infrastructure communication on traffic flows with mixed connected vehicles and human-driven vehicles | |
| Wang et al. | Study of vehicle-road cooperative green wave traffic strategy for traffic signal intersections | |
| CN112373482A (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
| Esmaeili et al. | A platoon formation strategy for heterogeneous vehicle types at a signalized intersection | |
| Pan et al. | Energy-optimized adaptive cruise control strategy design at intersection for electric vehicles based on speed planning | |
| Marinelli et al. | Assessing the Impact of Eco-ADAS Systems on Vehicle Fuel Consumption and Emissions at Signalised Intersections | |
| CN116612636B (zh) | 基于多智能体强化学习的信号灯协同控制方法 |
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 |