一种信号交叉口智能网联车辆队列的协同行驶控制方法

技术领域

本发明属于智能网联汽车控制技术领域。

背景技术

信号交叉口是城市交通网络中的潜在交通瓶颈，提升信号交叉口的车辆通行效率是改善城市道路交通拥堵的有效途径之一。信号交叉口内车辆速度变化频繁，因车辆速度频繁变化导致的不稳定交通波会极大地影响路网整体的运行效率，使得信号交叉口成为交通拥堵和事故的主要发生场所。智能网联车辆为解决交通拥堵、交通安全问题提供了新的突破口，一方面智能网联车辆可以调取周围其他智能网联车辆的动态行驶信息，另一方面智能网联车辆还可以获取附近交叉口的信号配时等数据。利用这些数据智能网联车辆可以合理规划行车速度，提升车辆在交叉口的通行效率。

目前，智能网联环境下信号交叉口车辆轨迹优化和信号配时优化研究较多，但智能网联车辆队列协同行驶控制研究大多在队列直行的条件下优化纵向控制策略，而针对信号交叉口这样的具体交通场景的智能网联车辆队列协同行驶控制策略研究还比较匮乏。

发明内容

发明目的：为了解决上述现有技术存在的问题，本发明提出了一种信号交叉口智能网联车辆队列的协同行驶控制方法。

技术方案：本发明提供一种信号交叉口智能网联车辆队列的协同行驶控制方法，该方法包括如下步骤：

步骤1：根据当前时刻第i个车辆的实际位置与预设路径的差异，计算第i个车辆的转向角，i＝2,...,n，其中n表示网联车队中车辆的总个数；

步骤2：计算网联车队中第i个车辆的队列速度合成值V

步骤3：计算网联车队中第i个车辆的速度v

步骤4：基于队列速度差，采用IDM算法计算第i个车辆的加速度；

步骤5：根据第i个车辆的加速度和转向角，计算下一个时刻第i个车辆的空间位置和速度的预期值，在计算完车队中所有车辆在下一时刻的空间位置和速度预期值后，进入下一个时刻，转步骤1。

进一步的，所述步骤1中采用PD控制算法计算第i个车辆的转向角，且PD控制算法中的比例参数K

进一步的，所述步骤2中，当i＝2时，网联车队中第2个车辆的队列速度合成值V

V

其中，v

进一步的，P＝0.75,S＝0.25。

进一步的，所述步骤3中Δv

进一步的，所述步骤4中采用的IDM算法为改进的IDM算法，基于如下公式计算第i个车辆的加速度a：

其中，a

其中，T表示安全车头时距，a

有益效果：采用本发明提出的M-CACC控制策略的车队能很好地适应头车的速度变化，迅速地调整速度进而与头车保持一致。M-CACC控制下的智能网联车辆队列具有很好的协同性，原则上可以在更低的车头间距下实现安全行驶，进而提高交叉口通行效率。发明的方法可以有效提高协同车辆队列的运行效率和协同车辆队列的稳定性。

附图说明

图1为本发明的方法流程图；

图2为信号交叉口相位图；其中(a)为南北向直行的相位图，(b)为西向左转的相位图，(c)为东西向直行的相位图，(d)为南北向左转的相位图；

图3为信号交叉口示意图；

图4为不同PD参数下车辆出发位置行驶轨迹图；

图5为不同PD参属下车辆左转位置行驶轨迹图；

图6为车队速度变化图；

图7为采用本发明的协同控制策略和原始IDM控制方法下各车车头时距与其理想值的对比图。

图8为采用本发明的协同控制策略和原始IDM控制方法下各车车头间距与其理想值的对比图。

具体实施方式

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

如图1所示，本发明提供的一种信号交叉口智能网联车辆队列的协同控制策略，包括以下步骤：

S1、调取网联车队实时动态基本安全行驶信息(BSMs)；根据车辆位置与预设路径差异，以PD控制算法进行横向控制，得到被控车辆的转向角；

S2、以M-CACC协同控制算法中的衰减系数公式，计算各车队列速度合成值，并将队列速度合成值换算为队列速度差；

S3、导入M-CACC中的IDM算法模块得出车队各车的加速度；

S4、将前述步骤中计算得出的各车转向角和加速度代入车辆动力学模型，计算下一单位时间中各车的空间位置、速度的预期值，并再次执行步骤S1至S4。

本实施例的交通场景示意图如图2和图3所示。

本实施例在仿真中采用的车辆力学模型出于优先优化控制策略主体的考虑，将交通场景简化为二维场景，采用了质点模型，车辆的加速度方向与方向盘一致。基于被控车辆的空间位置数据，通过PD算法计算被控车辆的转向角。PID算法简单、鲁棒性好且可靠性高，被广泛应用于工业过程控制，尤其适用于可建立精确数学模型的确定性控制系统。PD算法即PID算法中的P、D两部分。在仿真的环境下，PD控制能很好地实现交叉口通行。P是成比例地反映控制系统的偏差信号，而D能反映偏差信号的变化趋势。值得注意的是，在仿真中的时间其实是离散的，因此D的微分类似于间隔趋向无穷小的差分。K

本实施例中BSMs由如下数据构成：车辆速度、加速度、坐标、转向角、上一单位时间与预设路径的偏差。

本实施的加速度的控制则采用了在IDM模型和协同自适应巡航模型(CACC)的基础上改进的M-CACC模型。在M-CACC模型中，需要先将BSMs中各车速度数据以衰减系数公式换算为各车的队列速度合成值。衰减系数即P和S。基于衰减系数进行递归运算可以计算出车队中各车的队列速度合成值。队列速度合成值计算方法如下：

P＝0.75，S＝0.25

V

V

......

V

......

V

V

其中，v

当车队中有三辆车时，队列速度合成值变为V

V

将四辆车时的情形和两辆车时的情形进行对比，可以发现，队列速度合成值相当于是把IDM模型中的前车速度替换成了队列中所有前车速度值的线性组合。而P＝0.75，S＝0.25则是线性组合的系数，即衰减系数，它表明了不同队列位置的速度值的权重，该权重越靠近被控车辆越大。在四辆车协同行驶的情况中，v

因此，衰减系数的不同取值对M-CACC的性能有较大的影响。在P和S取值相近时，整个队列的行驶整体性会非常好，但同时会有较大的风险。举例而言，侧方插车使前车突然减速，那在P和S取值相近的衰减系数下，M-CACC就不能很好地做出应对，可能无法生成足够的减速度来避免碰撞。所以，衰减比例还必须找到安全性与整体性的均衡，在保证安全性的前提下，提高队列行驶的效率和整体性。经过在仿真环境下的多次调试对比，发现M-CACC在P＝0.75，S＝0.25时性能较优，明显优于IDM模型。

计算第i个车辆对应的队列速度差Δv

对M-CACC模型进行调参分为IDM算法模块调参和衰减系数调参两部分。第一部分是对IDM算法模块进行调参，绝大多数参数采用了IDM模型中常用的参数取值。该公式中s

如图6所示，头车迅速加速之后，除了车辆刚刚启动时头车的速度波动较大使得跟随车辆队列无法很快稳定，跟随车辆队列的速度都相当一致。可以看出，采用本发明的方法跟随车辆队列能够迅速调整自身速度使其与头车保持一致。

在基本的响应机制上M-CACC与IDM没有本质上的区别，但M-CACC模型会更多的考虑除了前车以外的车辆的行驶速度。举例而言，在IDM模型控制的队列中，如果前车与该车保持速度一致，前前车开始加速，因为Δv

第二部分则是对衰减系数的调参。在本发明提出的一种信号交叉口智能网联车辆队列的协同行驶控制策略的衰减系数公式参数优化过程中，以各车车头时距与理想车头时距之差(如图7)、和各车车头间距与期望车头净距之差(如图8)两组数据作为评定控制策略优劣的主要根据。同时将M-CACC模型在不同衰减系数下控制车队的表现与IDM模型控制车队的表现相对比。其中期望车头净距的计算公式同上。s

从图7和图8中可以观察到，相较于自适应巡航控制(ACC)的车辆队列，采用M-CACC协同控制策略的车辆队列内，其车头时距与安全车头时距之差更大，安全性更好。此外，智能网联车辆队列的间距始终保持在一个较小的范围内，而相比于ACC控制的车辆队列，采用M-CACC控制的车队内各车间距与理想间距之差波动范围更小，更加稳定。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。