非信控多路口混合车群网络化预测与协同控制方法及装置

技术领域

本发明涉及智能交通技术领域，特别是涉及非信控多路口混合车群网络化预测与协同控制方法及装置。

背景技术

非信控路口是交通系统的重要组成部分，不同方向的车流以较高的相对速度在交叉路口汇聚。考虑到目前的交通形势，ICVs与HDVs并存的混合交通模式仍会长期存在，而由于HDVs缺乏广泛的互通和互联，且由于车辆和云端之间无线通信网络的时变时延等难以完全避免，使得不仅容易发生多路口系统交通拥堵，而且极易发生交通事故。

现有研究主要探讨影响混合交通流稳定性的因素，而针对非信控多交叉路口混合交通流协同控制方法的相关研究较少，主要基于先进先出的规则式控制方法协同控制混合交通流的行驶路线，但该类方法未考虑车辆动力学等约束条件，仅适合用于路网级大规模交叉路口交通系统的交通流调度，且该方法无法根据车辆动态变化环境自适应调整混合交通流协同控制模型参数，导致混合交通流协同控制性能差；此外，相关研究通常假设HDVs的行驶状态是精确已知的，但由于HDVs驾驶行为的动态随机性和不可控性，路侧信息采集与管理单元(Roadside Information Collection and Management Units，RICMUs)等难以获取其精确行驶状态；且车辆和边缘云端之间无线通信网络的时延等难以完全避免，因此对于非理想通信网络中的ICVs与HDVs之间难以实现充分的协调与优化。综上所述，现有研究中尚缺乏在非理想通信网络环境下面向非信控多交叉路口系统的混合交通流协同控制方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明旨在综合考虑由于HDVs驾驶行为时变特性导致的边缘云端控制器不能准确获取其行驶状态信息以及时变时延条件下的ICVs与HDVs之间的协同控制性能差的难题，提出一种混合交通下非信控多路口混合车群网络化预测与协同控制(NetworkedPrediction and Cooperative Control，NPCC)方法，提高不同ICVs市场渗透率(MarketPenetration Rate，MPRs)和不同交通流量下混合车流的行车安全性、车辆节能性能并改善交通通行效率。

本发明的另一个目的在于提出一种非信控多路口混合车群网络化预测与协同控制装置。

为达上述目的，本发明一方面提出一种非信控多路口混合车群网络化预测与协同控制方法，包括：

获取各交叉路口子系统的最优道路平均速度；

基于HDVs的不确定性行驶状态和ICVs的时变时延状态信息建立对应的MIMO系统映射模型；

基于所述MIMO系统映射模型进行HDVs时变行驶速度的观测与预测以及时变时延条件下ICVs行驶状态的补偿与预测得到补偿预测结果；

基于所述最优道路平均速度和所述补偿预测结果进行混合车辆队列的预期行驶速度规划，并响应预期行驶速度规划结果使得各混合车辆队列中的ICVs执行控制指令实现混合车辆队列的协同控制。

本发明实施例的非信控多路口混合车群网络化预测与协同控制方法还可以具有以下附加技术特征：

在本发明的一个实施例中，基于所述HDVs的不确定性行驶状态进行HDVs不确定行驶状态数据映射观测器设计和云端HDVs状态映射预测控制器设计以得到MAPC控制器策略。

在本发明的一个实施例中，所述方法，还包括：

基于所述ICVs的时变时延状态信息进行ICVs时变时延DBCC控制器设计得到第一控制器设计结果；

基于预设的协同优化速度进行混合车群NPCVF控制器设计得到第二控制器设计结果；

基于所述第一控制器设计结果和所述第二控制器设计结果得到HNPCC控制器策略。

在本发明的一个实施例中，所述方法，还包括：

利用云端通信信息主动估计与补偿方案对多路口非理想通信网络进行混合车群信息状态动态估计与通信补偿得到云端估计值；

利用DBCC控制器使得最小化通信信息补偿后的云端估计值与混合车群真实值之间的系统输出误差。

在本发明的一个实施例中，所述方法，还包括：

根据多路口交通控制与管理系统协同优化速度设计针对非线性混合车群编队系统得到系统设计结果；

基于所述系统设计结果将紧格式动态线性化预测与滚动时域预测控制进行数据融合，根据数据融合结果实现混合编队系统的自适应预测与协同控制。

为达上述目的，本发明另一方面提出一种非信控多路口混合车群网络化预测与协同控制装置，包括：

初始数据获取模块，用于获取各交叉路口子系统的最优道路平均速度；

系统模型构建模块，用于基于HDVs的不确定性行驶状态和ICVs的时变时延状态信息建立对应的MIMO系统映射模型；

结果补偿预测模块，用于基于所述MIMO系统映射模型进行HDVs时变行驶速度的观测与预测以及时变时延条件下ICVs行驶状态的补偿与预测得到补偿预测结果；

队列协同控制模块，用于基于所述最优道路平均速度和所述补偿预测结果进行混合车辆队列的预期行驶速度规划，并响应预期行驶速度规划结果使得各混合车辆队列中的ICVs执行控制指令实现混合车辆队列的协同控制。

本发明实施例的非信控多路口混合车群网络化预测与协同控制方法和装置，协调ICVs与HDVs形成的混合交通流，并考虑通过ICVs的引导作用，实现大规模混合车群的控制与管理，提高ICVs较高渗透率下混合车流的行车安全性、车辆节能性能并改善交通通行效率。

本发明的有益效果为：

(1)本发明提出了一种非信控多交叉路口混合交通流协同控制方法，根据各交叉路口子系统中HDVs和ICVs的车辆行驶状态信息，设计混合交通流MAPC及HNPCC控制器，将非理想通信条件下混合交通流的期望行驶速度和混合车群编队的ICVs速度引导控制有机地结合起来，实现了多交叉路口混合交通系统下交通效率和车辆经济性能的综合提升，同时为非信控多交叉路口系统中混合交通流的综合控制性能提升提供了一种新的调控方法。

(2)本发明提出了一种多路口非理想通信条件下HNPCC控制器，将多路口非理想通信条件下ICVs与HDVs的不确定行驶状态映射为一类MIMO离散时间非线性控制系统，基于CFDL方法建立混合车群编队MIMO数据映射模型，利用混合车群编队动态运行过程中的在线MIMO数据和多交叉路口系统道路平均速度来自适应调整对应的PJM参数，并通过计算等价于系统期望状态的参数化控制律，使得EC控制器能够实现动态混合交通下的自适应控制能力。

(3)本发明提出了考虑HDVs不确定性驾驶行为的自适应预测控制策略，通过观测HDVs不确定性速度并结合预测控制方法在线滚动优化求解HDVs加速度控制量，实现了云端HDVs行驶状态重构与预测，避免了HDVs速度不确定性对混合交通流协同控制造成负面影响，为实现ICVs引导混合车群编队安全、高效通过多交叉路口系统奠定基础。

本发明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，或通过本发明的实践了解到。

附图说明

本发明上述的和/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是根据本发明实施例的非信控多路口混合车群网络化预测与协同控制方法的流程图；

图2是根据本发明实施例的混合车群网络化预测与协同控制策略示意图；

图3是根据本发明实施例的非信控多路口混合车群网络化预测与协同控制装置的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

下面参照附图描述根据本发明实施例提出的非信控多路口混合车群网络化预测与协同控制方法和装置。

图1是本发明实施例的非信控多路口混合车群网络化预测与协同控制方法的流程图。

如图1所示，该方法包括但不限于以下步骤：

S1，获取各交叉路口子系统的最优道路平均速度；

S2，基于HDVs的不确定性行驶状态和ICVs的时变时延状态信息建立对应的MIMO系统映射模型；

S3，基于MIMO系统映射模型进行HDVs时变行驶速度的观测与预测以及时变时延条件下ICVs行驶状态的补偿与预测得到补偿预测结果；

S4，基于最优道路平均速度和补偿预测结果进行混合车辆队列的预期行驶速度规划，并响应预期行驶速度规划结果使得各混合车辆队列中的ICVs执行控制指令实现混合车辆队列的协同控制。

本发明实施例的非信控多路口混合车群网络化预测与协同控制方法目的在于考虑驾驶员不确定性驾驶行为，解决时变时延通信条件下非信控多交叉路口混合交通流难以协调与控制难题。针对人类驾驶车辆(Human-Drive Vehicles，HDVs)的时变不确定驾驶特性行为提出多车自适应预测控制策略，用于HDVs速度扰动观测并在线滚动优化求解HDVs速度控制量，实现云端HDVs行驶状态重构与预测；进一步地，针对多路口时变时延条件下的混合车群编队系统，提出混合车群编队网络化预测与协同控制策略，利用混合车群编队动态运行过程中的在线多输入多输出(Multiple-Input and Multiple-Output，MIMO)数据和多交叉路口系统道路平均速度来自适应调整对应的时变矩阵参数，并通过计算等价于系统期望状态的参数化控制律，实现混合车群编队预期行驶速度预测；通过控制混合车群编队系统中智能网联车辆(Intelligent and Connected Vehicles，ICVs)的行驶速度提升混合交通流的协调控制性能，并实现在保证通行安全的前提下，提升在不同MPRs和不同交通流量下多交叉路口系统的交通效率和车辆经济性。

示例性地，本发明面向非信控多路口场景，考虑ICVs与HDVs协同行驶的混合交通环境，其中ICVs能够接收并跟踪EC控制器下发的控制指令行驶，而HDVs的行驶状态不能直接被EC控制器精确获取，且其驾驶行为不受EC控制器的直接控制。已知混合多车系统与多交叉路口系统之间存在动态耦合关系，且由于HDVs的不确定性驾驶行为和多交叉路口通信时变时延对控制系统造成的非线性扰动，使得所研究的多交叉路口系统是一种典型的MIMO动态耦合复杂不确定性系统，因此基于多智能体系统的网络化分布式协调控制思想，将非信控多交叉路口系统解耦为多个非信控交叉路口子系统，结合图2，针对每个路口子系统分别设计考虑人类驾驶行为的MAPC控制器和考虑多路口时变时延的HNPCC控制器。包括以下具体步骤：

步骤1，面向各路口子系统，针对考虑人类动态驾驶行为的MAPC控制器设计，主要包括2个步骤：云端HDVs不确定行驶状态数据映射观测器设计和云端HDVs状态映射预测控制器设计。

步骤1.1，首先设计云端HDVs不确定行驶状态数据映射观测器，具体步骤如下：

步骤1.1.1，首先设计HDVs随机驾驶特性观测器对HDVs不确定行驶状态进行云端数据映射与状态重构，为后续进行HDVs随机状态行为预测奠定基础。

进一步地，确定算法输入u

步骤1.1.2，在各路口子系统EC控制器中，将进入子系统道路i中的HDVs(1,...,n)视为一类MIMO离散时间非线性系统，于是有：

其中，u

其中，

步骤1.1.3，针对公式(2)，当u

Δy

其中，Δy

进一步地，在等式(3)中，由于d

步骤1.1.4，针对系统方程(1)，令

其中，d(k)表示总扰动，

步骤1.1.5，设计HDVs随机驾驶行为的状态观测器，分别估计驶入交叉路口子系统HDVs的随机行驶速度和不确定驾驶行为扰动信息：

其中，

其中，sign(·)为符号函数。

步骤1.1.6，对于未知的PJM数据映射时变参数矩阵

其中，

其中，η和μ表示常数参数，η∈(0,2]，μ>0，并且：

其中，b

步骤1.1.7，为使HDVs的EC系统跟踪误差e能够收敛到平衡状态，定义EC控制器中HDVs状态信息重构系统的输出跟踪误差如下所示：

其中，

进一步地，根据智能驾驶员模型(Intelligent Driver Model，IDM)计算得出：

其中，α表示车辆加速度集合，α

其中，a

进一步地，期望车距通过下式计算获得。

其中，d

步骤1.1.8，定义积分型离散终端滑模函数使EC系统误差快速收敛，如下式所示：

s(k)＝λ

其中，λ

其中，

步骤1.1.9，推导得到离散趋近律，如公式(16)所示。

Δs(k)＝s(k+1)-s(k)＝0 (16)

步骤1.1.10，由式(15)和式(16)，整理可得基于CFDL映射模型的一步向前输出预测方程y

其中，

步骤1.1.11，将式(16)代入式(17)，继续推导得到等效输入控制量Δu

步骤1.2，设计云端HDVs状态MIMO数据映射预测控制器，具体步骤如下：

步骤1.2.1，为了使控制系统的输出趋近于滑模面，并提高控制系统的跟踪精度，需基于滚动时域预测控制方法获得预测控制量Δu

Δu

步骤1.2.2，令

其中，z

步骤1.2.3，推导并整理得到N步向前预测滑模函数，具体如下式所示。

进一步地，如果Δu

S(k)＝Λs(k)+A

其中，Λ表示单位矩阵，Γ代表由λ

步骤1.2.4，进一步利用自回归模型预测k+1时刻后的PJM参数，如下所示：

其中，j＝1,...,N

步骤1.2.5，接着考虑关于θ的准则函数如下式所示：

求解得到：

其中，δ表示常量，δ∈(0,1]。

步骤1.2.6，定义云端映射系统控制性能准则函数如下所示：

J＝S

其中，ω表示权重系数，该值决定了滚动时域预测控制量的取值范围。

步骤1.2.7，令优化条件

其中，X表示系数矩阵，

步骤1.2.8，针对式(27)可以进一步推导表示为：

其中，Δu

步骤2，进一步考虑多路口时变时延条件下的HNPCC控制器设计，主要包括2个步骤：ICVs时变时延DBCC控制器设计和混合车群NPCVF控制器设计。

步骤2.1，首先设计ICVs时变时延DBCC控制器，具体如下：

步骤2.1.1，设计数据缓存器接收驶入多交叉路口控制区域各混合车群编队状态的实时行驶信息，并对已经存储的各混合车群编队数据进行筛选与比较，与缓存数据对比选择最新数据。

步骤2.1.2，采用云端通信信息主动估计与补偿方案对多路口非理想通信网络进行混合车群信息状态动态估计与通信补偿。利用DBCC控制器使得最小化通信信息补偿后的云端估计值与混合车群真实值之间的系统输出误差。

步骤2.2，接着设计混合车群NPCVF控制器，根据多路口交通控制与管理系统协同优化速度，设计针对一类非线性混合车群编队系统，通过将紧格式动态线性化预测方案与滚动时域预测控制技术相结合，实现混合编队系统的自适应预测与协同控制。具体步骤如下：

步骤2.2.1，综合考虑各混合编队协同行驶的车辆安全性、车辆经济性和交通通行效率，确定算法输入u

步骤2.2.2，在EC控制器中，进入各交叉路口子系统道路i中的混合车群编队c中ICVs被认为是一类MIMO离散时间非线性系统：

y

其中，y

其中，

步骤2.2.3，为了实现混合车群编队系统预期行驶速度的自适应预测，基于PJM的时变矩阵Φ

y

其中，EC控制系统输入的被控混合车群编队中ICVs的位置集合y

y

其中，y

步骤2.2.4，接着给出N步向前预测方程如下所示：

Y

其中，Y

步骤2.2.5，由于A

步骤2.2.6，通过最小化成本函数式(34)，进一步求解得到下式投影算法。

进一步地，由于式(35)中涉及复数矩阵求逆计算，在实际应用中会导致较大的求解困难，因此将PJM估计算法等式(35)进行简化：

步骤2.2.7，若Δu

其中，ΔU

其中，

其中，

步骤2.2.8，接着采用自回归模型预测k+1时间后的PJM矩阵模型，其具体形式为：

其中，j＝1,...,N

步骤2.2.9，接着考虑关于θ的如下准则函数，令

整理得到如下关系式：

其中，δ表示常量。

步骤2.2.10，在上述基础上，根据当前交叉路口子系统内混合车群编队的行驶状态信息和多交叉路口系统交通状态信息，综合考虑混合车群编队协同行驶的安全性能、跟车性能等，设计关于混合车群编队系统的控制器准则函数，如下式所示：

其中，λ是加权因子，λ>0；

进一步地，为了保证交叉路口子系统中混合车群编队内部的跟车安全性(即考虑当前被控车辆为编队中的跟随车辆)，利用等式(42)来计算混合车群编队中ICVs预测范围内的期望行驶位置，其与前车共存在两种运动关系，包括：(1)前方车辆为HDVs；(2)前方车辆为ICVs；具体表达式如下所示：

其中，Y

进一步地，为了避免交叉路口子系统中不同方向混合交通流的交叉冲突、合流冲突和跟车冲突(即考虑当前被控车辆为混合车群编队头车)，通过等式(43)计算混合车群编队ICVs头车预测范围内的期望行驶位置，其与前车共存在三种运动关系，包括：(1)前方为HDVs，且跟车间距小于安全跟车阈值；(2)前方为ICVs，且跟车间距小于安全跟车阈值；(3)前方为HDVs或者ICVs，且跟车间距大于安全跟车阈值；或所控车辆编队为第一个ICVs头车引导的混合车群编队。具体对应关系分别如下式所示：

其中，Y

步骤2.2.11，令

进一步地，当前时刻混合车群编队中ICVs的控制变量为：

其中，

步骤2.2.12，EC控制器利用公式(45)，将云控调节速度指令下发给各混合车群编队中的ICVs，并对各混合车群编队系统中的ICVs与HDVs进行速度引导与跟车协同行驶控制。

步骤2.2.13，为了保证车辆能够准确跟踪EC控制器发送的控制指令，并与前方冲突ICVs或HDVs车辆保持恒定的期望跟车距离和跟车速度，分别针对混合车群编队头车和跟随车辆构造分布式车群节点控制器，实现道路中混合车群编队的稳定行驶。

进一步地，针对混合车群编队头车控制器，车辆需要跟踪EC控制器发送的控制指令，具体如式(46)所示。

进一步地，对于跟随车控制器，车辆除了跟踪EC控制器发送的期望速度和期望位置外，还需要与车群编队头车保持恒定的预期跟驰距离和相同的跟驰速度，以使得混合车群编队能够保持稳定行驶。因此，设计如式(56)所示的分布式控制器。

其中，

根据本发明的非信控多路口混合车群网络化预测与协同控制方法，解决时变时延通信条件下非信控多交叉路口混合交通流难以协调与控制难题，通过计算等价于系统期望状态的参数化控制律，实现混合车群编队预期行驶速度预测以及实现在保证通行安全的前提下，提升在不同MPRs和不同交通流量下多交叉路口系统的交通效率和车辆经济性。

为了实现上述实施例，如图3所示，本实施例中还提供了非信控多路口混合车群网络化预测与协同控制装置10，该装置10包括，初始数据获取模块100、功率波动值计算模块200、结果补偿预测模块300和队列协同控制模块400。

初始数据获取模块100，用于获取各交叉路口子系统的最优道路平均速度；

系统模型构建模块200，用于基于HDVs的不确定性行驶状态和ICVs的时变时延状态信息建立对应的MIMO系统映射模型；

结果补偿预测模块300，用于基于MIMO系统映射模型进行HDVs时变行驶速度的观测与预测以及时变时延条件下ICVs行驶状态的补偿与预测得到补偿预测结果；

队列协同控制模块400，用于基于最优道路平均速度和所述补偿预测结果进行混合车辆队列的预期行驶速度规划，并响应预期行驶速度规划结果使得各混合车辆队列中的ICVs执行控制指令实现混合车辆队列的协同控制。

进一步地，基于HDVs的不确定性行驶状态进行HDVs不确定行驶状态数据映射观测器设计和云端HDVs状态映射预测控制器设计以得到MAPC控制器策略

进一步地，还包括：

基于所述ICVs的时变时延状态信息进行ICVs时变时延DBCC控制器设计得到第一控制器设计结果；

基于预设的协同优化速度进行混合车群NPCVF控制器设计得到第二控制器设计结果；

基于所述第一控制器设计结果和所述第二控制器设计结果得到HNPCC控制器策略。

进一步地，还包括：

利用云端通信信息主动估计与补偿方案对多路口非理想通信网络进行混合车群信息状态动态估计与通信补偿得到云端估计值；

利用DBCC控制器使得最小化通信信息补偿后的云端估计值与混合车群真实值之间的系统输出误差。

进一步地，还包括：

根据多路口交通控制与管理系统协同优化速度设计针对非线性混合车群编队系统得到系统设计结果；

基于所述系统设计结果将紧格式动态线性化预测与滚动时域预测控制进行数据融合，根据数据融合结果实现混合编队系统的自适应预测与协同控制。

根据本发明的非信控多路口混合车群网络化预测与协同控制装置，解决时变时延通信条件下非信控多交叉路口混合交通流难以协调与控制难题，通过计算等价于系统期望状态的参数化控制律，实现混合车群编队预期行驶速度预测以及实现在保证通行安全的前提下，提升在不同MPRs和不同交通流量下多交叉路口系统的交通效率和车辆经济性。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。