一种车路协同下的混流交叉口车辆控制和信号优化方法

技术领域

本发明涉及智能交通领域，尤其涉及一种车路协同下的混流交叉口车辆控制和信号优化方法。

背景技术

近年来，智能交通、交通大数据发展迅速，在未来较长时间内，道路上的交通流将同时包含传统人工驾驶车和智能网联汽车，即从现在由一种车辆组成的同质流过渡为至少由两种车辆组成的混合交通流将是一个大的趋势，与此同时，随着汽车保有量的急剧增长，城市道路交通拥堵问题日益突出。道路交叉口作为道路的相交点，往往是城市道路网络交通流运行的瓶颈。此外，交叉口交通信号灯的控制使得交叉口区域车辆频繁起停及加减速，导致通行效率和汽车燃油经济性较低。车路协同是目前提高交通安全水平、提升交通效率、减少交通排放的重要技术手段。在网联信号交叉口环境下，融合车联网与自动驾驶技术，通过车车通信和车路通信获取周围车辆的运动状态信息以及数百米外信号灯相位与倒计时信息，进而精准地完成轨迹优化控制，实现信号交叉口生态驶入与离开；

之前的研究大多集中于控制车辆的轨迹以实现油耗最小或信号交叉口的通行效率最高或二者兼备，或者通过控制信号交叉口的信号相位和配时来实现上述功能，并没有考虑到联合控制车辆的轨迹和信号交叉口的配时及相位来同时实现交叉口的通行效率最高或者能耗最低；因此，本发明提出一种车路协同下的混流交叉口车辆控制和信号优化方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种车路协同下的混流交叉口车辆控制和信号优化方法。

为了实现上述目的，本发明采用了如下技术方案：

一种车路协同下的混流交叉口车辆控制和信号优化方法，该控制优化方法具体步骤如下：

(1)构建网联信号控制交叉口场景；

(2)构建对应控制模型对车辆进行分类控制；

(3)通过信号模糊控制算法对信号灯进行配时优化；

(4)收集各组信息并进行对比分析。

作为本发明的进一步方案，步骤(1)中所述网联信号控制交叉口场景具体为双向四车道的十字型交叉口场景，且场景内行驶的车辆包含CAV和CHV，两种车辆均具备网联通信能力，其中CAV为完全自动驾驶汽车，具备自主智能感知、决策及控制能力，以及与其他车辆或交通信号灯通信的能力，CHV可与附近车辆实现V2V通信，同时该交叉口场景中交叉口交通信号灯同样具备网联通信能力，可与场景内的车辆实现V2I通信。

作为本发明的进一步方案，步骤(2)中所述分类控制具体步骤如下：

步骤一：检测被控制车辆与其前方车辆之间的距离并将其记作d

步骤二：若CAV车辆检测到前方车辆的存在，则CAV车辆通过基于信号的车辆轨迹控制模型进行车辆轨迹的调整以获得车辆具体的控制策略，并通过所得到的控制策略对CAV车辆进行控制及SUMO仿真，同时对下一辆相同情况下的CAV车辆重复使用该控制策略进行控制以进行整个交叉口车辆状态的实时更新；

步骤三：若CAV车辆检测到前方车辆的存在，同时此时CAV车辆应跟驰前方车辆，且保持与前方车辆之间的安全距离和实现较高的道路资源利用率，此时采用基于跟驰行为的轨迹控制模型进行车辆控制；

步骤四：依据面向实时交通信号信息优化的车辆轨迹控制模型以及跟驰行为的车辆轨迹控制模型构建核心功能模块，同时两组模型会在每个时间步骤中计算出最优的控制指令u，作为CAV车辆的输入，并在车路协同的背景下获取CAV的瞬时输出，并将输出结果输入至开关逻辑算法中进行模型选择；

步骤五：将检测到的d

作为本发明的进一步方案，步骤二中所述基于信号的车辆轨迹控制模型具体表达公式如下：

0≤d

v

a

j

0≤T

公式(1)-(8)中，E(v

步骤三中所述基于跟驰行为的轨迹控制模型具体表达公式如下：

0≤d

v

a

j

0≤T

0≤ω

v

D

VTH＝τ

v

公式(9)-(24)中，ε

作为本发明的进一步方案，步骤(3)中所述信号灯配时优化具体步骤如下：

步骤Ⅰ：给当前允许通行的相位以最短绿灯时间g

步骤Ⅱ：在当前绿灯相位绿灯时间结束前，并将当前绿灯相位以及下一绿灯相位的车辆排队信息和车流到达信息输入到观测模块，经过模糊推理以获取两个相位的交通强度；

步骤Ⅲ：将当前绿灯相位和下一绿灯相位强度输入到决策模块，经过模糊推理以获取当前绿灯相位的绿灯延长时间，若延长时间大于8s，且当前相位以持续绿灯时间g

步骤Ⅳ：若延长时间大于8s，且g

作为本发明的进一步方案，步骤(4)中所述对比分析具体步骤如下：

步骤①：通过Python对SUMO仿真平台进行二次开发，搭建仿真环境，之后收集CAV车辆的瞬时速度与加速度，并通过瞬时汽油消耗函数构建相对应能耗模型；

步骤②：收集各组仿真数据并进行分析，当渗透率越高车辆轨迹与信号联合控制节省的能耗较车辆轨迹控制得到提升，同时随着CAV渗透率的增加，车辆轨迹与信号联合控制下车辆的平均等待时间显著的比固定配时和只控制车辆时的平均等待时间要短；

步骤③：逐步增加仿真环境中的各组车辆，随着车流量的增加，交通流逐渐由自由流过渡到稳定的状态，车辆的能耗呈现上升趋势，车辆轨迹与信号联合控制方案相较于只对车辆轨迹控制方案以及固定配时方案，其对于车辆的平均能耗的下降具有明显的作用，同时，在任一车流量程度下,车辆控制,信号与车辆联合控制两种方式对平均等待时间都具有优化效果.其中信号与车辆联合控制的方式对平均等待时间的优化效果最优。

作为本发明的进一步方案，步骤①中所述能耗模型具体构建公式如下：

F(v,a,t)＝[α+β

式中，α代表恒定的闲置汽油消耗率，β

相比于现有技术，本发明的有益效果在于：

该车路协同下的混流交叉口车辆控制和信号优化方法依据面向实时交通信号信息优化的车辆轨迹控制模型以及跟驰行为的车辆轨迹控制模型构建核心功能模块，并在车路协同的背景下获取CAV的瞬时输出，并将输出结果输入至开关逻辑算法中进行模型选择，同时在当前绿灯相位绿灯时间结束前，并将当前绿灯相位以及下一绿灯相位的车辆排队信息和车流到达信息输入到观测模块，经过模糊推理以获取两个相位的交通强度，将当前绿灯相位和下一绿灯相位强度输入到决策模块，经过模糊推理以获取当前绿灯相位的绿灯延长时间，并依据延长时间长短以及当前相位以持续绿灯时间对交叉口信号灯进行配时优化，通过车辆轨迹与信号联合控制的双层模型优化系统，能够有效的降低了交叉口的车辆能耗和提高了交叉口的通行效率，具有很强的现实意义和应用价值。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的流程框图；

图2为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的开关逻辑下的双层模型预测控制系统内的数据流示意图；

图3为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的模糊控制系统框图；

图4为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的不同CAV渗透率下各方案的车辆平均能耗对比图；

图5为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的不同CAV渗透率下双层控制模型的车辆平均等待时间对比图；

图6为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的不同CAV渗透率下各方案的车辆平均等待时间对比图；

图7为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的不同车流量下各方案的车辆平均能耗对比图；

图8为本发明提出的一种车路协同下的混流交叉口车辆控制和信号优化方法的不同车流量下各方案的车辆平均等待时间对比图。

具体实施方式

参照图1-图8，一种车路协同下的混流交叉口车辆控制和信号优化方法，该控制优化方法具体步骤如下：

构建网联信号控制交叉口场景。

需要进一步说明的是，网联信号控制交叉口场景具体为双向四车道的十字型交叉口场景，且场景内行驶的车辆包含CAV和CHV，两种车辆均具备网联通信能力，其中CAV为完全自动驾驶汽车，具备自主智能感知、决策及控制能力，以及与其他车辆或交通信号灯通信的能力，CHV可与附近车辆实现V2V通信，同时该交叉口场景中交叉口交通信号灯同样具备网联通信能力，可与场景内的车辆实现V2I通信。

构建对应控制模型对车辆进行分类控制。

具体的，参考图2可知，检测被控制车辆与其前方车辆之间的距离并将其记作d

基于信号的车辆轨迹控制模型具体表达公式如下：

0≤d

v

a

j

0≤T

公式(1)-(8)中，E(v

基于跟驰行为的轨迹控制模型具体表达公式如下：

0≤d

v

a

j

0≤T

0≤ω

v

D

VTH＝τ

v

公式(9)-(24)中，ε

通过信号模糊控制算法对信号灯进行配时优化。

具体的，参考图3可知，给当前允许通行的相位以最短绿灯时间g

需要进一步说明的是，观测模块根据检测到的实时交通流来计算当前绿灯相位和下一绿灯相位的交通强度，该模块有2个输入变量，分别被评估相位上下游检测器之间的排队车辆数和该相位的车辆到达率，输出变量为被评估相位的交通强度。车辆到达率为每秒钟车辆到达交叉口进口道的数量，可通过车道检查器测得的一个周期内到达的车辆数来计算；决策模块根据当前相位交通强度和下一相位交通强度，决定当前绿灯相位的绿灯延长时间，该模块有两个输入变量，分别为当前相位交通强度和下一相位交通强度，输出变量为当前绿灯相位延长时间。

收集各组信息并进行对比分析。

具体的，参考图4-图8可知，通过Python对SUMO仿真平台进行二次开发，搭建仿真环境，之后收集CAV车辆的瞬时速度与加速度，并通过瞬时汽油消耗函数构建相对应能耗模型，收集各组仿真数据并进行分析，当渗透率越高车辆轨迹与信号联合控制节省的能耗较车辆轨迹控制得到提升，同时随着CAV渗透率的增加，车辆轨迹与信号联合控制下车辆的平均等待时间显著的比固定配时和只控制车辆时的平均等待时间要短，之后逐步增加仿真环境中的各组车辆，随着车流量的增加，交通流逐渐由自由流过渡到稳定的状态，车辆的能耗呈现上升趋势，车辆轨迹与信号联合控制方案相较于只对车辆轨迹控制方案以及固定配时方案，其对于车辆的平均能耗的下降具有明显的作用，同时，在任一车流量程度下,车辆控制,信号与车辆联合控制两种方式对平均等待时间都具有优化效果.其中信号与车辆联合控制的方式对平均等待时间的优化效果最优。

此外，需要进一步说明的是，能耗模型具体构建公式如下：

F(v,a,t)＝[α+β

式中，α代表恒定的闲置汽油消耗率，β