CN110570049A - 一种高速公路混合交通流汇流协同优化底层控制方法 - Google Patents
一种高速公路混合交通流汇流协同优化底层控制方法 Download PDFInfo
- Publication number
- CN110570049A CN110570049A CN201910886980.2A CN201910886980A CN110570049A CN 110570049 A CN110570049 A CN 110570049A CN 201910886980 A CN201910886980 A CN 201910886980A CN 110570049 A CN110570049 A CN 110570049A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- confluence
- time
- vehicles
- control
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000011217 control strategy Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000011144 upstream manufacturing Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000035484 reaction time Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 32
- 241001122315 Polites Species 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- 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
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Radar, Positioning & Navigation (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种高速公路混合交通流汇流协同优化底层控制方法,属于交通工程领域。该方法包括:确定微观跟驰模型;预测车辆初始轨迹;建立汇流模型;拟制协同控制策略集;判断车辆是否可以顺利完成汇流;若判断结果为车辆可以顺利完成汇流,则车辆继续遵从微观跟驰模型的速度行驶;若判断结果为车辆无法顺利完成汇流,则需进一步判断车辆在汇流过程中出现的具体情况,并据此做出对应的协同控制策略;依据所做出的协同控制策略对目标车辆的行驶轨迹进行优化,得到关于目标车辆的协同优化控制策略,并将其作用于目标车辆,控制目标车辆的运行。通过本发明方法可以使车辆以较高的速度平稳运行,进而提高高速公路匝道在汇流区域的车辆通行能力。
Description
技术领域
本发明涉及一种高速公路混合交通流汇流协同优化底层控制方法,属于交通工程领域。
背景技术
高速公路入口匝道作为整个高速公路***的一个交通需求输入环节,也是拥堵容易产生的一个环节,对于整个高速公路***的流畅平稳运行有十分重要的意义。随着智能网联汽车的出现与发展,未来的高速公路将会面临智能网联汽车与传统人类驾驶车辆混行的交通状况。智能网联汽车与传统人类驾驶车辆混合交通流环境下的决策控制是未来交通出行中需要长期面临的现实问题。因此,研究混合交通流环境下高速公路匝道汇流优化控制具有重要意义。
对于高速公路匝道协同汇流优化控制问题,已有一些模型方法被提出,但现阶段所研究的决策控制方法多为假设自动驾驶车辆渗透率为100%的交通环境设计的决策方法,且仅都是在特定场景下讨论,未能全面地描述自动驾驶车辆与人类驾驶车辆组合排序场景且给出对应的轨迹优化方案。
发明内容
将车辆轨迹优化控制问题定义为底层问题。该底层问题的求解需要根据场景以及优化目标来考虑具体的约束条件,包括道路几何约束、安全约束、车辆类型约束。本发明为解决在人类驾驶车辆(即传统驾驶车辆)和自动驾驶车辆(即智能网联车辆)混行交通状态下高速公路匝道车流汇入主干道时存在的该底层问题,提出一种高速公路混合交通流汇流协同优化底层控制方法。人类驾驶车辆为不可优化控制的车辆,自动驾驶车辆为可优化控制的车辆。
本发明为实现上述发明目的所采取的技术方案如下:
一种高速公路混合交通流汇流协同优化底层控制方法,包括步骤:
S1、确定微观跟驰模型,用所述微观跟驰模型描述车辆的跟驰状态,所述车辆的跟驰状态包括车辆的速度、加速度和位置;
S2、获取混合交通流中车辆在通过汇流区域前的上游监测点的时刻和速度,并用所述微观跟驰模型预测车辆在上游监测点与汇流终点之间的车辆初始轨迹;所述上游监测点与汇流起点之间有一定距离的路段;所述汇流起点位于所述上游监测点和所述汇流终点之间;所述汇流起点和所述汇流终点之间的路段构成所述汇流区域;
S3、基于所述微观跟驰模型,加入加速度约束、距离约束与安全约束,建立汇流模型;
S4、针对混合交通流场景下的汇流过程中可能出现的各种无法顺利完成汇流的情况,拟制协同控制策略集;
S5、基于所述车辆初始轨迹,由所述汇流模型判断车辆是否可以顺利完成汇流;若判断结果为车辆可以顺利完成汇流,则车辆继续遵从所述微观跟驰模型的速度行驶;若判断结果为车辆无法顺利完成汇流,则需进一步判断车辆在汇流过程中出现的具体情况,并依据所述车辆在汇流过程中出现的具体情况对车辆做出所述步骤S4拟制的协同策略集中对应的协同控制策略,进而执行步骤S6;
S6、将参与汇流过程的可优化控制的车辆确定为目标车辆,由步骤S5所做出的协同控制策略对所述目标车辆的行驶轨迹进行优化,并将该优化问题归结为离散时间状态约束的最优控制问题,用动态规划的思想求解得到关于所述目标车辆的协同优化控制策略,并将关于所述目标车辆的协同优化控制策略作用于所述目标车辆,控制所述目标车辆的运行。
进一步地,所述步骤S4具体包括:
假定匝道和主干道均为单向单行车道,匝道上的车辆k将汇入主干道的连续车流的两车辆之间的间隔,所述主干道的连续车流的两车辆分别用车辆和车辆表示,其中车辆表示前车,车辆表示后车;
针对混合交通流场景下的汇流过程中可能出现的各种情况,基于所述微观跟驰模型将车辆车辆k、车辆之间的关系分为可以顺利完成汇流与无法顺利完成汇流;所述无法顺利完成汇流又分为四种情况,第一种情况记为R1,表示车辆k与车辆之间距离太近,不满足可顺利完成汇流的约束条件;第二种情况记为R2,表示车辆k与车辆之间距离太近,不满足可顺利完成汇流的约束条件;第三种情况记为R3,表示车辆k与车辆且与车辆之间满足基本间隔要求但汇流过程不舒适;第四种情况记为R4,表示车辆k与车辆且与车辆之间的距离均太近,不满足可顺利汇流的约束条件;
针对无法顺利完成汇流的四种情况,需要对当中的可优化控制的车辆进行协同控制;用H表示人类驾驶车辆,为不可优化控制的车辆;用A表示自动驾驶车辆,为可优化控制的车辆;用N表示无前车参与或无后车参与汇流;并规定车辆的组合顺序依次为车辆车辆k、车辆(例如:用HAN表示车辆为人类驾驶车辆、车辆k为自动驾驶车辆、车辆为无后车参与汇流。)
基于不同的车辆组合、不同的车型组合,以及所述无法顺利完成汇流的四种情况,拟制协同控制策略集,如下表所示:
上表中,所述无优化是指车辆在对应的无法顺利完成汇流的情况下没有相应的控制策略,此时,匝道上的车辆k将以匝道尽头作为一个停止的虚拟前车,遵循所述微观跟驰模型持续减速甚至停车等待,直到主干道上出现满足可汇流的车辆间隔,车辆k才汇入主干道;
所述控制车辆k加速,是使t时刻车辆k的决策变量uk(t)满足:
且vk(t)+uk(t)τ≤ve;
所述控制车辆k减速,是使t时刻车辆k的决策变量uk(t)满足:
且vk(t)+uk(t)τ≥0;
所述车辆k控制状态未知是对车辆k的控制方式可能是控制车辆k减速,也可能是控制车辆k加速,还可能是不控制车辆k,此时t时刻车辆k的决策变量uk(t)满足:
vk(t)+uk(t)τ≤ve,
且vk(t)+uk(t)τ≥0;
所述不控制车辆k,是使t时刻车辆k的决策变量uk(t)满足:
即uk(t)=0;
所述控制车辆加速,是使t时刻车辆的决策变量满足:
且
所述不控制车辆是使t时刻车辆的决策变量满足:
即
所述控制车辆减速,是使t时刻车辆的决策变量满足:
且
所述不控制车辆是使t时刻车辆的决策变量满足:
即
其中,uk(t)作为t时刻车辆k的决策变量,表示在t时刻车辆k的加速度;vk(t)是车辆k在t时刻的速度;是根据所述微观跟驰模型所预测的车辆k在t+τ时刻的安全跟驰速度(其中Lk(t)表示在t时刻车辆k与其跟驰前车之间的相对距离,vk(t)表示车辆k在t时刻的速度,表示车辆k的跟驰前车在t时刻的速度);作为t时刻车辆的决策变量,表示在t时刻车辆的加速度;是车辆在t时刻的速度;是根据所述微观跟驰模型所预测的车辆在t+τ时刻的安全跟驰速度(其中表示在t时刻车辆与其跟驰前车之间的相对距离,表示车辆在t时刻的速度,表示车辆的跟驰前车在t时刻的速度);作为t时刻车辆的决策变量,表示在t时刻车辆的加速度;是车辆在t时刻的速度;是根据所述微观跟驰模型所预测的车辆在t+τ时刻的安全跟驰速度(其中表示在t时刻车辆与其跟驰前车之间的相对距离,表示车辆在t时刻的速度,表示车辆的跟驰前车在t时刻的速度);τ是车辆驾驶的反应时间;ve是期望速度。
进一步地,所述步骤S6具体包括:
S6-1、基于所述微观跟驰模型预测目标车辆进入控制区域的时刻为t0,离开控制区域的时刻为tf;并将t0到tf的时间按离散时间间隔τ′平均分为N段,即N=(tf-t0)/τ′,定义控制决策时刻为t0+τ′,t0+2τ′,t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf;所述控制区域为控制起点和所述汇流终点之间的路段;所述控制起点位于所述上游监测点和所述汇流起点之间;
S6-2、根据目标车辆在t0时刻的状态,计算目标车辆在t0+τ′时刻的容许状态集,以及目标车辆从t0时刻的状态到t0+τ′时刻的容许状态集中各个容许状态的转移成本;所述目标车辆在t0时刻的状态包括目标车辆在t0时刻的速度和位置;
S6-3、根据目标车辆在t0+τ′时刻的容许状态集,计算目标车辆在t0+2τ′时刻的容许状态集,以及目标车辆从t0+τ′时刻的状态到t0+2τ′时刻的容许状态集中各个容许状态的转移成本和累计成本;
S6-4、根据步骤S6-3的方法依次计算目标车辆在t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf时刻的容许状态集,并计算得到tf时刻的容许状态集中的各个容许状态的累计成本;
S6-5、判断目标车辆在tf时刻的容许状态集中的各个容许状态是否满足可以顺利完成汇流的条件,并将满足条件的容许状态纳入最终容许状态集中;
S6-6、选择最终容许状态集中累计成本最小的容许状态作为tf时刻的最优状态;
S6-7、根据tf时刻的最优状态逆推得到t0+τ′,t0+2τ′,t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf各时刻的最优状态,并将每个最优状态对应的控制决策纳入协同优化控制策略;
S6-8、根据所述协同优化控制策略对目标车辆在所述控制区域间的运行进行控制。
进一步地,构建微观交通流仿真环境,对比不同交通情景下优化前后的仿真结果。
与现有技术相比,本发明方法的有益效果是:
本发明提供的一种高速公路混合交通流汇流协同优化底层控制方法是对混合交通流状态下的高度公路匝道汇流过程进行建模,并针对自动驾驶车辆与人类驾驶车辆的各种混合排列组合场景分别给出了相应的协同汇流轨迹优化策略,本方法可用于分析不同交通状态、不同自动驾驶车辆渗透率等对交通的影响。本方法以微观跟驰模型描述微观的车辆跟驰状态,考虑高速公路的交通特征、几何约束、安全约束,将协同汇流轨迹优化问题归结为离散时间状态约束最优控制问题,并提出一种基于动态规划的求解方法来有效地解决这一问题,通过此方法可以使车辆以较高的速度平稳运行,进而提高了高速公路匝道在汇流区域的车辆通行能力,同时提高了车辆的平均行驶时间和路段交通流的稳定性。
通过大量仿真实验证明,在引入协同汇流轨迹优化控制策略时,可以有效减少汇流行为下的车辆冲突次数,并且能有效提高汇流效率:单个匝道通行能力提高8%~10%。
下面通过具体实施方式及附图对本发明作进一步详细说明,但并不意味着对本发明保护范围的限制。
附图说明
图1是本发明实施例中高速公路匝道在混合交通流场景下的汇流示意图。
图2是本发明实施例中车辆无法顺利完成汇流的第一种情况(R1)的示意图。
图3是本发明实施例中车辆无法顺利完成汇流的第二种情况(R2)的示意图。
图4是本发明实施例中车辆无法顺利完成汇流的第三种情况(R3)的示意图。
图5是本发明实施例中车辆无法顺利完成汇流的第四种情况(R4)的示意图。
图6是本发明实施例中参与汇流过程的车辆组合和车型组合为HHA的三辆车,在无法顺利完成汇流的第二种情况(R2)下,且在无协同优化控制情况下的汇流轨迹图。
图7是本发明实施例中参与汇流过程的车辆组合和车型组合为HHA的三辆车,在无法顺利完成汇流的第二种情况(R2)下,且在有协同优化控制情况下的汇流轨迹图。
图8是本发明实施例中参与汇流过程的车辆组合和车型组合为HAH的三辆车,在无法顺利完成汇流的第一种情况(R1)下,且在无协同优化控制情况下的汇流轨迹图。
图9是本发明实施例中参与汇流过程的车辆组合和车型组合为HAH的三辆车,在无法顺利完成汇流的第一种情况(R1)下,且在有协同优化控制情况下的汇流轨迹图。
具体实施方式
下面结合附图,通过对实施例的描述,对本发明的具体实施方式作进一步的说明。
一种高速公路混合交通流汇流协同优化底层控制方法,包括步骤:
S1、确定微观跟驰模型,用所述微观跟驰模型描述车辆的跟驰状态,所述车辆的跟驰状态包括车辆的速度、加速度和位置;
S2、获取混合交通流中车辆在通过汇流区域前的上游监测点的时刻和速度,并用所述微观跟驰模型预测车辆在上游监测点与汇流终点之间的车辆初始轨迹;所述上游监测点与汇流起点之间有一定距离的路段;所述汇流起点位于所述上游监测点和所述汇流终点之间;所述汇流起点和所述汇流终点之间的路段构成所述汇流区域;
S3、基于所述微观跟驰模型,加入加速度约束、距离约束与安全约束,建立汇流模型;
S4、针对混合交通流场景下的汇流过程中可能出现的各种无法顺利完成汇流的情况,拟制协同控制策略集;
S5、基于所述车辆初始轨迹,由所述汇流模型判断车辆是否可以顺利完成汇流;若判断结果为车辆可以顺利完成汇流,则车辆继续遵从所述微观跟驰模型的速度行驶;若判断结果为车辆无法顺利完成汇流,则需进一步判断车辆在汇流过程中出现的具体情况,并依据所述车辆在汇流过程中出现的具体情况对车辆做出所述步骤S4拟制的协同策略集中对应的协同控制策略,进而执行步骤S6;
S6、将参与汇流过程的可优化控制的车辆确定为目标车辆,由步骤S5所做出的协同控制策略对所述目标车辆的行驶轨迹进行优化,并将该优化问题归结为离散时间状态约束的最优控制问题,用动态规划的思想求解得到关于所述目标车辆的协同优化控制策略,并将关于所述目标车辆的协同优化控制策略作用于所述目标车辆,控制所述目标车辆的运行。
实施例
如图1所示,为高速公路匝道在混合交通流场景下的汇流示意图,其中主干道和匝道均为单向单行车道,主干道上有若干自动驾驶车辆A和人类驾驶车辆H无规则排列的车流,匝道上有若干自动驾驶车辆A和人类驾驶车辆H无规则排列的车流需要通过汇流区域汇入主干道上的车流之间。假定主干道和匝道上的自动驾驶车辆A和人类驾驶车辆H均遵循微观跟驰模型。
S1、确定微观跟驰模型,用微观跟驰模型描述车辆的跟驰状态,车辆的跟驰状态包括车辆的速度、加速度和位置。
其中,微观跟驰模型如下:
v(t+τ)=vmic(L(t),v(t),vlead(t)), (1)
u(t)=(v(t+τ)-v(t))/τ, (2)
x(t+τ)=x(t)-v(t)τ-0.5u(t)τ2, (3)
方程(1)为一般化的车辆跟驰模型,描述车辆在t+τ时刻的速度,其中,L(t)为t时刻车辆与其跟驰前车的车间距;v(t)为t时刻车辆的速度,vlead(t)为t时刻车辆所跟驰的前车的速度。u(t)表示t时刻车辆的加速度。车辆在t时刻的位置用x(t)表示,在t+τ时刻的位置用x(t+τ)表示。
S2、获取混合交通流中车辆在通过汇流区域前的上游监测点的时刻和速度,并用微观跟驰模型预测车辆在上游监测点与汇流终点之间的车辆初始轨迹;上游监测点与汇流起点之间有一定距离的路段;汇流起点位于上游监测点和汇流终点之间;汇流起点和汇流终点之间的路段构成汇流区域。
S3、基于微观跟驰模型,加入加速度约束、距离约束与安全约束,建立汇流模型。
其中,汇流模型如下:
假设匝道上的车辆k处于汇流区域,它将汇入主干道的连续车流的两车辆和之间,其中车辆为前车,车辆为后车。
方程(4)用来表示汇流效用,反映汇流时的舒适度,是以汇流时的车间距以及汇流时匝道上的汇流车辆k和主干道后车的加速度来标定。其中,表示的是汇流行为在不受约束条件限制时的汇流效用。la为车辆车身长,为自动驾驶车辆与前车的最小安全车头距离,为人类驾驶车辆与前车的最小安全车头距离。汇流时,汇流车辆k实际跟驰主干道前车运行,而主干道后车实际跟驰汇流车辆k运行,它们的加速度都可以根据车辆跟驰模型计算得到。表示车辆k的加速度的绝对值;表示主干道后车的加速度的绝对值;bsafe表示最大允许减速度。ΦA为自动驾驶车辆集合,ΦH为人类驾驶车辆集合。η1和η2分别表示安全系数与礼貌系数,安全系数η1为常数,礼貌系数η2采用分段连续形式,如方程(5)所示,Vth是给定的速度阈值,ve为期望速度,β1和β2为常数。方程(6)中lk(t+τ)表示汇流决策,值为0则表示车辆k在t+τ时刻无法顺利完成汇流,值为1则表示车辆k在t+τ时刻可以顺利完成汇流。
S4、针对混合交通流场景下的汇流过程中可能出现的各种无法顺利完成汇流的情况,拟制协同控制策略集。具体如下:
假定匝道和主干道均为单向单行车道,匝道上的车辆k将汇入主干道的连续车流的两车辆之间的间隔,主干道的连续车流的两车辆分别用车辆和车辆表示,其中车辆表示前车,车辆表示后车。
针对混合交通流场景下的汇流过程中可能出现的各种情况,基于微观跟驰模型将车辆车辆k、车辆之间的关系分为可以顺利完成汇流与无法顺利完成汇流;无法顺利完成汇流分为四种情况:第一种情况记为R1,如图2所示,表示车辆k与车辆之间距离太近,不满足可顺利完成汇流的约束条件;第二种情况记为R2,如图3所示,表示车辆k与车辆之间距离太近,不满足可顺利完成汇流的约束条件;第三种情况记为R3,如图4所示,表示车辆k与车辆且与车辆之间满足基本间隔要求但汇流过程不舒适;第四种情况记为R4,如图5所示,表示车辆k与车辆且与车辆之间的距离均太近,不满足可顺利汇流的约束条件。
针对无法顺利完成汇流的四种情况,需要对当中的可优化控制的车辆进行协同控制;用H表示人类驾驶车辆,为不可优化控制的车辆;用A表示自动驾驶车辆,为可优化控制的车辆;用N表示无前车参与或无后车参与汇流;并规定车辆的组合顺序依次为车辆车辆k、车辆例如:用HAN表示车辆为人类驾驶车辆、车辆k为自动驾驶车辆、车辆为无后车参与汇流。
基于不同的车辆组合、不同的车型组合,以及所述无法顺利完成汇流的四种情况,拟制协同控制策略集,如下表所示:
上表中,无优化是指车辆在对应的无法顺利完成汇流的情况下没有相应的控制策略,此时,匝道上的车辆k将以匝道尽头作为一个停止的虚拟前车,遵循微观跟驰模型持续减速甚至停车等待,直到主干道上出现满足可汇流的车辆间隔,车辆k才汇入主干道;
控制车辆k加速,是使t时刻车辆k的决策变量uk(t)满足:
且vk(t)+uk(t)τ≤ve; (7-1)
控制车辆k减速,是使t时刻车辆k的决策变量uk(t)满足:
且vk(t)+uk(t)τ≥0; (7-2)
车辆k控制状态未知是对车辆k的控制方式可能是控制车辆k减速,也可能是控制车辆k加速,还可能是不控制车辆k,此时t时刻车辆k的决策变量uk(t)满足:
vk(t)+uk(t)τ≤ve,
且vk(t)+uk(t)τ≥0; (7-3)
不控制车辆k,是使t时刻车辆k的决策变量uk(t)满足:
控制车辆加速,是使t时刻车辆的决策变量满足:
且
不控制车辆是使t时刻车辆的决策变量满足:
控制车辆减速,是使t时刻车辆的决策变量满足:
且
不控制车辆是使t时刻车辆的决策变量满足:
其中,uk(t)作为t时刻车辆k的决策变量,表示在t时刻车辆k的加速度;vk(t)是车辆k在t时刻的速度;是根据微观跟驰模型所预测的车辆k在t+τ时刻的安全跟驰速度;作为t时刻车辆的决策变量,表示在t时刻车辆的加速度;是车辆在t时刻的速度;是根据微观跟驰模型所预测的车辆在t+τ时刻的安全跟驰速度;作为t时刻车辆的决策变量,表示在t时刻车辆的加速度;是车辆在t时刻的速度;是根据微观跟驰模型所预测的车辆在t+τ时刻的安全跟驰速度;τ是车辆驾驶的反应时间;ve是期望速度。
S5、基于车辆初始轨迹,由汇流模型判断车辆是否可以顺利完成汇流;若判断结果为车辆可以顺利完成汇流,则车辆继续遵从微观跟驰模型的速度行驶;若判断结果为车辆无法顺利完成汇流,则需进一步判断车辆在汇流过程中出现的具体情况,并依据车辆在汇流过程中出现的具体情况对车辆做出步骤S4拟制的协同策略集中对应的协同控制策略,进而执行步骤S6。
S6、将参与汇流过程的可优化控制的车辆确定为目标车辆,由步骤S5所做出的协同控制策略对目标车辆的行驶轨迹进行优化,并将该优化问题归结为离散时间状态约束的最优控制问题,用动态规划的思想求解得到关于目标车辆的协同优化控制策略,并将关于目标车辆的协同优化控制策略作用于目标车辆,控制目标车辆的运行。具体如下:
S6-1、基于微观跟驰模型预测目标车辆进入控制区域的时刻为t0,离开控制区域的时刻为tf;并将t0到tf的时间按离散时间间隔τ′平均分为N段,即N=(tf-t0)/τ′,定义控制决策时刻t为t0+τ′,t0+2τ′,t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf;控制区域为控制起点和汇流终点之间的路段;控制起点位于上游监测点和汇流起点之间;
S6-2、根据目标车辆在t0时刻的状态,计算目标车辆在t0+τ′时刻的容许状态集,以及目标车辆从t0时刻的状态到t0+τ′时刻的容许状态集中各个容许状态的转移成本;目标车辆在t0时刻的状态包括目标车辆在t0时刻的速度和位置;
S6-3、根据目标车辆在t0+τ′时刻的容许状态集,计算目标车辆在t0+2τ′时刻的容许状态集,以及目标车辆从t0+τ′时刻的状态到t0+2τ′时刻的容许状态集中各个容许状态的转移成本和累计成本;
S6-4、根据步骤S6-3的方法依次计算目标车辆在t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf时刻的容许状态集,并计算得到tf时刻的容许状态集中的各个容许状态的累计成本;
S6-5、判断目标车辆在tf时刻的容许状态集中的各个容许状态是否满足可以顺利完成汇流的条件,并将满足条件的容许状态纳入最终容许状态集中;
S6-6、选择最终容许状态集中累计成本最小的容许状态作为tf时刻的最优状态;
S6-7、根据tf时刻的最优状态逆推得到t0+τ′,t0+2τ′,t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf各时刻的最优状态,并将每个最优状态对应的控制决策纳入协同优化控制策略;
S6-8、根据协同优化控制策略对目标车辆在控制区域间的运行进行控制。
步骤S6用动态规划的思想求解得到关于目标车辆的协同优化控制策略,模型如下:
将目标车辆记为目标车辆i。目标函数方程(8)表示目标车辆i在控制区间内,行驶足够平缓且行驶速度接近期望速度,ve为期望速度。方程(9)表示目标车辆i的初始状态,即目标车辆i在t0时刻的状态。方程(10)与(11)表示目标车辆的过渡状态,方程(12)则是对汇流车辆k最终状态的汇流效用约束。K为车辆组合,表示匝道和主干道上直接参与汇流的车辆组合,且K∈{K1,K2,K3},车辆组合表示直接参与汇流的车辆有车辆k、车辆车辆车辆组合表示直接参与汇流的车辆有车辆k、车辆车辆组合表示直接参与汇流的车辆有车辆车辆k;而目标车辆i是车辆组合K中可优化控制的车辆。定义目标车辆i在每个阶段n的一组容许状态(即每个决策时刻的容许状态集),表示为Belman递推公式如方程(13)和方程(14)所示,用于求解子问题。方程(13)表示目标车辆i从初始状态(t0时刻的状态)到第1阶段(t0+τ时刻)的转移成本;第1阶段(t0+τ时刻)的容许状态是 为第1阶段(t0+τ时刻)的容许状态集。方程(14)中,是指每个子问题的目标值,即目标车辆i从初始状态(t0时刻的状态)到第n阶段(t0+nτ时刻)的累计成本;第n-1阶段(t0+(n-1)τ时刻)的容许状态是第n阶段(t0+nτ时刻)的容许状态是 为第n阶段(t0+nτ时刻)的容许状态集;是从第n-1阶段(t0+(n-1)τ时刻)的容许状态到第n阶段(t0+nτ时刻)的容许状态的转移成本,用方程(15)表示。
本发明方法通过MATLAB编程建立微观交通流仿真环境(包括车辆跟驰与汇流),计算机编程实现高速公路混合交通流的仿真实验环境的参数及取值如下表所示:
图6给出了参与汇流过程的车辆组合和车型组合为HHA的三辆车,在无法顺利完成汇流的第二种情况(R2)下,且在无协同优化控制情况下的汇流轨迹图,其中图(a)为位置-时间关系图,图(b)为速度-时间关系图,图(c)为加速度-时间关系图。
图7给出了参与汇流过程的车辆组合和车型组合为HHA的三辆车,在无法顺利完成汇流的第二种情况(R2)下,且在有协同优化控制情况下的汇流轨迹图,其中图(a)为位置-时间关系图,图(b)为速度-时间关系图,图(c)为加速度-时间关系图。
对比优化前、后的汇流轨迹图,从速度-时间关系图(图6中(b)和图7中(b))以及加速度-时间关系图(图6中(c)和图7中(c))中可以看出,参与汇流的车辆在有协同优化控制情况下要比在无协同优化控制情况下的运行速度高且平稳,汇流车辆也能以较为平滑的速度尽早的完成汇流。
图8给出了参与汇流过程的车辆组合和车型组合为HAH的三辆车,在无法顺利完成汇流的第一种情况(R1)下,且在无协同优化控制情况下的汇流轨迹图,其中图(a)为位置-时间关系图,图(b)为速度-时间关系图,图(c)为加速度-时间关系图。
图9给出了参与汇流过程的车辆组合和车型组合为HAH的三辆车,在无法顺利完成汇流的第一种情况(R1)下,且在有协同优化控制情况下的汇流轨迹图,其中图(a)为位置-时间关系图,图(b)为速度-时间关系图,图(c)为加速度-时间关系图。
对比优化前、后的汇流轨迹图,从速度-时间关系图(图8中(b)和图9中(b))以及加速度-时间关系图(图8中(c)和图9中(c))中可以看出,参与汇流的车辆在有协同优化控制情况下要比在无协同优化控制情况下的运行速度高且平稳,主干道后车受到汇流行为影响也较小。
上述结合附图对本发明进行了示例性描述,显然本发明的具体实现并不受本文所示的实施例限制。
Claims (4)
1.一种高速公路混合交通流汇流协同优化底层控制方法,其特征在于,包括步骤:
S1、确定微观跟驰模型,用所述微观跟驰模型描述车辆的跟驰状态,所述车辆的跟驰状态包括车辆的速度、加速度和位置;
S2、获取混合交通流中车辆在通过汇流区域前的上游监测点的时刻和速度,并用所述微观跟驰模型预测车辆在上游监测点与汇流终点之间的车辆初始轨迹;所述上游监测点与汇流起点之间有一定距离的路段;所述汇流起点位于所述上游监测点和所述汇流终点之间;所述汇流起点和所述汇流终点之间的路段构成所述汇流区域;
S3、基于所述微观跟驰模型,加入加速度约束、距离约束与安全约束,建立汇流模型;
S4、针对混合交通流场景下的汇流过程中可能出现的各种无法顺利完成汇流的情况,拟制协同控制策略集;
S5、基于所述车辆初始轨迹,由所述汇流模型判断车辆是否可以顺利完成汇流;若判断结果为车辆可以顺利完成汇流,则车辆继续遵从所述微观跟驰模型的速度行驶;若判断结果为车辆无法顺利完成汇流,则需进一步判断车辆在汇流过程中出现的具体情况,并依据所述车辆在汇流过程中出现的具体情况对车辆做出所述步骤S4拟制的协同策略集中对应的协同控制策略,进而执行步骤S6;
S6、将参与汇流过程的可优化控制的车辆确定为目标车辆,由步骤S5所做出的协同控制策略对所述目标车辆的行驶轨迹进行优化,并将该优化问题归结为离散时间状态约束的最优控制问题,用动态规划的思想求解得到关于所述目标车辆的协同优化控制策略,并将关于所述目标车辆的协同优化控制策略作用于所述目标车辆,控制所述目标车辆的运行。
2.根据权利要求1所述高速公路混合交通流汇流协同优化底层控制方法,其特征在于,所述步骤S4具体包括:
假定匝道和主干道均为单向单行车道,匝道上的车辆k将汇入主干道的连续车流的两车辆之间的间隔,所述主干道的连续车流的两车辆分别用车辆和车辆表示,其中车辆表示前车,车辆表示后车;
针对混合交通流场景下的汇流过程中可能出现的各种情况,基于所述微观跟驰模型将车辆车辆k、车辆之间的关系分为可以顺利完成汇流与无法顺利完成汇流;所述无法顺利完成汇流又分为四种情况,第一种情况记为R1,表示车辆k与车辆之间距离太近,不满足可顺利完成汇流的约束条件;第二种情况记为R2,表示车辆k与车辆之间距离太近,不满足可顺利完成汇流的约束条件;第三种情况记为R3,表示车辆k与车辆且与车辆之间满足基本间隔要求但汇流过程不舒适;第四种情况记为R4,表示车辆k与车辆且与车辆之间的距离均太近,不满足可顺利汇流的约束条件;
针对无法顺利完成汇流的四种情况,需要对当中的可优化控制的车辆进行协同控制;用H表示人类驾驶车辆,为不可优化控制的车辆;用A表示自动驾驶车辆,为可优化控制的车辆;用N表示无前车参与或无后车参与汇流;并规定车辆的组合顺序依次为车辆车辆k、车辆
基于不同的车辆组合、不同的车型组合,以及所述无法顺利完成汇流的四种情况,拟制协同控制策略集,如下表所示:
上表中,所述无优化是指车辆在对应的无法顺利完成汇流的情况下没有相应的控制策略,此时,匝道上的车辆k将以匝道尽头作为一个停止的虚拟前车,遵循所述微观跟驰模型持续减速甚至停车等待,直到主干道上出现满足可汇流的车辆间隔,车辆k才汇入主干道;
所述控制车辆k加速,是使t时刻车辆k的决策变量uk(t)满足:
且vk(t)+uk(t)τ≤ve;
所述控制车辆k减速,是使t时刻车辆k的决策变量uk(t)满足:
且vk(t)+uk(t)τ≥0;
所述车辆k控制状态未知是对车辆k的控制方式可能是控制车辆k减速,也可能是控制车辆k加速,还可能是不控制车辆k,此时t时刻车辆k的决策变量uk(t)满足:
vk(t)+uk(t)τ≤ve,
且vk(t)+uk(t)τ≥0;
所述不控制车辆k,是使t时刻车辆k的决策变量uk(t)满足:
即uk(t)=0;
所述控制车辆加速,是使t时刻车辆的决策变量满足:
且
所述不控制车辆是使t时刻车辆的决策变量满足:
即
所述控制车辆减速,是使t时刻车辆的决策变量满足:
且
所述不控制车辆是使t时刻车辆的决策变量满足:
即
其中,uk(t)作为t时刻车辆k的决策变量,表示在t时刻车辆k的加速度;vk(t)是车辆k在t时刻的速度;是根据所述微观跟驰模型所预测的车辆k在t+τ时刻的安全跟驰速度;作为t时刻车辆的决策变量,表示在t时刻车辆的加速度;是车辆在t时刻的速度;是根据所述微观跟驰模型所预测的车辆在t+τ时刻的安全跟驰速度;作为t时刻车辆的决策变量,表示在t时刻车辆的加速度;是车辆在t时刻的速度;是根据所述微观跟驰模型所预测的车辆在t+τ时刻的安全跟驰速度;τ是车辆驾驶的反应时间;ve是期望速度。
3.根据权利要求1所述高速公路混合交通流汇流协同优化底层控制方法,其特征在于,所述步骤S6具体包括:
S6-1、基于所述微观跟驰模型预测目标车辆进入控制区域的时刻为t0,离开控制区域的时刻为tf;并将t0到tf的时间按离散时间间隔τ′平均分为N段,即N=(tf-t0)/τ′,定义控制决策时刻为t0+τ′,t0+2τ′,t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf;所述控制区域为控制起点和所述汇流终点之间的路段;所述控制起点位于所述上游监测点和所述汇流起点之间;
S6-2、根据目标车辆在t0时刻的状态,计算目标车辆在t0+τ′时刻的容许状态集,以及目标车辆从t0时刻的状态到t0+τ′时刻的容许状态集中各个容许状态的转移成本;所述目标车辆在t0时刻的状态包括目标车辆在t0时刻的速度和位置;
S6-3、根据目标车辆在t0+τ′时刻的容许状态集,计算目标车辆在t0+2τ′时刻的容许状态集,以及目标车辆从t0+τ′时刻的状态到t0+2τ′时刻的容许状态集中各个容许状态的转移成本和累计成本;
S6-4、根据步骤S6-3的方法依次计算目标车辆在t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf时刻的容许状态集,并计算得到tf时刻的容许状态集中的各个容许状态的累计成本;
S6-5、判断目标车辆在tf时刻的容许状态集中的各个容许状态是否满足可以顺利完成汇流的条件,并将满足条件的容许状态纳入最终容许状态集中;
S6-6、选择最终容许状态集中累计成本最小的容许状态作为tf时刻的最优状态;
S6-7、根据tf时刻的最优状态逆推得到t0+τ′,t0+2τ′,t0+3τ′,t0+4τ′,…,t0+(N-1)τ′,tf各时刻的最优状态,并将每个最优状态对应的控制决策纳入协同优化控制策略;
S6-8、根据所述协同优化控制策略对目标车辆在所述控制区域间的运行进行控制。
4.根据权利要求1-3任一所述高速公路混合交通流汇流协同优化底层控制方法,其特征在于,构建微观交通流仿真环境,对比不同交通情景下优化前后的仿真结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886980.2A CN110570049B (zh) | 2019-09-19 | 2019-09-19 | 一种高速公路混合交通流汇流协同优化底层控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886980.2A CN110570049B (zh) | 2019-09-19 | 2019-09-19 | 一种高速公路混合交通流汇流协同优化底层控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570049A true CN110570049A (zh) | 2019-12-13 |
CN110570049B CN110570049B (zh) | 2022-04-29 |
Family
ID=68781088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910886980.2A Active CN110570049B (zh) | 2019-09-19 | 2019-09-19 | 一种高速公路混合交通流汇流协同优化底层控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570049B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978260A (zh) * | 2019-03-26 | 2019-07-05 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
CN111583640A (zh) * | 2020-04-30 | 2020-08-25 | 重庆大学 | 基于车路协同的上匝道协同并道控制方法 |
CN111583644A (zh) * | 2020-05-08 | 2020-08-25 | 重庆大学 | 一种混合交通快速路上匝道汇流区网联自动车控制方法 |
CN111599194A (zh) * | 2020-05-27 | 2020-08-28 | 中汽研汽车检验中心(天津)有限公司 | 高速公路入口匝道异质交通流车速引导***及引导方法 |
CN111754774A (zh) * | 2020-07-02 | 2020-10-09 | 清华大学 | 一种高速路匝道口智能网联汽车安全自组织通行控制方法 |
CN111785088A (zh) * | 2020-06-23 | 2020-10-16 | 大连理工大学 | 一种网联车辆匝道合并的双层协同优化方法 |
CN112735126A (zh) * | 2020-12-24 | 2021-04-30 | 成都格林希尔德交通科技有限公司 | 一种基于模型预测控制的混合交通流协同优化控制方法 |
CN113033883A (zh) * | 2021-03-12 | 2021-06-25 | 西南交通大学 | 一种混合交通流环境下的优化控制和收益分配方法 |
CN113055474A (zh) * | 2021-03-12 | 2021-06-29 | 成都格林希尔德交通科技有限公司 | 一种微观路权交易*** |
CN113071481A (zh) * | 2021-04-09 | 2021-07-06 | 长沙智能驾驶研究院有限公司 | 一种车辆控制方法、装置、计算机可读存储介质及车辆 |
CN113479204A (zh) * | 2020-03-16 | 2021-10-08 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
CN113781770A (zh) * | 2021-08-13 | 2021-12-10 | 同济大学 | 一种模拟双离合式的合流区车路协同控制*** |
CN114201847A (zh) * | 2020-10-12 | 2022-03-18 | 扬州纽维尔科技有限公司 | 一种混合交通流下多车轨迹控制的简化方法 |
CN114655214A (zh) * | 2022-04-24 | 2022-06-24 | 重庆长安汽车股份有限公司 | 一种驶经汇流口的分段控制方法和控制*** |
CN114707364A (zh) * | 2022-06-02 | 2022-07-05 | 西南交通大学 | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 |
CN115131965A (zh) * | 2022-06-23 | 2022-09-30 | 重庆长安汽车股份有限公司 | 车辆控制方法、装置、***、电子设备及存储介质 |
CN115188184A (zh) * | 2022-06-20 | 2022-10-14 | 海信集团控股股份有限公司 | 一种车辆限速处理方法、设备及装置 |
CN115620541A (zh) * | 2022-09-09 | 2023-01-17 | 交通运输部公路科学研究所 | 智能车辆汇入方法、装置及智慧公路信息物理*** |
CN116153137A (zh) * | 2022-12-28 | 2023-05-23 | 清华大学 | 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 |
CN118038702A (zh) * | 2024-03-11 | 2024-05-14 | 北京工业大学 | 混行场景下车道通行能力上下限计算与分析方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102368351A (zh) * | 2011-10-19 | 2012-03-07 | 北京航空航天大学 | 一种消解无信号交叉口两车交通冲突的方法 |
CN102662320A (zh) * | 2012-03-05 | 2012-09-12 | 吴建平 | 一种基于模糊数学的车辆跟驰模拟方法 |
CN105631793A (zh) * | 2015-12-18 | 2016-06-01 | 华南理工大学 | 一种车流拥堵中车辆群自主协同调度的智能疏导方法 |
US20180276986A1 (en) * | 2017-03-22 | 2018-09-27 | Toyota Research Institute, Inc. | Vehicle-to-human communication in an autonomous vehicle operation |
CN108806252A (zh) * | 2018-06-19 | 2018-11-13 | 西南交通大学 | 一种高速公路混合交通流协同优化控制方法 |
CN108986488A (zh) * | 2018-07-23 | 2018-12-11 | 东南大学 | 一种车车通信环境下匝道汇入协同轨迹确定方法及设备 |
-
2019
- 2019-09-19 CN CN201910886980.2A patent/CN110570049B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102368351A (zh) * | 2011-10-19 | 2012-03-07 | 北京航空航天大学 | 一种消解无信号交叉口两车交通冲突的方法 |
CN102662320A (zh) * | 2012-03-05 | 2012-09-12 | 吴建平 | 一种基于模糊数学的车辆跟驰模拟方法 |
CN105631793A (zh) * | 2015-12-18 | 2016-06-01 | 华南理工大学 | 一种车流拥堵中车辆群自主协同调度的智能疏导方法 |
US20180276986A1 (en) * | 2017-03-22 | 2018-09-27 | Toyota Research Institute, Inc. | Vehicle-to-human communication in an autonomous vehicle operation |
CN108806252A (zh) * | 2018-06-19 | 2018-11-13 | 西南交通大学 | 一种高速公路混合交通流协同优化控制方法 |
CN108986488A (zh) * | 2018-07-23 | 2018-12-11 | 东南大学 | 一种车车通信环境下匝道汇入协同轨迹确定方法及设备 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978260B (zh) * | 2019-03-26 | 2023-02-21 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
CN109978260A (zh) * | 2019-03-26 | 2019-07-05 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
CN113479204A (zh) * | 2020-03-16 | 2021-10-08 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
CN113479204B (zh) * | 2020-03-16 | 2024-05-07 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
CN111583640B (zh) * | 2020-04-30 | 2022-04-22 | 重庆大学 | 基于车路协同的上匝道协同并道控制方法 |
CN111583640A (zh) * | 2020-04-30 | 2020-08-25 | 重庆大学 | 基于车路协同的上匝道协同并道控制方法 |
CN111583644A (zh) * | 2020-05-08 | 2020-08-25 | 重庆大学 | 一种混合交通快速路上匝道汇流区网联自动车控制方法 |
CN111599194B (zh) * | 2020-05-27 | 2024-06-18 | 中汽研汽车检验中心(天津)有限公司 | 高速公路入口匝道异质交通流车速引导***及引导方法 |
CN111599194A (zh) * | 2020-05-27 | 2020-08-28 | 中汽研汽车检验中心(天津)有限公司 | 高速公路入口匝道异质交通流车速引导***及引导方法 |
CN111785088A (zh) * | 2020-06-23 | 2020-10-16 | 大连理工大学 | 一种网联车辆匝道合并的双层协同优化方法 |
CN111754774B (zh) * | 2020-07-02 | 2022-04-19 | 清华大学 | 一种高速路匝道口智能网联汽车安全自组织通行控制方法 |
CN111754774A (zh) * | 2020-07-02 | 2020-10-09 | 清华大学 | 一种高速路匝道口智能网联汽车安全自组织通行控制方法 |
CN114201847A (zh) * | 2020-10-12 | 2022-03-18 | 扬州纽维尔科技有限公司 | 一种混合交通流下多车轨迹控制的简化方法 |
CN112735126A (zh) * | 2020-12-24 | 2021-04-30 | 成都格林希尔德交通科技有限公司 | 一种基于模型预测控制的混合交通流协同优化控制方法 |
CN113055474A (zh) * | 2021-03-12 | 2021-06-29 | 成都格林希尔德交通科技有限公司 | 一种微观路权交易*** |
CN113033883A (zh) * | 2021-03-12 | 2021-06-25 | 西南交通大学 | 一种混合交通流环境下的优化控制和收益分配方法 |
CN113071481A (zh) * | 2021-04-09 | 2021-07-06 | 长沙智能驾驶研究院有限公司 | 一种车辆控制方法、装置、计算机可读存储介质及车辆 |
CN113781770A (zh) * | 2021-08-13 | 2021-12-10 | 同济大学 | 一种模拟双离合式的合流区车路协同控制*** |
CN113781770B (zh) * | 2021-08-13 | 2023-03-31 | 同济大学 | 一种模拟双离合式的合流区车路协同控制*** |
CN114655214A (zh) * | 2022-04-24 | 2022-06-24 | 重庆长安汽车股份有限公司 | 一种驶经汇流口的分段控制方法和控制*** |
CN114655214B (zh) * | 2022-04-24 | 2024-04-26 | 重庆长安汽车股份有限公司 | 一种驶经汇流口的分段控制方法和控制*** |
CN114707364B (zh) * | 2022-06-02 | 2022-09-02 | 西南交通大学 | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 |
CN114707364A (zh) * | 2022-06-02 | 2022-07-05 | 西南交通大学 | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 |
CN115188184B (zh) * | 2022-06-20 | 2024-03-19 | 海信集团控股股份有限公司 | 一种车辆限速处理方法、设备及装置 |
CN115188184A (zh) * | 2022-06-20 | 2022-10-14 | 海信集团控股股份有限公司 | 一种车辆限速处理方法、设备及装置 |
CN115131965B (zh) * | 2022-06-23 | 2023-07-07 | 重庆长安汽车股份有限公司 | 车辆控制方法、装置、***、电子设备及存储介质 |
CN115131965A (zh) * | 2022-06-23 | 2022-09-30 | 重庆长安汽车股份有限公司 | 车辆控制方法、装置、***、电子设备及存储介质 |
CN115620541A (zh) * | 2022-09-09 | 2023-01-17 | 交通运输部公路科学研究所 | 智能车辆汇入方法、装置及智慧公路信息物理*** |
CN116153137A (zh) * | 2022-12-28 | 2023-05-23 | 清华大学 | 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 |
CN116153137B (zh) * | 2022-12-28 | 2024-05-31 | 清华大学 | 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 |
CN118038702A (zh) * | 2024-03-11 | 2024-05-14 | 北京工业大学 | 混行场景下车道通行能力上下限计算与分析方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN110570049B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570049B (zh) | 一种高速公路混合交通流汇流协同优化底层控制方法 | |
CN110473404B (zh) | 一种城市十字交叉口混合交通流协同优化底层控制方法 | |
CN108806252B (zh) | 一种高速公路混合交通流协同优化控制方法 | |
CN110599772B (zh) | 一种基于双层规划的混合交通流协同优化控制方法 | |
CN110298131B (zh) | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 | |
CN107117170B (zh) | 一种基于经济性驾驶的实时预测巡航控制*** | |
CN110992695B (zh) | 基于冲突消解的车辆城市交叉口通行决策多目标优化方法 | |
CN106991846B (zh) | 一种车联网环境下的高速公路车辆强制换道控制方法 | |
CN112614340B (zh) | 支路车辆汇入主路的方法、装置、电子设备及存储介质 | |
CN111081065A (zh) | 路段混行条件下的智能车辆协同换道决策模型 | |
CN113276884B (zh) | 一种可变博弈模式的智能车交互决策通行方法及*** | |
CN112735126B (zh) | 一种基于模型预测控制的混合交通流协同优化控制方法 | |
CN111994088A (zh) | 基于混合策略博弈的驾驶人换道意图识别方法及*** | |
CN115376346A (zh) | 混行条件下快速路合流区多模式驾驶车辆协同交汇方法 | |
CN113823076B (zh) | 一种基于联网车辆协调控制的即停即走路段缓堵方法 | |
CN116895163A (zh) | 基于信号灯主动通信的多车协同控制方法和*** | |
CN114023108B (zh) | 一种混合交通流变道模型及变道仿真方法 | |
CN114475608A (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
CN113223324B (zh) | 高速匝道入口合流的控制方法 | |
CN114394092A (zh) | 基于车车通信的混合车流汽车协同自适应巡航控制方法 | |
CN116129627B (zh) | 一种智能网联车队下匝道前的协同换道策略 | |
CN117315955A (zh) | 一种基于深度强化学习的智能网联车辆入匝道协同控制方法 | |
CN114201847B (zh) | 一种混合交通流下多车轨迹控制的简化方法 | |
CN114399922B (zh) | 考虑公交优先的交叉口网联自动驾驶车辆轨迹控制方法 | |
Gundana et al. | To merge early or late: Analysis of traffic flow and energy impact in a reduced lane scenario |
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 |