CN110599772A - 一种基于双层规划的混合交通流协同优化控制方法 - Google Patents
一种基于双层规划的混合交通流协同优化控制方法 Download PDFInfo
- Publication number
- CN110599772A CN110599772A CN201910887658.1A CN201910887658A CN110599772A CN 110599772 A CN110599772 A CN 110599772A CN 201910887658 A CN201910887658 A CN 201910887658A CN 110599772 A CN110599772 A CN 110599772A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- stage
- model
- time
- 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
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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/075—Ramp control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于双层规划的混合交通流协同优化控制方法,属于交通工程领域。该方法是采用基于动态规划递归的双层优化模型进行混合交通流协同决策控制,适用于混合交通流中的不同交通场景,包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口;该双层优化模型包括上层模型和下层模型,上层模型是一个用动态规划递归求解的车辆排序问题,下层模型是一个用动态规划递归求解的在不同交通场景中的单次车辆轨迹优化问题;建立上层模型和下层模型,并求解该模型。由上层模型和下层模型共同保证***车辆运行最优,从而在混合交通流环境下,减少车辆在汇流或合流或通过交叉路口的过程中的车辆冲突,有效提高车辆的通行效率与舒适性。
Description
技术领域
本发明涉及一种基于双层规划的混合交通流协同优化控制方法,属于交通工程领域。
背景技术
全球定位***(GPS)、无线通信、先进传感和自动控制等新技术促使自动驾驶车辆(即智能网联车辆,为可优化控制的车辆,CAV)的快速发展。自动驾驶车辆被定义为能够感知并与驾驶环境通信的车辆,并且车辆的运行(部分或全部)可以在没有驾驶员操作的情况下进行。相较于传统的人类驾驶车辆(不可优化控制的车辆)的难以协同性,自动驾驶车辆具有更好的可控性和协同性。因此,这可能会带来诸如提高燃油/能源效率、交通安全和交通稳定性等好处。在自动驾驶车辆百分百普及以前,混合交通(即人类驾驶车辆和自动驾驶车辆混行的状态)将会成为道路交通的一种主要方式。在混合交通流环境下,各种交通场景诸如高速路口匝道汇流、交叉路口或丁字路口合流等情况下,自动驾驶车辆可能会和人类驾驶车辆之间发生交通冲突,从而造成一定的危害。用科学的理论框架、建模方法进行混合交通流协同决策控制,从而减少或消除交通冲突,并且使车辆轨迹得到一定程度优化成为未来交通中需要长期面临的现实问题。
既有的自动驾驶车辆相关研究大多是基于自动驾驶车辆渗透率为100%的假设下进行的,且大多是从宏观角度出发进行研究。微观层面的模型也多专注于研究自动驾驶车辆的单车轨迹优化,无法保证***层面的优化。鲜有从微观角度出发,研究以***最优为目的的混合交通流协同决策控制优化模型。针对各种微观交通场景,诸如十字路口、丁字路口以及高速公路匝道合流等情况进行混合交通流环境下的协同决策控制,以最大程度的消除交通冲突确保交通运行效率和通行能力的研究基本没有。
发明内容
本发明的目的是针对现有技术存在的不足,从微观角度出发,研究以***最优为目的的混合交通流协同决策控制优化模型,提出了一种基于双层规划的混合交通流协同优化控制方法,该方法适用于无交通信号灯指示情况下的交通场景。混合交通流是指由若干可优化控制的车辆和不可优化控制的车辆混行构成的交通流。
本发明为实现上述发明目的所采取的技术方案如下:
一种基于双层规划的混合交通流协同优化控制方法,该方法是采用基于动态规划递归的双层优化模型进行混合交通流协同决策控制,适用于混合交通流中的不同交通场景,所述不同交通场景包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口;所述双层优化模型包括上层模型和下层模型;所述上层模型是一个用动态规划递归求解的车辆排序问题;所述下层模型是一个用动态规划递归求解的在不同交通场景中的单次车辆轨迹优化问题;
该方法包括步骤:
S1、建立所述上层模型,包括:
S1-1、确定所述上层模型的划分阶段、状态变量和决策变量,具体如下:
所述上层模型的划分阶段:假定X道路和Y道路为两条有交叉的单向单行道路,X道路上有n辆车需要依次汇入或通过Y道路上车辆间存在的m+1个间隔,并将X道路上的每一单次车辆汇入或通过Y道路的行为表示为一个阶段,记X道路上的第k辆车汇入或通过Y道路的行为为第k阶段,其中k=1,2,3,…,n;
所述上层模型的状态变量:第k阶段可供X道路上第k辆车汇入或通过Y道路的车辆间隔数,用sk表示;
所述上层模型的决策变量:每个阶段所做的决策,表示第k阶段X道路上第k辆车在可汇入或通过Y道路的sk个车辆间隔中选择具体的第xk个车辆间隔汇入或通过;
S1-2、确定所述上层模型的状态转移方程、费用函数和目标函数,具体如下:
所述上层模型的状态转移方程:
设定初始条件为s0=m+1;
所述上层模型的状态转移方程表明,当k=1时,sk=s1表示在第1阶段可供X道路上第1辆车汇入或通过Y道路的车辆间隔数为m+1个;当k=2,3,…,n时,在第k-1阶段时X道路上的第k-1辆车选择了第xk-1个车辆间隔作为汇入或通过Y道路后状态变量sk的变化;s0=m+1表示在初始状态下可供X道路上车辆汇入或通过Y道路的车辆间隔数为m+1个;
所述上层模型的费用函数:
所述上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数,其中表示第k阶段在协同优化控制策略作用下X道路上的第k辆车在汇入或通过可供第k辆车汇入或通过Y道路的sk个车辆间隔产生的所有可能费用消耗;是指Y道路上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车流,因前车受车辆汇入或通过的影响,而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗;
所述上层模型的目标函数:
设定初始条件为f0(s0)=0;
所述上层模型的目标函数fk(sk)表示第1阶段至第k阶段的***车辆的累计费用消耗,f0(s0)=0表示在初始状态下***成本为0;
S2、建立所述下层模型,包括:
S2-1、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,并预测车辆初始轨迹;所述车辆的跟驰状态包括车辆的速度、加速度和位置;
S2-2、建立用于判别第k阶段X道路上的第k辆车是否可以顺利汇入或通过Y道路的条件约束模型;
S2-3、针对混合交通场景下的第k阶段X道路上的第k辆车汇入或通过Y道路的过程中可能出现的各种情况,拟制协同控制策略集;
S2-4、基于步骤S2-1预测的车辆初始轨迹,由步骤S2-2建立的条件约束模型依次判断第k阶段X道路上的第k辆车汇入或通过Y道路上可供第k辆车汇入或通过Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况,并依据第k阶段X道路上的第k辆车在汇入或通过Y道路上可供第k辆车汇入或通过Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况分别做出步骤S2-3拟制的协同控制策略集中对应的协同控制策略;
S2-5、将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆;分别依据步骤S2-4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;
S2-6、计算第k阶段在协同优化控制策略作用下X道路上的第k辆车汇入或通过可供第k辆车汇入或通过Y道路的sk个车辆间隔的所有可能费用消耗(作为上层模型动态规划递归求解过程中的一个输入);
S3、求解所述双层优化模型:
S3-1、求解所述上层模型,确定***车辆的累计费用消耗在最低时的所述上层模型的每个阶段所做的决策;
S3-2、由步骤S3-1确定的所述上层模型的每个阶段所做的决策逆推得到所述下层模型X道路上的每个单次车辆汇入或通过Y道路的车辆优化轨迹;
S4、由步骤S3求解得到所述双层优化模型的以***最优为目的的混合交通流协同决策,并将其作用于***车辆,控制***车辆的运行。
进一步的,所述步骤S2-3具体为:
根据第k阶段X道路上第k辆车在可供第k辆车汇入或通过Y道路的sk个车辆间隔中选择具体的第xk个车辆间隔汇入或通过,将X道路上的第k辆车记为车辆k,位于Y道路上第xk个车辆间隔的前车记为车辆后车记为车辆进一步定义车辆组合K,表示X道路和Y道路上直接参与第k阶段的车辆组合,且K∈{K1,K2,K3},车辆组合表示参与第k阶段的车辆有车辆车辆k、车辆车辆组合表示参与第k阶段的车辆有车辆k、车辆此时位于Y道路上第xk个车辆间隔处无前车参与;车辆组合表示参与第k阶段的车辆有车辆车辆k,此时位于Y道路上第xk个车辆间隔处无后车参与;
基于所述微观跟驰模型预测的车辆轨迹,将车辆车辆k、车辆之间的关系分为车辆k可以顺利汇入或通过车辆和车辆之间的间隔,车辆k无法顺利汇入或通过车辆和车辆之间的间隔;所述车辆k无法顺利汇入或通过车辆和车辆之间的间隔又分为四种情况:第一种情况记为R1,表示车辆k与车辆之间距离太近,不满足可以顺利汇入或通过的约束条件;第二种情况记为R2,表示车辆k与车辆之间距离太近,不满足可以顺利汇入或通过的约束条件;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入或通过的过程不舒适;第四种情况记为R4,表示车辆k与车辆且与车辆之间均不满足可以顺利汇入或通过的约束条件;
基于不同的车辆组合、不同的车型组合,以及车辆k是否可以顺利汇入或通过车辆和车辆之间的间隔的不同情况,拟制协同控制策略集,具体包括:
参与第k阶段的车辆情况的集合表达式如下:
或1或NaN,
αk=0或1,
或1或NaN,
rk=0或1或2或3或4,
其中,αk、分别表示车辆车辆k、车辆的车辆类型,数值0表示车辆类型为不可优化控制的车辆,数值1表示车辆类型为可优化控制的车辆,符号NaN表示没有车辆;rk表示车辆车辆k、车辆之间的关系,rk=0表示车辆k可以顺利汇入或通过车辆和车辆之间的间隔,rk=1表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R1,rk=2表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R2,rk=3表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R3,rk=4表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R4;
参与第k阶段的车辆情况的具体列表如下:
针对参与第k阶段的车辆情况拟制对应的协同控制策略:
定义第k阶段下层模型在t时刻的决策变量反映第k阶段车辆在t时刻的加速度,且其中为第k阶段下层模型在t时刻的决策变量集;
对于车辆k:
当 时,车辆k在t时刻的决策变量uk(t)需满足:
当时,车辆k在t时刻的决策变量uk(t)需满足:
当时,车辆k在t时刻的决策变量uk(t)需满足:vk(t)+uk(t)τ≤ve;
对于车辆
当 时,车辆在t时刻的决策变量需满足:
当时,车辆在t时刻的决策变量需满足:且
对于车辆
当 时,车辆在t时刻的决策变量需满足:
当时,车辆在t时刻的决策变量需满足:且
其中,表示参与第k阶段的车辆情况;τ是车辆驾驶的反应时间;vk(t)、分别表示车辆k、车辆车辆在t时刻的速度; 分别是车辆k、车辆车辆根据所述微观跟驰模型所预测的在t时刻的车辆安全跟驰加速度; 分别是车辆k、车辆车辆根据所述微观跟驰模型所预测的在t+τ时刻的车辆安全跟驰速度;ve是期望速度;(上述中,Lk(t)表示在t时刻车辆k与其跟驰前车之间的相对距离,表示车辆k的跟驰前车在t时刻的速度;表示在t时刻车辆与其跟驰前车之间的相对距离,表示车辆的跟驰前车在t时刻的速度;表示在t时刻车辆与其跟驰前车之间的相对距离,表示车辆的跟驰前车在t时刻的速度。)
若第k-1阶段的车辆为目标车辆并对其做出协同优化控制,则该车辆在第k阶段作为车辆参与时将被视作不可优化控制的车辆处理,用表达式表示如下:
进一步的,所述下层模型的目标函数为:
设定初始成本为
设定初始状态变量为
其中,记第k阶段的目标车辆为目标车辆i;表示第k阶段目标车辆i进入控制区域的时刻;表示第k阶段目标车辆i离开控制区域的时刻;将到的时间按离散时间间隔τ′平均分为N段,即定义控制决策时刻为所述下层模型的目标函数表示第k阶段对目标车辆i进行协同优化控制后,从时刻到t时刻的费用消耗;表示第k阶段下层模型在t时刻的决策指标函数;为第k阶段下层模型在t时刻的状态变量,反映第k阶段目标车辆i在t时刻的车辆位置和速度;为第k阶段下层模型在t时刻的决策变量,反映第k阶段目标车辆i在t时刻的车辆加速度;为第k阶段下层模型在t时刻的决策变量集;初始状态变量为表示第k阶段目标车辆i在时刻的车辆位置和速度。
进一步的,所述第k阶段下层模型在t时刻的决策指标函数具体为:
当k=1时,
当k=2,3,…,n时,
其中,表示第1阶段下层模型在t时刻的决策指标函数;表示第k阶段下层模型在t时刻的决策指标函数;表示第k阶段的目标车辆进入控制区域的时刻;表示第k-1阶段的目标车辆离开控制区域的时刻;表示第k阶段的目标车辆离开控制区域的时刻。
进一步的,所述步骤1-2中的Y道路上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆,记为车辆i′,因前车受车辆汇入或通过的影响,而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的成本消耗具体为:
其中,表示车辆i′属于Y道路上第k-1阶段的后车和第k阶段的前车之间的车辆。
进一步的,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:
本发明提供的一种基于双层规划的混合交通流协同优化控制方法是运用双层优化模型的上层模型通过寻找在不同交通场景(包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口)下的***最优的车辆序列,即寻找X道路上的n辆车汇入或通过Y道路上车辆间存在的m+1个间隔的最优序列,来保证混合交通流协同决策控制的***最优;该双层优化模型的下层模型根据不同场景下的协同控制策略分类,并基于相应的微观跟驰模型和用于判别X道路上的车辆是否可以顺利汇入或通过Y道路的条件约束模型,对单次车辆汇流或车辆合流或车辆通过交叉路口的过程中的车辆轨迹进行优化控制,使X道路上的车辆可以顺利汇入或通过Y道路且车辆轨迹最优。下层模型中的目标函数得到的车辆轨迹优化结果将作为上层模型动态规划递归求解过程中的一个输入。由上层模型和下层模型共同保证***车辆运行最优,从而在混合交通流环境下,减少车辆在汇流或合流或通过交叉路口的过程中的车辆冲突,有效提高车辆的通行效率与舒适性。
该方法可以普遍应用于各种微观交通场景,包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口等,只需对上、下层模型做出针对性地改动即可适用,因此该方法具有一定的普遍适用性。
通过大量仿真运行结果表明,运用此双层优化模型可以改变车辆汇入或通过车辆间隔的顺序,在协同优化控制策略作用下,大多数车辆都能以较高的速度行驶,加速度曲线更平滑。当自动驾驶车辆(即可优化控制的车辆)渗透率较高时,汇流区域段的通行能力提高近18%。在该混合交通流协同优化控制机制下,可使路段的通行能力进一步提高10%~15%。
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是本发明实施例双层优化模型的基本架构图。
图2是本发明实施例一高速公路匝道在混合交通流场景下的车辆汇流示意图。
图3是本发明实施例一在GIPPS跟驰模型下,自动驾驶车辆渗透率与路段通行能力的基本图。
图4是本发明实施例一当自动驾驶车辆渗透率为90%,且未受双层优化模型控制时,匝道上23辆车通过汇流区域段的微观运行轨迹图。
图5是本发明实施例一当自动驾驶车辆渗透率为90%,且受双层优化模型控制时,匝道上23辆车通过汇流区域段的微观运行轨迹图。
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。
一种基于双层规划的混合交通流协同优化控制方法,该方法是采用基于动态规划递归的双层优化模型进行混合交通流协同决策控制,适用于混合交通流中的不同交通场景,所述不同交通场景包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口;所述双层优化模型包括上层模型和下层模型;所述上层模型是一个用动态规划递归求解的车辆排序问题;所述下层模型是一个用动态规划递归求解的在不同交通场景中的单次车辆轨迹优化问题。如图1所示,为本发明实施例双层优化模型的基本架构图。
实施例一
本实施例以高速公路匝道车辆汇流为例对该发明方法进行说明。
如图2所示,为高速公路匝道在混合交通流场景下的车辆汇流示意图,其中主干道(即Y道路)和匝道(即X道路)均为单向单行道路,主干道上有若干自动驾驶车辆A(即可优化控制的车辆)和人类驾驶车辆H(即不可优化控制的车辆)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。
上层模型描述:高速公路匝道车辆汇流即匝道上的车辆依次汇入主干道的过程,从第一辆匝道车辆准备汇入时起为初始阶段开始时间,之后下一辆匝道车辆汇入便是下一个阶段。其中,第一辆匝道车辆面对主干道上若干个可汇入车辆间隔的选择,随着各匝道车辆的成功汇流,主干道上可汇入车辆间隔的数量也发生相应的变化。上层动态规划模型主要是寻找匝道车辆汇入主干道车辆间隔的最优序列。
下层模型描述:高速公路匝道汇流区域,车辆正常运行时,同一车道上的车流根据微观跟驰模型进行跟车行为,即主干道上的车辆以及匝道上的车辆k均遵从微观跟驰模型进行行驶。假设当匝道上车辆k进入汇流区域时,车辆k可观察到主干道上的冲突车辆和此时,根据车辆k和车辆之间的相对距离是否符合可汇流的条件;若符合,则车辆k成功汇入主干道;若不符合,则判断车辆k不能成功汇流的原因,并运用对应的协同控制策略结合动态规划,对车辆行驶轨迹进行优化,并计算相应的消耗。
该方法包括步骤:
S1、建立所述上层模型,包括:
S1-1、确定所述上层模型的划分阶段、状态变量和决策变量,具体如下:
所述上层模型的划分阶段:假定主干道和匝道均为单向单行道路,匝道上有n辆车需要依次汇入主干道上车辆间存在的m+1个间隔,并将匝道上的每一单次车辆汇入主干道的行为表示为一个阶段,记匝道上的第k辆车汇入主干道的行为为第k阶段,其中k=1,2,3,…,n。
所述上层模型的状态变量:第k阶段可供匝道路上第k辆车汇入主干道的车辆间隔数,用sk表示。
所述上层模型的决策变量:每个阶段所做的决策,表示第k阶段匝道上第k辆车在可汇入主干道的sk个车辆间隔中选择具体的第xk个车辆间隔汇入。
S1-2、确定所述上层模型的状态转移方程、费用函数和目标函数,具体如下:
所述上层模型的状态转移方程:
设定初始条件为s0=m+1;
所述上层模型的状态转移方程表明,当k=1时,sk=s1表示在第1阶段可供匝道上第1辆车汇入主干道的车辆间隔数为m+1个;当k=2,3,…,n时,在第k-1阶段时匝道上的第k-1辆车选择了第xk-1个车辆间隔作为汇入主干道后状态变量sk的变化;s0=m+1表示在初始状态下可供匝道上车辆汇入主干道的车辆间隔数为m+1个。
所述上层模型的费用函数:
所述上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数,其中表示第k阶段在协同优化控制策略作用下匝道上的第k辆车在汇入可供第k辆车汇入主干道的sk个车辆间隔产生的所有可能费用消耗;是指主干道上没有直接参与到车辆汇流过程的车流,因前车受车辆汇入的影响,而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗;
上述的数学表达式如下:
其中,表示车辆i′属于主干道上第k-1阶段的后车和第k阶段的前车之间的车辆。
所述上层模型的目标函数:
设定初始条件为f0(s0)=0;
所述上层模型的目标函数fk(sk)表示第1阶段至第k阶段的***车辆的累计费用消耗,f0(s0)=0表示在初始状态下***成本为0。
S2、建立所述下层模型,包括:
S2-1、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,并预测车辆初始轨迹;所述车辆的跟驰状态包括车辆的速度、加速度和位置。
上述微观跟驰模型可以选择具体的微观跟驰模型,诸如GIPPS跟驰模型、IDM/EIDM跟驰模型等,具体模型选取可根据仿真情况好坏再做判别。
本实施例选用GIPPS跟驰模型,如下:
v(t+τ)=min(ve,v(t)+aτ,vsafe),
l(t+τ)=l(t)-v(t)τ-0.5u(t)τ2,
上述用v(t+τ)表示车辆在t+τ时刻的速度,其中ve为期望速度,v(t)+aτ表示以恒定加速度a加速得到的速度,vsafe表示安全速度。τ为车辆驾驶的反应时间;b为恒定减速度;v(t)表示车辆在t时刻的速度;u(t)表示车辆在t时刻的加速度;l(t)表示车辆在t时刻的位置;vlead(t)表示车辆所跟驰的前车在t时刻的速度;llead(t)表示车辆所跟驰的前车在t时刻的位置;la表示车辆车身长;L0表示车辆与该车辆所跟驰的前车之间的最小安全跟驰距离。
S2-2、建立用于判别第k阶段匝道上的第k辆车是否可以顺利汇入主干道的条件约束模型。
假设匝道上的第k辆车(记为车辆k)处于汇流区域(即z1<lk(t)≤z0),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,用下列条件约束模型(即汇流模型)来判别车辆k是否可以顺利汇入主干道:
上述用Uk(t)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,为自动驾驶车辆汇流的最小安全距离,为人类驾驶车辆汇流的最小安全距离。汇流时,匝道上的汇流车辆k实际跟驰主干道上的前车运行,而主干道上的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;表示主干道上的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,vth是给定的速度阈值,ve为期望速度,β1和β2为常数。用Ik(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。当汇流决策Ik(t+τ)的值为0,即车辆k在无法顺利完成汇流时,匝道上的车辆k会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。
S2-3、针对混合交通场景下的第k阶段匝道上的第k辆车汇入主干道的过程中可能出现的各种情况,拟制协同控制策略集。具体为:
根据第k阶段匝道上第k辆车在可供第k辆车汇入主干道的sk个车辆间隔中选择具体的第xk个车辆间隔汇入,将匝道上的第k辆车记为车辆k,位于主干道上第xk个车辆间隔的前车记为车辆后车记为车辆进一步定义车辆组合K,表示匝道和主干道上直接参与第k阶段的车辆组合,且K∈{K1,K2,k3},车辆组合表示参与第k阶段的车辆有车辆车辆k、车辆车辆组合表示参与第k阶段的车辆有车辆k、车辆此时位于主干道上第xk个车辆间隔处无前车参与;车辆组合表示参与第k阶段的车辆有车辆车辆k,此时位于主干道上第xk个车辆间隔处无后车参与;
基于所述微观跟驰模型预测的车辆轨迹,将车辆车辆k、车辆之间的关系分为车辆k可以顺利汇入车辆和车辆之间的间隔,车辆k无法顺利汇入车辆和车辆之间的间隔;所述车辆k无法顺利汇入车辆和车辆之间的间隔又分为四种情况:第一种情况记为R1,表示车辆k与车辆之间距离太近,不满足可以顺利汇入的约束条件;第二种情况记为R2,表示车辆k与车辆之间距离太近,不满足可以顺利汇入的约束条件;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入的过程不舒适;第四种情况记为R4,表示车辆k与车辆且与车辆之间均不满足可以顺利汇入的约束条件;
基于不同的车辆组合、不同的车型组合,以及车辆k是否可以顺利汇入车辆和车辆之间的间隔的不同情况,拟制协同控制策略集,具体包括:
参与第k阶段的车辆情况的集合表达式如下:
或1或NaN,
αk=0或1,
或1或NaN,
rk=0或1或2或3或4,
其中,αk、分别表示车辆车辆k、车辆的车辆类型,数值0表示车辆类型为人类驾驶车辆,数值1表示车辆类型为自动驾驶车辆,符号NaN表示没有车辆;rk表示车辆车辆k、车辆之间的关系,rk=0表示车辆k可以顺利汇入车辆和车辆之间的间隔,rk=1表示车辆k无法顺利汇入车辆和车辆之间的间隔的情况R1,rk=2表示车辆k无法顺利汇入车辆和车辆之间的间隔的情况R2,rk=3表示车辆k无法顺利汇入车辆和车辆之间的间隔的情况R3,rk=4表示车辆k无法顺利汇入车辆和车辆之间的间隔的情况R4;
参与第k阶段的车辆情况的具体列表如下:
针对参与第k阶段的车辆情况拟制对应的协同控制策略:
定义第k阶段下层模型在t时刻的决策变量反映第k阶段车辆在t时刻的加速度,且其中为第k阶段下层模型在t时刻的决策变量集;
对于车辆k:
当 时,车辆k在t时刻的决策变量uk(t)需满足:
当时,车辆k在t时刻的决策变量uk(t)需满足:
当时,车辆k在t时刻的决策变量uk(t)需满足:vk(t)+uk(t)τ≤ve;
对于车辆
当 时,车辆在t时刻的决策变量需满足:
当时,车辆在t时刻的决策变量需满足:且
对于车辆
当 时,车辆在t时刻的决策变量需满足:
当时,车辆在t时刻的决策变量需满足:且
其中,表示参与第k阶段的车辆情况;τ是车辆驾驶的反应时间;vk(t)、分别表示车辆k、车辆车辆在t时刻的速度; 分别是车辆k、车辆车辆根据所述微观跟驰模型所预测的在t时刻的车辆安全跟驰加速度; 分别是车辆k、车辆车辆根据所述微观跟驰模型所预测的在t+τ时刻的车辆安全跟驰速度;ve是期望速度。
若第k-1阶段的车辆为目标车辆并对其做出协同优化控制,则该车辆在第k阶段作为车辆参与时将被视作人类驾驶车辆处理,用表达式表示如下:
S2-4、基于步骤S2-1预测的车辆初始轨迹,由步骤S2-2建立的条件约束模型依次判断第k阶段匝道上的第k辆车汇入主干道上可供第k辆车汇入主干道的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况,并依据第k阶段匝道上的第k辆车在汇入主干道上可供第k辆车汇入主干道的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况分别做出步骤S2-3拟制的协同控制策略集中对应的协同控制策略。
S2-5、将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆;分别依据步骤S2-4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。
S2-6、计算第k阶段在协同优化控制策略作用下匝道上的第k辆车汇入可供第k辆车汇入主干道的sk个车辆间隔的所有可能费用消耗
所述下层模型的目标函数为:
设定初始成本为
设定初始状态变量为
其中,记第k阶段的目标车辆为目标车辆i;表示第k阶段目标车辆i进入控制区域的时刻;表示第k阶段目标车辆i离开控制区域的时刻;将到的时间按离散时间间隔τ′平均分为N段,即定义控制决策时刻为所述下层模型的目标函数表示第k阶段对目标车辆i进行协同优化控制后,从时刻到t时刻的费用消耗;表示第k阶段下层模型在t时刻的决策指标函数;为第k阶段下层模型在t时刻的状态变量,反映第k阶段目标车辆i在t时刻的车辆位置和速度;为第k阶段下层模型在t时刻的决策变量,反映第k阶段目标车辆i在t时刻的车辆加速度;为第k阶段下层模型在t时刻的决策变量集;初始状态变量为表示第k阶段目标车辆i在时刻的车辆位置和速度。
所述第k阶段下层模型在t时刻的决策指标函数具体为:
当k=1时,
当k=2,3,…,n时,
其中,表示第1阶段下层模型在t时刻的决策指标函数;表示第k阶段下层模型在t时刻的决策指标函数;表示第k阶段的目标车辆进入控制区域的时刻;表示第k-1阶段的目标车辆离开控制区域的时刻;表示第k阶段的目标车辆离开控制区域的时刻。
S3、求解所述双层优化模型:
S3-1、求解所述上层模型,确定***车辆的累计费用消耗在最低时的所述上层模型的每个阶段所做的决策;
S3-2、由步骤S3-1确定的所述上层模型的每个阶段所做的决策逆推得到所述下层模型匝道上的每个单次车辆汇入主干道的车辆优化轨迹。
S4、由步骤S3求解得到所述双层优化模型的以***最优为目的的混合交通流协同决策,并将其作用于***车辆,控制***车辆的运行。
该方法通过编程建立微观交通流仿真环境,计算机编程实现该仿真实验环境的参数及取值如下表所示:
图3为本实施例在GIPPS跟驰模型下,自动驾驶车辆渗透率与路段通行能力的基本图,显示了在汇流区域段正下游观察到的不同自动驾驶车辆渗透率的流量-密度关系。其中,图A表示100%自动驾驶车辆与100%人类驾驶车辆的流量-密度关系的比较;图B、C、D分别反映了自动驾驶车辆渗透率为30%、50%、70%的情况下的流量-密度关系。由图3可以发现:在自动驾驶车辆的渗透率为0,即所有车辆均为人类驾驶车辆时,路段通行能力约为2244veh/h;当自动驾驶车辆的渗透率为50%,即人类驾驶车辆与自动驾驶车辆的比例为1:1时,与自动驾驶车辆的渗透率为0时相比较,路段通行能力约提高11.8%,约达到2508veh/h;当自动驾驶车辆的渗透率为100%,即所有车辆均为自动驾驶车辆时,与自动驾驶车辆的渗透率为0时相比较,路段通行能力约提高17.7%,约达到2640veh/h。使用其他微观跟驰模型的实验也显示了类似的结果。由此得出结论:若自动驾驶车辆渗透率增加,则路段的通行能力得到提高。
图4是本实施例当自动驾驶车辆渗透率为90%,且未受双层优化模型控制时,匝道上23辆车通过汇流区域段的微观运行轨迹图。其中,图(a)为速度-时间关系图,图(b)为加速度-时间关系图。
图5是本实施例当自动驾驶车辆渗透率为90%,且受双层优化模型控制时,匝道上23辆车通过汇流区域段的微观运行轨迹图。其中,图(a)为速度-时间关系图,图(b)为加速度-时间关系图。
通过对比图4和图5可以发现:运用本发明的双层优化模型可以改变车辆汇流顺序,从而保证全局最优。在协同优化控制策略作用下,大多数车辆都能以较高的速度行驶,加速度曲线更平滑。当自动驾驶车辆渗透率较高时,在该混合交通流协同优化控制机制下,可使路段的通行能力进一步提高10%~15%。
实施例二
本实施例以交叉路口车辆合流为例对该发明方法进行说明。
交叉路口车辆合流:X道路和Y道路为有交叉的两条单向单行道路,Y道路上有若干自动驾驶车辆(即可优化控制的车辆)和人类驾驶车辆(即不可优化控制的车辆)构成无规则排列的车流,X道路上有若干自动驾驶车辆和人类驾驶车辆构成无规则排列的车流需要在交叉路口依次转弯汇入Y道路上的车流之间的间隔。假定X道路和Y道路上的自动驾驶车辆和人类驾驶车辆均遵循微观跟驰模型。
上层模型描述:交叉路口车辆合流即待合流车辆在交叉路口依次转弯汇入直行车流的过程,从第一辆待合流车辆准备汇入直行车流时开始,之后每一待合流车辆转弯汇入直行车流均为一个阶段。其中,第一辆待合流车辆面对若干个可汇入车辆间隔的选择,随着各待合流车辆成功合流,可汇入车辆间隔的数量也发生相应的变化。上层动态规划模型主要是寻找待合流车辆汇入直行车流的车辆间隔的最优序列。
下层模型描述:城市交叉口混合交通环境下,车辆正常运行时,同一车道上的车流根据微观跟驰模型进行跟车行为,即Y道路上的车辆以及X道路上的车辆k均遵从微观跟驰模型进行行驶。假设当X道路上的车辆k进入冲突区域时,车辆k可观察到Y道路上的冲突车辆和此时,根据车辆k和车辆之间的相对距离是否符合可合流的条件;若符合,则车辆k成功汇入直行车流;若不符合,则判断车辆k不能成功汇入直行车流的原因,并运用对应的协同控制策略结合动态规划,对车辆的行驶轨迹进行优化,并计算相应的消耗。
该方法包括步骤:
S1、建立所述上层模型,包括:
S1-1、确定所述上层模型的划分阶段、状态变量和决策变量,具体如下:
所述上层模型的划分阶段:假定X道路和Y道路为两条有交叉的单向单行道路,X道路上有n辆车需要依次汇入Y道路上车辆间存在的m+1个间隔,并将X道路上的每一单次车辆汇入Y道路的行为表示为一个阶段,记X道路上的第k辆车汇入Y道路的行为为第k阶段,其中k=1,2,3,…,n。
所述上层模型的状态变量:第k阶段可供X道路上第k辆车汇入Y道路的车辆间隔数,用sk表示。
所述上层模型的决策变量:每个阶段所做的决策,表示第k阶段X道路上第k辆车在可汇入Y道路的sk个车辆间隔中选择具体的第xk个车辆间隔汇入。
S1-2、确定所述上层模型的状态转移方程、费用函数和目标函数,具体如下:
所述上层模型的状态转移方程:
设定初始条件为s0=m+1;
所述上层模型的状态转移方程表明,当k=1时,sk=s1表示在第1阶段可供X道路上第1辆车汇入Y道路的车辆间隔数为m+1个;当k=2,3,…,n时,在第k-1阶段时X道路上的第k-1辆车选择了第xk-1个车辆间隔作为汇入Y道路后状态变量sk的变化;s0=m+1表示在初始状态下可供X道路上车辆汇入Y道路的车辆间隔数为m+1个。
所述上层模型的费用函数:
所述上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数,其中表示第k阶段在协同优化控制策略作用下X道路上的第k辆车在汇入可供第k辆车汇入Y道路的sk个车辆间隔产生的所有可能费用消耗;是指Y道路上没有直接参与到车辆合流过程的车流,因前车受车辆汇入的影响,而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗;
上述的数学表达式如下:
其中,表示车辆i′属于Y道路上第k-1阶段的后车和第k阶段的前车之间的车辆。
所述上层模型的目标函数:
设定初始条件为f0(s0)=0;
所述上层模型的目标函数fk(sk)表示第1阶段至第k阶段的***车辆的累计费用消耗,f0(s0)=0表示在初始状态下***成本为0。
S2、建立所述下层模型,包括:
S2-1、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,并预测车辆初始轨迹;所述车辆的跟驰状态包括车辆的速度、加速度和位置。
上述微观跟驰模型可以选择具体的微观跟驰模型,诸如GIPPS跟驰模型、IDM/EIDM跟驰模型等,具体模型选取可根据仿真情况好坏再做判别。
S2-2、建立用于判别第k阶段X道路上的第k辆车是否可以顺利汇入Y道路的条件约束模型。
基于微观跟驰模型,结合交叉路口的道路几何特征,加入加速度约束、距离约束与安全约束建立符合交叉路口车辆合流特点的条件约束模型。
S2-3、针对混合交通场景下的第k阶段X道路上的第k辆车汇入Y道路的过程中可能出现的各种情况,拟制协同控制策略集。
S2-4、基于步骤S2-1预测的车辆初始轨迹,由步骤S2-2建立的条件约束模型依次判断第k阶段X道路上的第k辆车汇入Y道路上可供第k辆车汇入Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况,并依据第k阶段X道路上的第k辆车在汇入Y道路上可供第k辆车汇入Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况分别做出步骤S2-3拟制的协同控制策略集中对应的协同控制策略。
S2-5、将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆;分别依据步骤S2-4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。
S2-6、计算第k阶段在协同优化控制策略作用下X道路上的第k辆车汇入可供第k辆车汇入Y道路的sk个车辆间隔的所有可能费用消耗
所述下层模型的目标函数为:
设定初始成本为
设定初始状态变量为
其中,记第k阶段的目标车辆为目标车辆i;表示第k阶段目标车辆i进入控制区域的时刻;表示第k阶段目标车辆i离开控制区域的时刻;将到的时间按离散时间间隔τ′平均分为N段,即定义控制决策时刻为所述下层模型的目标函数表示第k阶段对目标车辆i进行协同优化控制后,从时刻到t时刻的费用消耗;表示第k阶段下层模型在t时刻的决策指标函数;为第k阶段下层模型在t时刻的状态变量,反映第k阶段目标车辆i在t时刻的车辆位置和速度;为第k阶段下层模型在t时刻的决策变量,反映第k阶段目标车辆i在t时刻的车辆加速度;为第k阶段下层模型在t时刻的决策变量集;初始状态变量为表示第k阶段目标车辆i在时刻的车辆位置和速度。
所述第k阶段下层模型在t时刻的决策指标函数具体为:
当k=1时,
当k=2,3,…,n时,
其中,表示第1阶段下层模型在t时刻的决策指标函数;表示第k阶段下层模型在t时刻的决策指标函数;表示第k阶段的目标车辆进入控制区域的时刻;表示第k-1阶段的目标车辆离开控制区域的时刻;表示第k阶段的目标车辆离开控制区域的时刻。
S3、求解所述双层优化模型:
S3-1、求解所述上层模型,确定***车辆的累计费用消耗在最低时的所述上层模型的每个阶段所做的决策;
S3-2、由步骤S3-1确定的所述上层模型的每个阶段所做的决策逆推得到所述下层模型X道路上的每个单次车辆汇入Y道路的车辆优化轨迹。
S4、由步骤S3求解得到所述双层优化模型的以***最优为目的的混合交通流协同决策,并将其作用于***车辆,控制***车辆的运行。
实施例三
本实施例以车辆通过交叉路口为例对该发明方法进行说明。
车辆通过交叉路口:X道路和Y道路为有交叉的两条单向单行道路,Y道路上有若干自动驾驶车辆(即可优化控制的车辆)和人类驾驶车辆(即不可优化控制的车辆)构成无规则排列的车流,X道路上有若干自动驾驶车辆和人类驾驶车辆构成无规则排列的车流需要经过交叉路口依次通过Y道路上的车流之间的间隔。假定X道路和Y道路上的自动驾驶车辆和人类驾驶车辆均遵循微观跟驰模型。
上层模型描述:车辆通过交叉路口即X道路上待通过交叉路口的车辆在交叉路口依次经过Y道路上车辆间隔的过程,从第一辆待通过车辆准备通过时开始,之后每一待通过车辆通过交叉路口均为一个阶段,其中,第一辆待通过车辆面对Y道路上若干个可通过车辆间隔的选择,随着各待通过交叉路口的车辆成功通过,Y道路上可通过车辆间隔的数量也发生相应的变化。上层动态规划模型主要是寻找待通过交叉路口的车辆通过Y道路上车辆间隔的最优序列。
下层模型描述:城市交叉口混合交通环境下,车辆正常运行时,同一车道上的车流根据微观跟驰模型进行跟车行为,即Y道路上的车辆以及X道路上的车辆k均遵从微观跟驰模型进行行驶。假设当X道路上的车辆k进入冲突区域时,车辆k可观察到Y道路上的冲突车辆和此时,根据车辆k和车辆之间的相对距离是否符合可通过交叉路口的条件;若符合,则车辆k成功通过交叉路口;若不符合,则判断车辆k不能成功通过交叉路口的原因,并运用对应的协同控制策略结合动态规划,对车辆的行驶轨迹进行优化,并计算相应的消耗。
该方法包括步骤:
S1、建立所述上层模型,包括:
S1-1、确定所述上层模型的划分阶段、状态变量和决策变量,具体如下:
所述上层模型的划分阶段:假定X道路和Y道路为两条有交叉的单向单行道路,X道路上有n辆车需要依次通过Y道路上车辆间存在的m+1个间隔,并将X道路上的每一单次车辆通过Y道路的行为表示为一个阶段,记X道路上的第k辆车通过Y道路的行为为第k阶段,其中k=1,2,3,…,n。
所述上层模型的状态变量:第k阶段可供X道路上第k辆车通过Y道路的车辆间隔数,用sk表示。
所述上层模型的决策变量:每个阶段所做的决策,表示第k阶段X道路上第k辆车在可通过Y道路的sk个车辆间隔中选择具体的第xk个车辆间隔通过。
S1-2、确定所述上层模型的状态转移方程、费用函数和目标函数,具体如下:
所述上层模型的状态转移方程:
设定初始条件为s0=m+1;
所述上层模型的状态转移方程表明,当k=1时,sk=s1表示在第1阶段可供X道路上第1辆车通过Y道路的车辆间隔数为m+1个;当k=2,3,…,n时,在第k-1阶段时X道路上的第k-1辆车选择了第xk-1个车辆间隔作为通过Y道路后状态变量sk的变化;s0=m+1表示在初始状态下可供X道路上车辆通过Y道路的车辆间隔数为m+1个。
所述上层模型的费用函数:
所述上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数,其中表示第k阶段在协同优化控制策略作用下X道路上的第k辆车在通过可供第k辆车通过Y道路的sk个车辆间隔产生的所有可能费用消耗;是指Y道路上没有直接参与到车辆通过交叉路口过程的车流,因前车受车辆通过的影响,而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗;
上述的数学表达式如下:
其中,表示车辆i′属于Y道路上第k-1阶段的后车和第k阶段的前车之间的车辆。
所述上层模型的目标函数:
设定初始条件为f0(s0)=0;
所述上层模型的目标函数fk(sk)表示第1阶段至第k阶段的***车辆的累计费用消耗,f0(s0)=0表示在初始状态下***成本为0。
S2、建立所述下层模型,包括:
S2-1、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,并预测车辆初始轨迹;所述车辆的跟驰状态包括车辆的速度、加速度和位置。
上述微观跟驰模型可以选择具体的微观跟驰模型,诸如GIPPS跟驰模型、IDM/EIDM跟驰模型等,具体模型选取可根据仿真情况好坏再做判别。
S2-2、建立用于判别第k阶段X道路上的第k辆车是否可以顺利通过Y道路的条件约束模型。
基于微观跟驰模型,结合交叉路口的道路几何特征,加入加速度约束、距离约束与安全约束建立符合车辆通过交叉路口特点的条件约束模型。
S2-3、针对混合交通场景下的第k阶段X道路上的第k辆车通过Y道路的过程中可能出现的各种情况,拟制协同控制策略集。
S2-4、基于步骤S2-1预测的车辆初始轨迹,由步骤S2-2建立的条件约束模型依次判断第k阶段X道路上的第k辆车通过Y道路上可供第k辆车通过Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况,并依据第k阶段X道路上的第k辆车在通过Y道路上可供第k辆车通过Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况分别做出步骤S2-3拟制的协同控制策略集中对应的协同控制策略。
S2-5、将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆;分别依据步骤S2-4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。
S2-6、计算第k阶段在协同优化控制策略作用下X道路上的第k辆车通过可供第k辆车通过Y道路的sk个车辆间隔的所有可能费用消耗
所述下层模型的目标函数为:
设定初始成本为
设定初始状态变量为
其中,记第k阶段的目标车辆为目标车辆i;表示第k阶段目标车辆i进入控制区域的时刻;表示第k阶段目标车辆i离开控制区域的时刻;将到的时间按离散时间间隔τ′平均分为N段,即定义控制决策时刻为所述下层模型的目标函数表示第k阶段对目标车辆i进行协同优化控制后,从时刻到t时刻的费用消耗;表示第k阶段下层模型在t时刻的决策指标函数;为第k阶段下层模型在t时刻的状态变量,反映第k阶段目标车辆i在t时刻的车辆位置和速度;为第k阶段下层模型在t时刻的决策变量,反映第k阶段目标车辆i在t时刻的车辆加速度;为第k阶段下层模型在t时刻的决策变量集;初始状态变量为表示第k阶段目标车辆i在时刻的车辆位置和速度。
所述第k阶段下层模型在t时刻的决策指标函数具体为:
当k=1时,
当k=2,3,…,n时,
其中,表示第1阶段下层模型在t时刻的决策指标函数;表示第k阶段下层模型在t时刻的决策指标函数;表示第k阶段的目标车辆进入控制区域的时刻;表示第k-1阶段的目标车辆离开控制区域的时刻;表示第k阶段的目标车辆离开控制区域的时刻。
S3、求解所述双层优化模型:
S3-1、求解所述上层模型,确定***车辆的累计费用消耗在最低时的所述上层模型的每个阶段所做的决策;
S3-2、由步骤S3-1确定的所述上层模型的每个阶段所做的决策逆推得到所述下层模型X道路上的每个单次车辆通过Y道路的车辆优化轨迹。
S4、由步骤S3求解得到所述双层优化模型的以***最优为目的的混合交通流协同决策,并将其作用于***车辆,控制***车辆的运行。
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 (6)
1.一种基于双层规划的混合交通流协同优化控制方法,其特征在于,该方法是采用基于动态规划递归的双层优化模型进行混合交通流协同决策控制,适用于混合交通流中的不同交通场景,所述不同交通场景包括高速公路匝道车辆汇流、交叉路口车辆合流、车辆通过交叉路口;所述双层优化模型包括上层模型和下层模型;所述上层模型是一个用动态规划递归求解的车辆排序问题;所述下层模型是一个用动态规划递归求解的在不同交通场景中的单次车辆轨迹优化问题;
该方法包括步骤:
S1、建立所述上层模型,包括:
S1-1、确定所述上层模型的划分阶段、状态变量和决策变量,具体如下:
所述上层模型的划分阶段:假定X道路和Y道路为两条有交叉的单向单行道路,X道路上有n辆车需要依次汇入或通过Y道路上车辆间存在的m+1个间隔,并将X道路上的每一单次车辆汇入或通过Y道路的行为表示为一个阶段,记X道路上的第k辆车汇入或通过Y道路的行为为第k阶段,其中k=1,2,3,...,n;
所述上层模型的状态变量:第k阶段可供X道路上第k辆车汇入或通过Y道路的车辆间隔数,用sk表示;
所述上层模型的决策变量:每个阶段所做的决策,表示第k阶段X道路上第k辆车在可汇入或通过Y道路的sk个车辆间隔中选择具体的第xk个车辆间隔汇入或通过;
S1-2、确定所述上层模型的状态转移方程、费用函数和目标函数,具体如下:
所述上层模型的状态转移方程:
设定初始条件为s0=m+1;
所述上层模型的状态转移方程表明,当k=1时,sk=s1表示在第1阶段可供X道路上第1辆车汇入或通过Y道路的车辆间隔数为m+1个;当k=2,3,...,n时,在第k-1阶段时X道路上的第k-1辆车选择了第xk-1个车辆间隔作为汇入或通过Y道路后状态变量sk的变化;s0=m+1表示在初始状态下可供X道路上车辆汇入或通过Y道路的车辆间隔数为m+1个;
所述上层模型的费用函数:
所述上层模型的费用函数Dk(sk,xk)表示第k阶段做出决策所需的阶段指标函数,其中表示第k阶段在协同优化控制策略作用下X道路上的第k辆车在汇入或通过可供第k辆车汇入或通过Y道路的sk个车辆间隔产生的所有可能费用消耗;是指Y道路上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车流,因前车受车辆汇入或通过的影响,而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的费用消耗;
所述上层模型的目标函数:
设定初始条件为f0(s0)=0;
所述上层模型的目标函数fk(sk)表示第1阶段至第k阶段的***车辆的累计费用消耗,f0(s0)=0表示在初始状态下***成本为0;
S2、建立所述下层模型,包括:
S2-1、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,并预测车辆初始轨迹;所述车辆的跟驰状态包括车辆的速度、加速度和位置;
S2-2、建立用于判别第k阶段X道路上的第k辆车是否可以顺利汇入或通过Y道路的条件约束模型;
S2-3、针对混合交通场景下的第k阶段X道路上的第k辆车汇入或通过Y道路的过程中可能出现的各种情况,拟制协同控制策略集;
S2-4、基于步骤S2-1预测的车辆初始轨迹,由步骤S2-2建立的条件约束模型依次判断第k阶段X道路上的第k辆车汇入或通过Y道路上可供第k辆车汇入或通过Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况,并依据第k阶段X道路上的第k辆车在汇入或通过Y道路上可供第k辆车汇入或通过Y道路的sk个车辆间隔的每个车辆间隔的过程中出现的具体情况分别做出步骤S2-3拟制的协同控制策略集中对应的协同控制策略;
S2-5、将参与第k阶段的车辆中可优化控制的车辆确定为目标车辆;分别依据步骤S2-4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;
S2-6、计算第k阶段在协同优化控制策略作用下X道路上的第k辆车汇入或通过可供第k辆车汇入或通过Y道路的sk个车辆间隔的所有可能费用消耗
S3、求解所述双层优化模型:
S3-1、求解所述上层模型,确定***车辆的累计费用消耗在最低时的所述上层模型的每个阶段所做的决策;
S3-2、由步骤S3-1确定的所述上层模型的每个阶段所做的决策逆推得到所述下层模型X道路上的每个单次车辆汇入或通过Y道路的车辆优化轨迹;
S4、由步骤S3求解得到所述双层优化模型的以***最优为目的的混合交通流协同决策,并将其作用于***车辆,控制***车辆的运行。
2.根据权利要求1所述的基于双层规划的混合交通流协同优化控制方法,其特征在于,所述步骤S2-3具体为:
根据第k阶段X道路上第k辆车在可供第k辆车汇入或通过Y道路的sk个车辆间隔中选择具体的第xk个车辆间隔汇入或通过,将X道路上的第k辆车记为车辆k,位于Y道路上第xk个车辆间隔的前车记为车辆后车记为车辆进一步定义车辆组合K,表示X道路和Y道路上直接参与第k阶段的车辆组合,且K∈{K1,K2,K3},车辆组合表示参与第k阶段的车辆有车辆车辆k、车辆车辆组合表示参与第k阶段的车辆有车辆k、车辆此时位于Y道路上第xk个车辆间隔处无前车参与;车辆组合表示参与第k阶段的车辆有车辆车辆k,此时位于Y道路上第xk个车辆间隔处无后车参与;
基于所述微观跟驰模型预测的车辆轨迹,将车辆车辆k、车辆之间的关系分为车辆k可以顺利汇入或通过车辆和车辆之间的间隔,车辆k无法顺利汇入或通过车辆和车辆之间的间隔;所述车辆k无法顺利汇入或通过车辆和车辆之间的间隔又分为四种情况:第一种情况记为R1,表示车辆k与车辆之间距离太近,不满足可以顺利汇入或通过的约束条件;第二种情况记为R2,表示车辆k与车辆之间距离太近,不满足可以顺利汇入或通过的约束条件;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入或通过的过程不舒适;第四种情况记为R4,表示车辆k与车辆且与车辆之间均不满足可以顺利汇入或通过的约束条件;
基于不同的车辆组合、不同的车型组合,以及车辆k是否可以顺利汇入或通过车辆和车辆之间的间隔的不同情况,拟制协同控制策略集,具体包括:
参与第k阶段的车辆情况的集合表达式如下:
或1或NaN,
αk=0或1,
或1或NaN,
rk=0或1或2或3或4,
其中,分别表示车辆车辆k、车辆的车辆类型,数值0表示车辆类型为不可优化控制的车辆,数值1表示车辆类型为可优化控制的车辆,符号NaN表示没有车辆;rk表示车辆车辆k、车辆之间的关系,rk=0表示车辆k可以顺利汇入或通过车辆和车辆之间的间隔,rk=1表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R1,rk=2表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R2,rk=3表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R3,rk=4表示车辆k无法顺利汇入或通过车辆和车辆之间的间隔的情况R4;
参与第k阶段的车辆情况的具体列表如下:
针对参与第k阶段的车辆情况拟制对应的协同控制策略:
定义第k阶段下层模型在t时刻的决策变量反映第k阶段车辆在t时刻的加速度,且其中为第k阶段下层模型在t时刻的决策变量集;
对于车辆k:
当 时,车辆k在t时刻的决策变量uk(t)需满足:
当时,车辆k在t时刻的决策变量uk(t)需满足:
当时,车辆k在t时刻的决策变量uk(t)需满足:vk(t)+uk(t)τ≤ve;
对于车辆
当 时,车辆在t时刻的决策变量需满足:
当时,车辆在t时刻的决策变量需满足:且
对于车辆
当 时,车辆在t时刻的决策变量需满足:
当时,车辆在t时刻的决策变量需满足:且
其中,表示参与第k阶段的车辆情况;τ是车辆驾驶的反应时间;vk(t)、分别表示车辆k、车辆车辆在t时刻的速度; 分别是车辆k、车辆车辆根据所述微观跟驰模型所预测的在t时刻的车辆安全跟驰加速度; 分别是车辆k、车辆车辆根据所述微观跟驰模型所预测的在t+τ时刻的车辆安全跟驰速度;ve是期望速度;
若第k-1阶段的车辆为目标车辆并对其做出协同优化控制,则该车辆在第k阶段作为车辆参与时将被视作不可优化控制的车辆处理,用表达式表示如下:
3.根据权利要求1所述的基于双层规划的混合交通流协同优化控制方法,其特征在于,所述下层模型的目标函数为:
设定初始成本为
设定初始状态变量为
其中,记第k阶段的目标车辆为目标车辆i;表示第k阶段目标车辆i进入控制区域的时刻;表示第k阶段目标车辆i离开控制区域的时刻;将到的时间按离散时间间隔τ′平均分为N段,即定义控制决策时刻为所述下层模型的目标函数表示第k阶段对目标车辆i进行协同优化控制后,从时刻到t时刻的费用消耗;表示第k阶段下层模型在t时刻的决策指标函数;为第k阶段下层模型在t时刻的状态变量,反映第k阶段目标车辆i在t时刻的车辆位置和速度;为第k阶段下层模型在t时刻的决策变量,反映第k阶段目标车辆i在t时刻的车辆加速度;为第k阶段下层模型在t时刻的决策变量集;初始状态变量为表示第k阶段目标车辆i在时刻的车辆位置和速度。
4.根据权利要求3所述的基于双层规划的混合交通流协同优化控制方法,其特征在于,所述第k阶段下层模型在t时刻的决策指标函数具体为:
当k=1时,
当k=2,3,…,n时,
其中,表示第1阶段下层模型在t时刻的决策指标函数;表示第k阶段下层模型在t时刻的决策指标函数;表示第k阶段的目标车辆进入控制区域的时刻;表示第k-1阶段的目标车辆离开控制区域的时刻;表示第k阶段的目标车辆离开控制区域的时刻。
5.根据权利要求1所述的基于双层规划的混合交通流协同优化控制方法,其特征在于,所述步骤1-2中的Y道路上没有直接参与到车辆汇流或车辆合流或车辆通过交叉路口过程的车辆,记为车辆i′,因前车受车辆汇入或通过的影响,而使得自身车辆出于跟驰安全需要所做出的车辆速度调整造成的成本消耗具体为:
其中,表示车辆i′属于Y道路上第k-1阶段的后车和第k阶段的前车之间的车辆。
6.根据权利要求1-5任一所述的基于双层规划的混合交通流协同优化控制方法,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 |
---|---|---|---|
CN201910887658.1A CN110599772B (zh) | 2019-09-19 | 2019-09-19 | 一种基于双层规划的混合交通流协同优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887658.1A CN110599772B (zh) | 2019-09-19 | 2019-09-19 | 一种基于双层规划的混合交通流协同优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599772A true CN110599772A (zh) | 2019-12-20 |
CN110599772B CN110599772B (zh) | 2020-08-28 |
Family
ID=68861227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910887658.1A Active CN110599772B (zh) | 2019-09-19 | 2019-09-19 | 一种基于双层规划的混合交通流协同优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599772B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724603A (zh) * | 2020-07-01 | 2020-09-29 | 中南大学 | 基于交通轨迹数据的cav状态判定方法、装置、设备及介质 |
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 |
CN113034047A (zh) * | 2021-04-21 | 2021-06-25 | 河南工业职业技术学院 | 一种柔性制造车间优化调度方法及*** |
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*** |
CN113232651A (zh) * | 2021-02-08 | 2021-08-10 | 杭州电子科技大学 | 一种基于adhdp的燃油汽车生态自适应巡航控制方法 |
CN113362619A (zh) * | 2021-06-04 | 2021-09-07 | 东南大学 | 混合交通环境下智能网联车辆匝道协同合流控制方法及装置 |
CN113489793A (zh) * | 2021-07-07 | 2021-10-08 | 重庆大学 | 一种混合交通场景下的快速路双车道协同控制方法 |
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 |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及*** |
CN116009549A (zh) * | 2023-01-06 | 2023-04-25 | 清华大学 | 非联网汇入车辆的车辆队列动态重组方法及装置 |
CN116504069A (zh) * | 2023-06-26 | 2023-07-28 | 中国市政工程西南设计研究总院有限公司 | 城市道路网络容量优化方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140210646A1 (en) * | 2012-12-28 | 2014-07-31 | Balu Subramanya | Advanced parking and intersection management system |
CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及*** |
CN107730883A (zh) * | 2017-09-11 | 2018-02-23 | 北方工业大学 | 一种车联网环境下交叉口区域车辆调度方法 |
CN108647802A (zh) * | 2018-03-26 | 2018-10-12 | 华东师范大学 | 基于双层交通网络模型抗拥塞方法 |
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 |
-
2019
- 2019-09-19 CN CN201910887658.1A patent/CN110599772B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140210646A1 (en) * | 2012-12-28 | 2014-07-31 | Balu Subramanya | Advanced parking and intersection management system |
CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及*** |
CN107730883A (zh) * | 2017-09-11 | 2018-02-23 | 北方工业大学 | 一种车联网环境下交叉口区域车辆调度方法 |
CN108647802A (zh) * | 2018-03-26 | 2018-10-12 | 华东师范大学 | 基于双层交通网络模型抗拥塞方法 |
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 |
Non-Patent Citations (2)
Title |
---|
WEN-XING ZHU: "Analysis of mixed traffic flow with human-driving and autonomous cars based on car-following model", 《ELSEVIER》 * |
邝先验: "城市混合交通流微观仿真建模研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111724603A (zh) * | 2020-07-01 | 2020-09-29 | 中南大学 | 基于交通轨迹数据的cav状态判定方法、装置、设备及介质 |
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 |
CN113232651A (zh) * | 2021-02-08 | 2021-08-10 | 杭州电子科技大学 | 一种基于adhdp的燃油汽车生态自适应巡航控制方法 |
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 |
CN113034047B (zh) * | 2021-04-21 | 2023-06-30 | 河南工业职业技术学院 | 一种柔性制造车间优化调度方法及*** |
CN113034047A (zh) * | 2021-04-21 | 2021-06-25 | 河南工业职业技术学院 | 一种柔性制造车间优化调度方法及*** |
CN113362619A (zh) * | 2021-06-04 | 2021-09-07 | 东南大学 | 混合交通环境下智能网联车辆匝道协同合流控制方法及装置 |
CN113489793A (zh) * | 2021-07-07 | 2021-10-08 | 重庆大学 | 一种混合交通场景下的快速路双车道协同控制方法 |
CN113489793B (zh) * | 2021-07-07 | 2022-04-22 | 重庆大学 | 一种混合交通场景下的快速路双车道协同控制方法 |
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*** |
CN114495527A (zh) * | 2022-02-23 | 2022-05-13 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及*** |
CN114495527B (zh) * | 2022-02-23 | 2023-10-27 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及*** |
CN116009549A (zh) * | 2023-01-06 | 2023-04-25 | 清华大学 | 非联网汇入车辆的车辆队列动态重组方法及装置 |
CN116009549B (zh) * | 2023-01-06 | 2023-12-05 | 清华大学 | 非联网汇入车辆的车辆队列动态重组方法及装置 |
CN116504069A (zh) * | 2023-06-26 | 2023-07-28 | 中国市政工程西南设计研究总院有限公司 | 城市道路网络容量优化方法、装置、设备及可读存储介质 |
CN116504069B (zh) * | 2023-06-26 | 2023-09-05 | 中国市政工程西南设计研究总院有限公司 | 城市道路网络容量优化方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110599772B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599772B (zh) | 一种基于双层规划的混合交通流协同优化控制方法 | |
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 | |
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 | |
CN108806252B (zh) | 一种高速公路混合交通流协同优化控制方法 | |
CN114067559B (zh) | 一种自动车专用道并入普通车道的合流优化控制方法 | |
CN109410561B (zh) | 一种高速路车辆匀异质编队行驶控制方法 | |
CN102360532B (zh) | 路***通信号控制***及其控制方法 | |
CN112258875B (zh) | 基于车路协同与自动驾驶的交叉口智能管控方法 | |
CN107730931A (zh) | 一种车路协同环境下车辆编队控制及其信号优化方法 | |
CN113276884B (zh) | 一种可变博弈模式的智能车交互决策通行方法及*** | |
CN111994088A (zh) | 基于混合策略博弈的驾驶人换道意图识别方法及*** | |
CN114707364B (zh) | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 | |
CN112965476A (zh) | 一种基于多窗口抽样的高速无人车轨迹规划***及方法 | |
CN111081069B (zh) | 一种高速公路瓶颈区域的车辆轨迹控制方法 | |
CN114842644A (zh) | 一种混合交通流交织区通行能力计算方法 | |
CN108182812B (zh) | 基于强化学习的城市道路交叉口生态驾驶行为优化方法 | |
Chen et al. | A conflict decision model based on game theory for intelligent vehicles at urban unsignalized intersections | |
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 | |
CN114023108B (zh) | 一种混合交通流变道模型及变道仿真方法 | |
CN115050183A (zh) | 一种生成模拟交通流的方法 | |
CN112542061B (zh) | 基于车联网的借道超车控制方法、装置、***及存储介质 | |
CN111391848B (zh) | 自动驾驶车辆换道方法 | |
CN117195464A (zh) | 自动驾驶车辆混入下的公路货车专用道设置条件评价方法 | |
Jung et al. | Energy-efficient driving scheduling for heterogeneous electric vehicles with consideration of overtaking |
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 |