CN111724602A - 一种城市非信控多交叉路口环境下的多车协同控制方法 - Google Patents

一种城市非信控多交叉路口环境下的多车协同控制方法 Download PDF

Info

Publication number
CN111724602A
CN111724602A CN202010616991.1A CN202010616991A CN111724602A CN 111724602 A CN111724602 A CN 111724602A CN 202010616991 A CN202010616991 A CN 202010616991A CN 111724602 A CN111724602 A CN 111724602A
Authority
CN
China
Prior art keywords
vehicle
intersection
sub
traffic
area
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
Application number
CN202010616991.1A
Other languages
English (en)
Other versions
CN111724602B (zh
Inventor
罗禹贡
于杰
江发潮
***
孔伟伟
卜德旭
徐明畅
石佳
刘金鑫
王庭晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010616991.1A priority Critical patent/CN111724602B/zh
Publication of CN111724602A publication Critical patent/CN111724602A/zh
Application granted granted Critical
Publication of CN111724602B publication Critical patent/CN111724602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种城市非信控多交叉路口环境下的多车协同控制方法，包括：步骤1，获取各交叉路口子区域间的宏观交通网络运行态势预测状态信息和短时交通网络边界控制状态预测信息；步骤2，构建各交叉路口子区域网络内部及边界交通流的引导及协作控制方法；步骤3，在步骤1和2的基础上，设计一种综合考虑宏观交通状态与微观多车***协同控制的多交叉路口多车***协同行驶的多目标优化控制方法。本发明能够节省计算资源，提高多交叉路口通行效率及改善车辆性能。

Description

一种城市非信控多交叉路口环境下的多车协同控制方法
技术领域
本发明属于智能交通技术领域，特别涉及一种面向城市非信控多交叉路口环境下的多车***协同控制方法。
背景技术
随着机动车保有量的迅速增加，交通拥堵以及交通安全等问题已成为限制城市发展的关键因素之一。如何采取合理有效的交通管控措施，对于缓解交通拥堵，提升道路行驶安全性，改善车辆性能具有重要意义。
传统城市非信控多交叉路口环境下多车***的控制策略主要分为两种：集中式控制和分布式控制。集中式控制策略大多考虑多交叉路口的整体交通流量，采用路径诱导等方式改善交通流量、提高平均速度和实现路线选择，但较少考虑提高多车***的燃油经济性等多目标优化问题，且依赖网络控制器，计算量庞大；而分布式控制策略大多考虑提高多车***的燃油经济性、跟车性能等多目标优化问题，但仅使用本地信息，只能评估相邻路段之间的交通密度，可能会出现车辆在不间断地稳定行驶时发生死锁，不适合用于大规模交叉口形成的路网场景。因此，现有研究状况下，针对不同的控制目标需要采取不同的控制架构及策略，而缺乏一个具有通用性的统一架构及策略。
综上，需要设计一种融合“集中式+分布式”的城市非信控多交叉路口环境下多车***协同控制的方法，实现多车***在非信控多交叉口间的协同调度，并使得该方法具有通用性，可以适用于大规模非信控多交叉路口形成的路网场景，实现在宏观层面上能够提高多交叉路***通通行效率，在微观层面上能够降低多车***燃油消耗、改善多车***的跟车性能等。
发明内容
因此，本发明的目的在于提供一种面向城市非信控多交叉路口环境下的多车***协同控制方法来克服或至少减轻现有技术缺陷中的至少一个。
为实现上述目的，本发明提供了一种城市非信控多交叉路口环境下多车协同控制方法，该方法包括如下步骤：
步骤1：构建包含有多交叉路口区域集成调控单元、交叉路口子区域调控单元、车载动态决策与管理控制单元的控制***；
步骤2：所述多交叉路口区域集成调控单元，根据各交叉路口子区域间的宏观交通网络运行态势预测状态信息，以及各交叉路口子区域的短时交通网络边界控制状态预测信息，对所述交叉路口子区域调控单元调控的各交叉路口子区域间的宏观累计交通运行状态提出综合评价，并对各交叉路口子区域内部及边界之间的交通流状态进行均衡控制；
步骤3：所述交叉路口子区域调控单元，根据将要到达交叉路口子区域控制边界的每一辆车的交通网络状态信息和车辆状态信息，组建车辆编队***，进行通行次序分配、路径分配及速度分配，并将决策信息发送给车载动态决策与管理控制单元；
步骤4：所述车载动态决策与管理控制单元，设置车辆编队***头车优化控制器和跟随车车载控制器；
所述头车优化控制器接收各交叉路口子区域调控单元的决策信息，并接收本***内部跟随车辆的状态信息，并接收前方车辆编队***末尾车辆的状态信息，进行多目标协同优化控制，将优化控制决策信息发送给本***内的所有跟随车辆；
所述跟随车车载控制器，接收本***头车发送来的优化控制决策信息，并接收前车发送来的状态信息，自动跟随本***头车及前车调整纵横向运动状态。
进一步地，所述步骤2具体实施措施如下：
步骤2.1：通过车辆与路侧单元之间的实时交互通信，所述多交叉路口区域集成调控单元获得当前道路的路况信息；
步骤2.2：所述多交叉路口区域集成调控单元计算获得各交叉路口子区域间的宏观交通网络运行态势预测状态信息，以及各交叉路口子区域的短时交通网络边界控制状态预测信息；
步骤2.3：所述多交叉路口区域集成调控单元定量确定步骤2.2两种信息的权重，求出各交叉路口子区域交通运行状态最优解；
步骤2.4：所述多交叉路口区域集成调控单元制定各交叉路口子区域间的宏观累计交通运行状态综合评价；
步骤2.5：若宏观累计交通运行状态综合评价不满足道路拥堵条件，则返回步骤2.2循环监测计算，若满足则进入步骤2.6；
步骤2.6：进行各交叉路口子区域内部及边界之间的交通流状态均衡控制；
步骤2.7：根据步骤2.6改变各交通流的实时行驶路径及平均行驶速度，降低交通拥堵时间。
进一步地，所述步骤3具体实施措施如下：
步骤3.1：通过车与车之间的信息交互，根据当前时刻同一车道内相邻多车***的车况信息，获得相邻多车***间距及排队队列长度；
步骤3.2：通过车辆与路侧单元之间的信息交互，结合所述多交叉路口区域集成调控单元调控的交通流状态，以及根据步骤3.1获取的相邻多车***间距及排队队列长度，将当前交通网络中的多车***组成多个车辆编队***；
步骤3.3：按照先进入交叉口子区域先通行的原则，分配所有车辆编队***进入各交叉路口子区域的动态通行时间、通行次序及期望平均行驶速度。
进一步地，所述步骤4具体实施措施如下：
步骤4.1：通过各车辆编队***与各交叉路口子区域调控单元之间的信息交互，各车辆编队***中的头车接收各交叉路口子区域调控单元分配的通行次序及速度；
步骤4.2：以头车的安全性、节能性、稳定性和舒适性为目的，设计各车辆编队***中的头车优化控制器，进行局部期望轨迹规划，并输出期望控制量；
步骤4.3：按照多车编队***的通信拓扑结构将输出的期望控制量发送给车辆编队***中除头车外的其他跟随车辆的车载控制器，其他跟随车辆则跟随车辆编队***中的头车行驶。
再进一步地，所述步骤2.2中，多交叉路口区域集成调控单元计算获得各交叉路口子区域间的宏观交通网络运行态势预测状态信息的方法如下：
步骤2.2.1：假设每个交叉路口子区域都具有定义良好的交通流模型MFD，利用子区域i中每个时间步长kt的测量流量，建立网络交通流量Q(kt)和车辆总数Ni(kt)的关系如下：
Q(kt)＝Gi(Ni(kt))
式中，Gi(·)表示MFD的函数，Ni(kt)＝ni(kt)+nij(kt)，ni(kt)表示本地车辆数，nij(kt)表示从子区域i到目的地子区域j的车辆数，则对于kt+1时刻有：Ni(kt+1)＝ni(kt+1)+nij(kt+1)，
Figure BDA0002564115550000041
Figure BDA0002564115550000042
式中，T表示采样间隔，dii(kt)和dij(kt)分别对应于在kt时刻到达子区域i的流量需求和到达子区域j的流量需求，pii(kt)表示在kt时刻离开子区域i的交通流的一步转移概率，pij(kt)表示在kt时刻从子区域i到子区域j的交通流的一步转移概率，Qji(kt)是在kt时刻从子区域j进入子区域i的交通流量，Qi,O(kt)是在kt时刻离开子区域i的交通流量，Qij(kt)是在kt时刻从子区域i到子区域j的交通流量，n表示交叉路口子区域的数量；
步骤2.2.2：通过最小化通过交叉路口子区域的流量，建立宏观交通网络运行态势预测状态信息目标函数：
Figure BDA0002564115550000043
式中，Ni,c(kt+1)表示kt+1时刻的最大空间平均交通流的临界车辆数量；
步骤2.2.3：建立目标函数约束框架：
A:车辆数量约束
Figure BDA0002564115550000044
式中，Qi,I(kt)表示kt时刻子区域i的总流入量；
B:交通流约束
Figure BDA0002564115550000045
式中，Qi(kt+1)表示kt+1时刻子区域i网络交通流量，Qi,O(kt+1)表示kt+1时刻离开子区域i的交通流量，Qji(kt+1)表示kt+1时刻从子区域j进入子区域i的交通流量；
C:链路最大交通流约束
0≤Qij(kt+1)≤mijρi,ij
式中，Qij(kt+1)表示kt+1时刻从子区域i流入子区域j的交通流量，mij表示子区域i及其邻居子区域j的链路数，ρi,ij是子区域i及其邻居子区域j间的链路上的平均饱和交通流量；
再进一步地，所述步骤2.2中，多交叉路口区域集成调控单元计算获得各交叉路口子区域的短时交通网络边界控制状态预测信息的方法如下：
步骤2.2.1：假设采样循环时间cc等于所有交叉路口的采样时间步长kt，则交叉路口子区域的链路(i,j)中的车辆总数可以通过以下守恒方程进行更新：
ni,j(kt+1)＝ni,j(kt)+(αij,I(kt)-αij,O(kt)·cc
式中，ni,j(kt+1)表示kt+1时刻进入链路(i,j)的车辆总数；ni,j(kt)表示kt时刻进入链路(i,j)的车辆总数；αij,I(kt)表示kt时刻进入链路(i,j)的流量，是从其上游链路流出的流量之和，αij,O(kt)表示kt时刻离开链路(i,j)的流量，是其下游链路的流入流量之和；其中，
αij,O(kt)＝min(βij,o(kt)·μij·gij,o(kt)/cc,qij,o(kt)/cc+αij,I(kt),βij,o(kt)(Cj,o-nj,o(kt))/cc)，βij,o(kt)·μij·gij,o(kt)/cc表示交叉口的通行能力，qij,o(kt)/cc+αij,I(kt)表示等待和到达的车辆数量，βij,o(kt)(Cj,o-nj,o(kt))/cc表示下游路段的可用空间，βij,o(kt)表示流出子区域j的相对分数，μij表示离开链路(i,j)的饱和流量，gij,o(kt)表示在链路(i,j)中流向j的交通流的可行时间长度，qij,o(kt)表示离开链路(i,j)的交通密度，Cj,o表示以车辆数量表示的下游链路的容量,nj,o(kt)是链路(i,j)中的车辆数；
αij,I(k)＝βij,I·αij,O(kt)，βij,I是流向子区域j的相对分数；
步骤2.2.2：通过最小化通过交叉路口子区域的流量，以及总交通流量与最优交通流量之差，建立短时交通网络边界控制状态预测信息目标函数：
Figure BDA0002564115550000051
式中，αij,O(kt+1)表示kt+1时刻离开链路(i,j)的交通流量，其中αl表示最低流量，Qij(kt+1)表示kt+1时刻从子区域i流入子区域j的交通流量。
再进一步地，所述步骤2.3中，求解各交叉路口子区域交通运行状态最优解的方法如下：
建立代价函数：
Q*(kt)＝min(wiQw(kt)+wjQh(kt))
Q*(kt)表示kt时刻各交叉路口子区域交通运行流量状态最优解，wi是考虑子区域i的运行态势预测状态信息权重系数，Qw(kt)是kt时刻的子区域i的宏观交通网络运行态势预测状态信息值，wj是考虑子区域j的短时交通网络边界控制状态预测信息权重系数，Qh(kt)是kt时刻的子区域j的短时交通网络边界控制状态预测信息值；wi、wj是经验调试值。
再进一步地，所述步骤2.4中，制定各交叉路口子区域间的宏观累计交通运行状态综合评价的方法如下：
步骤2.4.1：采用模糊综合评价法建立宏观累计交通运行状态综合评价参数指标集
Figure BDA0002564115550000065
Q*表示各交叉路口子区域交通运行流量状态最优解，
Figure BDA0002564115550000066
表示平均速度，L表示排队长度，ATTR表示行程时间比；建立宏观累计交通运行状态综合评价参数评价集B＝[b1,b2,b3,b4]，b1表示拥堵，b2表示轻度拥堵，b3表示基本畅通，b4表示畅通；
步骤2.4.2：将交通运行状态进行模糊化，根据不同交通状态下的规则进行模糊推理，单因素模糊判别矩阵如下：
Figure BDA0002564115550000061
其中，
Figure BDA0002564115550000062
分别表示交通运行流量状态最优的隶属度函数值，
Figure BDA0002564115550000063
分别表示平均速度
Figure BDA0002564115550000067
的隶属度函数值，
Figure BDA0002564115550000064
分别表示排队长度L的隶属度函数值，
Figure BDA0002564115550000071
分别表示行程时间比ATTR的隶属度函数值；
步骤2.4.3：针对每个交通运行状态综合评价参数指标进行加权处理，并获得最终评价结果，如下：
Figure BDA0002564115550000074
式中，B*是模糊综合评价值，该值落入宏观累计交通运行状态综合评价参数评价集中哪个评价范围内，就属于哪种交通状况；ω1,ω2,ω3,ω4分别为四个交通运行状态综合评价参数指标的权重系数，
Figure BDA0002564115550000075
表示模糊合成运算。
再进一步地，所述步骤2.6中，进行各交叉路口子区域内部及边界之间的交通流状态均衡控制的方法如下：
步骤2.6.1：建立代价函数
Figure BDA0002564115550000072
式中，Qi(kt)表示kt时刻交叉路口子区域i的实际交通运行状态信息，Qj(kt)表示kt时刻交叉路口子区域j的实际交通运行状态信息，Q*(kt)表示kt时刻各交叉路口子区域交通运行流量状态最优解；
步骤2.6.2：建立约束框架
0≤Qi(kt)≤Qmax
0≤Qj(kt)≤Qmax
式中，Qmax表示交通状态参数最大值；
在约束框架下，使代价函数获得最小值，即为解决问题。
再进一步地，所述步骤3.3中，分配所有车辆编队***期望平均行驶速度的方法如下：
步骤3.3.1：建立代价函数
Figure BDA0002564115550000073
式中，Vi(kt)表示kt时刻交叉路口子区域i的实际平均速度，Vi *(kt)表示kt时刻交叉路口子区域i的最优参考速度，
Figure BDA0002564115550000076
Figure BDA0002564115550000077
和
Figure BDA0002564115550000078
分别表示kt时刻最优交通流状态下的交叉路口子区域i和j的平均速度，
Figure BDA0002564115550000081
为权重系数；
步骤3.3.2：建立约束框架
0≤Vi(kt)≤Vmax
Figure BDA0002564115550000082
式中，Vmax为道路最大限速度，
Figure BDA0002564115550000083
与
Figure BDA0002564115550000084
分别为交叉路口区域多车***的最小和最大平均加速度；
在约束框架下，使代价函数获得最小值，即为解决问题。
再进一步地，所述步骤4.2中，设计各车辆编队***中头车优化控制器的方法如下：
步骤4.2.1：建立车辆非线性动力学方程为：
Figure BDA0002564115550000085
式中，Si(kt)和vi(kt)分别为第i辆车的位移和速度，Tq,i(kt)为车辆实际转矩，ui(kt)为期望转矩，i0为机械传动比，ηm,i为传动***机械效率，mi为车辆质量，CD,i为队列内车辆阻力系数，ρ为空气密度，Ai为车辆迎风面积，g为重力加速度，rw,i为车轮滚动半径，f为滚动阻力系数，τi为纵向动力***时滞系数，α为道路坡度，Δkt为离散时间步长；
通过欧拉方法离散动力学方程，将所述非线性动力学方程改写为：
xi(kt+1)＝φi(xi(kt))+ψiui(kt)，i∈Ν
其中，xi(kt)为车辆的状态量，N指队列中车辆数，
Figure BDA0002564115550000086
Figure BDA0002564115550000091
构建车辆队列中每一辆车的输出为yi(kt)＝[Si(kt),vi(kt)]T＝γxi(kt)，其中
Figure BDA0002564115550000092
令：
X(kt)＝[x1 T(kt),x2 T(kt),...,xN T(kt)]T，
U(kt)＝[u1(kt),u2(kt),...,uN(kt)]T，
Y(kt)＝[y1 T(kt),y2 T(kt),...,yN T(kt)]T，
Φ(X(kt))＝[φ1(x1)T,φ2(x2)T,...,φN(xN)T]T，
Ψ＝diag{ψ1,ψ2,...,ψN}，
则车辆队列整体的状态方程描述为：
X(kt)＝Φ(X(kt))+Ψ·U(kt)
Y(kt)＝ΓX(kt)
式中，
Figure BDA0002564115550000093
步骤4.2.2：在车辆编队***中的每一车辆上定义一个子预测优化问题，每个子预测优化问题利用邻域车辆及头车的信息进行优化求解，采用分布式模型预测控制方法为每辆车构造分布式控制器，如下：
A:建立目标函数
J＝min(f1(kt)+f2(kt)+f3(kt)+f4(kt))
其中，车辆编队***中的第i辆车与头车的跟车代价函数f1(kt)如下：
f1(kt)＝ωs1(hi(kt)-h1(kt)-di,1)2+ωv1(Zi(kt)-V1 *(kt))2
ωs1为编队***中的第i辆车与头车的距离误差权重系数，hi(kt)为编队***中的第i辆车的预测位置，h1(kt)为头车的预测位置，di,1为编队***中的第i辆车与头车之间的期望间距，ωv1为编队***中的第i辆车与头车的速度误差权重系数，Zi(kt)为编队***中的第i辆车的预测速度，V1 *(kt)为编队***中的头车的预测速度，
其中，编队***中的第i辆车与前车j的跟车代价函数f2(kt)如下：
f2(kt)＝ωs,i(hi(kt)-hj(kt)-di,j)2+ωv,j(Zi(kt)-Zj(kt))2
ωs,i为编队***中的第i辆车与前车j的距离误差权重系数，hj(kt)为编队***中第i辆车的前车j的预测位置，di,j为编队***中的第i辆车与前车j之间的期望间距，ωv,j为编队***中前车j的速度误差权重系数，Zj(kt)为编队***中前车j的预测速度；
其中，稳定性代价函数f3(kt)如下：
Figure BDA0002564115550000101
αi1为编队***中各车辆的预测输出轨迹与假设输出轨迹序列误差权重系数，
Figure BDA0002564115550000102
为预测输出轨迹，
Figure BDA0002564115550000103
为假设输出轨迹；
其中，舒适性及节能代价函数f4(kt)如下：
f4(kt)＝αi2(ui(kt)-Ti(kt))2
αi2为编队***中各车辆的舒适性权重系数，Ti(kt)为编队***中各车辆匀速行驶时转矩；
B:建立约束框架
vmin≤vi(kt)≤vmax
Tmin≤ui(kt)≤Tmax
Vi p(Np|kt)＝Vi *(Np|kt)
hi p(Np|kt)＝h1 p(Np|kt)-(i-1)di,j
Ti p(Np|kt)＝hi(Vi p(Np|kt))
vi(kt)为编队***中的第i辆车的实际速度，vmin、vmax分别为编队***中第i辆车的最大和最小速度，Tmin、Tmax分别为编队***中第i辆车的最大和最小转矩，Vi p(Np|kt)为编队***中第i辆车在预测终端时刻车辆状态收敛到稳态时的车速，该车速与交叉路口子区域i的最优参考速度相同，Vi *(Np|kt)为编队***中的第i辆车匀速行驶时的速度，hi p(Np|kt)为编队***中第i辆车的预测终端的位移，设计车辆预测终端的位移同第i辆车与头车的期望位移一致，h1 p(Np|kt)为编队***中的头车的预测终端的期望位移，di,j为编队***中的相邻两车之间的期望车间距，Ti p(Np|kt)为编队***中的第i辆车的车辆预测终端转矩，hi(Vi p(Np|kt))为编队***中的第i辆车匀速行驶时的车辆平衡转矩。
综上所述可知，本发明的有益效果包括：
1.本发明提供的一种面向城市非信控多交叉路口环境下的多车***协同控制方法，能够融合“集中式+分布式”的多交叉路口网络控制架构，克服了单一采用“分布式”或“集中式”控制架构的不足，使得该框架具有通用性，可以适用于大规模交叉路口形成的路网场景。
2.所设计的非信控多交叉路口环境下的交通流量均衡调度控制方法，综合考虑了各交叉路口子区域间的宏观交通网络运行态势预测状态信息与各交叉路口区域的短时交通网络边界控制状态预测信息，并基于多智能体一致性控制理论进行动态交通流分配与多车***的协同调度，从而实现调控区域子区域间的最优交通运行状态。
3.所设计的多交叉路口多车***多目标协同优化控制方法，结合了当前交通运行状态与多车***运行状态，实现在宏观层面上能够提高多交叉路***通通行效率，在微观层面上能够降低多车***燃油消耗、改善多车***的跟车性能等。
附图说明
为了更清楚的说明本实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图进行介绍：
图1(a)是本发明面向城市非信控多交叉路口环境下的多车***协同控制***分层控制架构图；
图1(b)是本发明面向城市非信控多交叉路口环境下的多车***协同控制逻辑图；
图2是本发明实施例中的实时在线交通运行状态综合评价算法流程示意图；
图3是本发明实施例中的交通流量均衡优化控制流程示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
本发明提出一种城市非信控多交叉路口环境下的多车协同控制***，图1(a)是控制***分层控制架构图；图1(b)是控制逻辑图。
如图1(a)所示，控制架构分为3层：多交叉路口区域集成调控单元、交叉路口子区域调控单元(1～n个)、车载动态决策与管理控制单元(1～n个)。
车载动态决策与管理控制单元设置编队***头车优化控制器和跟随车车载控制器。
多交叉路口区域集成调控单元接收各交叉路口子区域调控单元的交通流状态信息，并将多交叉路口区域集成调控单元的决策信息下发到各交叉路口子区域调控单元。
各交叉路口子区域调控单元接收各编队***头车(可指定为第一辆车)发送来的多车***状态信息，进行通行次序分配、路径分配及速度分配，并将多交叉路口区域集成调控单元和各交叉路口子区域调控单元的决策信息下发到各编队***头车控制器。
各编队***头车控制器接收各交叉路口子区域调控单元的决策信息，并接收编队***内除头车外的其他跟随车辆的状态信息以及接收前方编队***的末尾车辆信息进行多目标协同优化控制，并将优化后的决策控制信息发送给编队***内的所有跟随车辆。
跟随车车载控制器接收头车发送来的当前状态信息，并接收前车发送来的状态信息进行多目标优化控制，自动跟随编队***头车及前车调整纵横向运动状态。
结合图1(a)的分层控制架构，***控制逻辑如图1(b)所示：
多交叉路口区域集成调控单元根据各交叉路口子区域间的宏观交通网络运行态势预测状态信息，以及根据各交叉路口子区域的短时交通网络边界控制状态预测信息，为各交叉路口子区域调控单元实现调控子区域间的最优交通运行状态提出综合评价，并采用一致性优化算法，对多交叉路口区域内部及边界区域之间的交通流状态进行均衡控制。
各交叉路口子区域调控单元获得将要到达各交叉路口子区域控制边界的每一辆车当前时刻的交通调度网络状态信息与车辆控制状态信息，包括：车辆ID、行驶意图、当前速度、当前位置、将要到达交叉路口的时间间隔等，为多车***进行编号并组队，并结合多交叉路口区域集成调控单元对多交叉路口区域内部及边界区域之间的交通流状态的均衡控制，规划每一编队***车辆行驶路径并为控制网络区域内的各车辆分配优化参考速度，最终实现多交叉口路口子区域内部及子区域间多车***的高效协同调度与分配。
各车载动态决策与管理控制单元接收各交叉路口子区域调控单元发送来的交通调度管理与控制指令信息，包括：多车***编队指令、多车***通行次序指令、最优期望速度信息等，采用分布式的滚动时域决策与动态优化控制作为车载动态决策与管理控制策略，以安全、舒适、稳定、节能为目的，制定车辆纵向和横向行驶期望控制量，借助车辆动力学模型转化为执行驱动力；并将自车车辆的交通调度执行与控制状态信息上传到各交叉路口子区域控制单元，其中自车车辆的交通调度执行与控制状态信息包括：车辆ID、行驶意图、行驶路径、当前速度、当前位置、车辆加速度等。
控制过程所需的信息源包括来自于路侧单元、车载控制器、多交叉路口区域集成调控单元、各交叉路口子区域调控单元的各种信息。信息源负责所有V2V/V2I/I2I的信息处理和交互，并记录了所有的交通***运行状态信息，即各交叉路口子区域调控单元、各车载动态决策与管理控制单元都可以从信息源中获得自己需要的信息，并且信息源模块中设计了多车***之间的通信网络拓扑结构、需要传递的信息以及信息在各个层之间的传递过程。多交叉路口区域集成调控单元接收各交叉路口子区域调控单元的交通流状态信息，并将多交叉路口区域集成调控单元的决策信息通过I2I下发到各交叉路口子区域调控单元。各交叉路口子区域调控单元接收各编队***头车发送的多车***状态信息，并将多交叉路口区域集成调控单元和各交叉路口子区域调控单元的决策信息通过V2I下发到各编队***头车控制器。各车载动态决策与管理控制单元通过V2V从信息源中获得自己需要的信息。
基于上述控制架构和控制逻辑，本发明提供的一种面向城市非信控多交叉路口环境下的多车***协同控制方法，包括如下步骤：
步骤1：构建包含有多交叉路口区域集成调控单元、各交叉路口子区域调控单元、各车载动态决策与管理控制单元、信息源的控制***，关系如上所述。
步骤2：制定多交叉路口区域集成调控单元的控制措施，其具体包括：
步骤2.1：通过车辆与路侧单元之间的实时交互通信，利用多交叉路口区域集成调控单元获得当前道路的路况信息，其中所述路况信息包括：交通密度、边界平均速度、排队长度、行程时间比等。
步骤2.2：根据上述步骤2.1，计算获得宏观交通网络运行态势预测状态信息，以及各交叉路口子区域的短时交通网络边界控制状态预测信息。
步骤2.3：定量确定上述步骤2.2中各目标值的权重，求出各交叉路口子区域交通运行状态最优解。
步骤2.4：制定各交叉路口子区域间的宏观累计交通运行状态综合评价。
步骤2.5：若宏观累计交通运行状态综合评价不满足道路拥堵条件，则返回步骤2.2重新计算，若满足则进入步骤2.6。
步骤2.6：进行各交叉路口子区域网络内部交通流协调控制与各交叉路口子区域间的边界交通流的引导及协作控制。
步骤2.7：根据上述步骤2.6改变各交通流的实时行驶路径及当前交通流平均行驶速度，降低交通网络密度的交通拥堵时间和空间状态。
步骤3：制定各交叉路口子区域调控单元的控制措施，其具体包括：
步骤3.1：通过车辆与车辆之间的信息交互，根据当前时刻同一车道内相邻多车***的车况信息，获得相邻多车***间距及排队队列长度，其中所述车况信息包括多车***中各车的当前转矩、当前速度和实时位置信息。
步骤3.2：通过多车***与路侧单元之间的信息交互，结合根据所述步骤2.7获取的多车***期望行驶路径及期望平均行驶速度，以及根据所述步骤3.1获取的相邻多车***间距及排队队列长度，将当前交通网络中的多车***组成多个车辆编队***。
步骤3.3：所有车辆编队***按照先进入交叉口子区域先通行的原则，分配进入各交叉路口子区域的通行时间与空间通行资源，实现各车辆编队***通行次序和平均行驶速度的集中分配。
步骤4：制定各车载动态决策与管理控制单元的控制措施，其具体包括：
步骤4.1：通过各车辆编队***与各交叉路口子区域调控单元之间的信息交互，各车辆编队***中的头车接收所述步骤3.3中各交叉路口子区域调控单元分配的动态通行次序及期望平均行驶速度。
步骤4.2：根据上述步骤4.1设计各车辆编队***中头车的安全性、节能性、稳定性和舒适性的多目标协同优化控制器，进行局部期望轨迹规划，并输出期望控制量。
步骤4.3：根据上述步骤4.2，按照多车编队***的通信拓扑结构将输出的期望控制量发送给车辆编队***中除头车外的其他跟随车辆的车载控制器，其他跟随车辆则跟随车辆编队***中的头车行驶。
进一步地，所述步骤2.2中的“宏观交通网络运行态势预测状态信息”的获取方法如下：
步骤2.2.1：针对各待调控的交叉路口子区域交通流量分布不均匀的复杂城市交通网络，以集成各交叉路口子区域的空间平均密度均衡性和各交叉路口子区域进出交通运行状态的守恒特征为基础，构建多交叉路口区域集成调控单元交通流模型MFD(Macroscopic Fundamental Diagram，是一种已知训练模型)。
假设每个交叉路口子区域具有定义良好的交通流模型MFD，则利用子区域i中每个时间步长kt的测量流量，建立网络交通流量Q(kt)和车辆总数Ni(kt)之间的静态关系，函数表示如下：
Q(kt)＝Gi(Ni(kt))
其中Gi(·)表示MFD的函数，该函数可以通过多项式拟合方法获得。根据交通流的不同目的地，kt时刻通过区域i的车辆总数Ni(kt)是两个分量的总和，即表示本地车辆数ni(kt)和从子区域i到目的地子区域j的车辆数nij(kt)的总和。
则对于kt+1时刻通过子区域i的车辆总数Ni(kt+1)，则有：Ni(kt+1)＝ni(kt+1)+nij(kt+1)，其中，本地车辆数ni(kt+1)和从子区域i到目的地子区域j的车辆数nij(kt+1)分别为：
Figure BDA0002564115550000151
Figure BDA0002564115550000152
其中，T是采样间隔，dii(kt)和dij(kt)分别对应于在kt时刻到达目的地子区域i的流量需求和到达目的地子区域j的流量需求；Qji(kt)是在kt时刻从子区域j进入子区域i的交通流量，Qi,O(kt)是在kt时刻离开子区域i的交通流量，Qij(kt)是离开子区域i到子区域j的交通流量；pii(kt)是在kt时刻，离开子区域i的交通流的一步转移概率，pij(kt)是在kt时刻，从子区域i到子区域j的交通流的一步转移概率，它也表示到不同目的地的交通流在整个网络交通流中所占的比例；n表示交叉路口子区域的数量。
步骤2.2.2：通过最小化通过交叉路口子区域的流量，建立宏观交通网络运行态势预测状态信息目标函数：
Figure BDA0002564115550000153
式中，Ni(kt+1)表示kt+1时刻通过子区域i的车辆总数，T表示采样间隔，Ni,c(kt+1)表示对应于kt+1时刻的最大空间平均交通流的临界车辆数量。
步骤2.2.3：对目标函数需建立约束框架，包括如下：
A:车辆数量约束
Figure BDA0002564115550000161
式中，Qi,I(kt)表示kt时刻子区域i的总流入量，Qi,O(kt)表示kt时刻离开子区域i的交通流量，Qji(kt)表示kt时刻从子区域j进入子区域i的交通流量，Qij(kt)表示kt时刻从子区域i进入子区域j的交通流量，Ni(kt)表示kt时刻通过子区域i的车辆总数。
B:交通流约束
Figure BDA0002564115550000162
式中，Qi(kt+1)表示kt+1时刻子区域i网络交通流量，Qi,O(kt+1)表示kt+1时刻离开子区域i的交通流量，Qji(kt+1)表示kt+1时刻从子区域j进入子区域i的交通流量。
C:链路最大交通流约束
0≤Qij(kt+1)≤mijρi,ij
式中，Qij(kt+1)表示kt+1时刻从子区域i流入子区域j的交通流量，mij表示子区域i及其邻居子区域j的链路数，ρi,ij是子区域i及其邻居子区域j间的链路上的平均饱和交通流量。
进一步地，所述步骤2.2中的“短时交通网络边界控制状态预测信息”获取方法如下：
步骤2.2.1：构建各交叉路口子区域调控单元交通流模型：
假设采样循环时间cc等于所有交叉路口的采样时间步长kt，则交叉路口子区域的链路(i,j)中的车辆总数可以通过以下守恒方程进行更新(链路(i,j)是指从i到j方向的链路)：
ni,j(kt+1)＝ni,j(kt)+(αij,I(kt)-αij,O(kt)·cc
式中，ni,j(kt+1)表示kt+1时刻进入链路(i,j)的车辆总数；ni,j(kt)表示kt时刻进入链路(i,j)的车辆总数；αij,I(kt)表示kt时刻进入链路(i,j)的流量，是从其上游链路流出的流量之和，αij,O(kt)表示kt时刻离开链路(i,j)的流量，是其下游链路的流入流量之和。其中，
αij,O(kt)＝min(βij,o(kt)·μij·gij,o(kt)/cc,qij,o(kt)/cc+αij,I(kt),βij,o(kt)(Cj,o-nj,o(kt))/cc)，式中βij,o(kt)·μij·gij,o(kt)/cc表示交叉口的通行能力、qij,o(kt)/cc+αij,I(kt)表示等待和到达的车辆数量，βij,o(kt)(Cj,o-nj,o(kt))/cc表示下游路段的可用空间，具体取值为三项中的最小值。
βij,o(kt)是流出子区域j的相对分数，μij是离开链路(i,j)的饱和流量，gij,o(kt)是在链路(i,j)中流向j的交通流的可行时间长度，qij,o(kt)表示离开链路(i,j)的交通密度，Cj,o是以车辆数量表示的下游链路的容量,nj,o(kt)是链路(i,j)中的车辆数。
其中，αij,I(k)＝βij,I·αij,O(kt)，βij,I是流向子区域j的相对分数。
步骤2.2.2：通过最小化通过交叉路口子区域的流量以及总交通流量与最优交通流量之差，建立短时交通网络边界控制状态预测信息目标函数：
Figure BDA0002564115550000171
式中，ni,j(kt+1)表示kt+1时刻进入链路(i,j)中的车辆总数；cc是采样循环时间，αij,O(kt+1)表示kt+1时刻离开链路(i,j)中的交通流量，其中αl表示最低流量，Qij(kt+1)表示kt+1时刻从子区域i流入子区域j的交通流量。
进一步地，所述步骤2.3中的关于求解“各交叉路口子区域交通运行状态最优解”的方法如下：
建立代价函数：
Q*(kt)＝min(wiQw(kt)+wjQh(kt))
其中，Q*(kt)表示kt时刻各交叉路口子区域交通运行流量状态最优解，wi是考虑子区域i的运行态势预测状态信息权重系数，Qw(kt)是kt时刻的子区域i的宏观交通网络运行态势预测状态信息值，wj是考虑子区域j的短时交通网络边界控制状态预测信息权重系数，Qh(kt)是kt时刻的子区域j的短时交通网络边界控制状态预测信息值。其中两个权重系数是通过经验调试出来的，Qw(kt)、Qh(kt)是步骤2.2算出来的。
进一步地，结合附图2，所述步骤2.4中，制定各交叉路口子区域间的“宏观累计交通运行状态综合评价”的具体步骤如下：
步骤2.4.1：采用模糊综合评价法建立宏观累计交通运行状态综合评价参数指标集
Figure BDA0002564115550000181
其中Q*表示各交叉路口子区域交通运行流量状态最优解，
Figure BDA0002564115550000182
表示平均速度，L表示排队长度，ATTR表示行程时间比；建立宏观累计交通运行状态综合评价参数评价集B＝[b1,b2,b3,b4]，其中b1表示拥堵，b2表示轻度拥堵，b3表示基本畅通，b4表示畅通。
步骤2.4.2：将交通运行状态进行模糊化，根据不同交通状态下的规则进行模糊推理，单因素模糊判别矩阵如下：
Figure BDA0002564115550000183
其中，
Figure BDA0002564115550000184
分别表示交通运行流量状态最优的隶属度函数值，
Figure BDA0002564115550000185
分别表示平均速度
Figure BDA0002564115550000186
的隶属度函数值，
Figure BDA0002564115550000187
分别表示排队长度L的隶属度函数值，
Figure BDA0002564115550000188
分别表示行程时间比ATTR的隶属度函数值。
步骤2.4.3：针对每个交通运行状态综合评价参数指标，根据各基本指标对于评价交通状态的不同侧重点及重要程度，对各评价参数指标进行加权处理，并获得最终评价结果，如下：
Figure BDA0002564115550000189
式中，B*是模糊综合评价值，该值落入综合评价参数评价集哪个评价范围内，就属于哪种交通状况；ω1,ω2,ω3,ω4分别为四个评价参数指标状态调整权重系数；
Figure BDA00025641155500001810
表示模糊合成运算。
进一步地，结合附图3，基于一致性算法，对所述步骤2.6中的“进行各交叉路口子区域网络内部交通流协调控制与各交叉路口子区域间的边界交通流的引导及协作控制”的策略方法如下：
步骤2.6.1：建立代价函数
Figure BDA0002564115550000191
式中，Qi(kt)表示kt时刻交叉路口子区域i的实际交通运行状态信息，Qj(kt)表示kt时刻交叉路口子区域j的实际交通运行状态信息，Q*(kt)表示kt时刻各交叉路口子区域交通运行流量状态最优解。
步骤2.6.2：建立约束框架
0≤Qi(kt)≤Qmax
0≤Qj(kt)≤Qmax
式中，Qmax表示交通状态参数最大值。
在约束框架下，使代价函数获得最小值，即为解决问题。
进一步地，所述步骤3.3中的“平均行驶速度的集中分配”的控制问题解决如下：
步骤3.3.1：建立代价函数
Figure BDA0002564115550000192
式中，Vi(kt)表示kt时刻交叉路口子区域i的实际平均速度，
Figure BDA0002564115550000193
表示kt时刻交叉路口子区域i的最优参考速度，
Figure BDA0002564115550000194
其中
Figure BDA0002564115550000195
和
Figure BDA0002564115550000196
分别表示kt时刻最优交通流状态下的交叉路口子区域i和j的平均速度，
Figure BDA0002564115550000197
为权重系数。
步骤3.3.2：建立约束框架
Figure BDA0002564115550000198
式中，Vmax为道路最大限速度，
Figure BDA0002564115550000199
与
Figure BDA00025641155500001910
分别为交叉路口区域多车***的最小和最大平均加速度。
在约束框架下，使代价函数获得最小值，即为解决问题。
进一步地，所述步骤4.2中设计各车辆编队***中头车的“多目标协同优化控制器”的方法如下：
步骤4.2.1：设计各车辆编队***的非线性动力学模型，具体如下：
为了保证车辆编队***行驶的稳定性和每辆车在队列中的跟车性能，需要考虑将车辆纵向动力学方程中的非线性项考虑在控制过程中，该模型采用建立非线性动力学方程的方式建立非线性队列动力学模型。
每辆车的非线性动力学方程为：
Figure BDA0002564115550000201
式中，Si(kt)和vi(kt)分别为第i辆车的位移和速度，Tq,i(kt)为车辆实际转矩，ui(kt)为期望转矩，i0表示机械传动比，ηm,i为传动***机械效率，mi为车辆质量，CD,i为队列内车辆阻力系数，ρ表示空气密度，Ai为车辆迎风面积，g为重力加速度，rw,i为车轮滚动半径，f为滚动阻力系数，τi为纵向动力***时滞系数，α为道路坡度，Δkt为离散时间步长。
通过欧拉方法离散动力学方程，进一步可将上述非线性方程写为如下形式：
xi(kt+1)＝φi(xi(kt))+ψiui(kt)，i∈Ν(N是指队列中车辆数)
其中，xi(kt)为车辆的状态量；
Figure BDA0002564115550000202
Figure BDA0002564115550000203
构建车辆队列中每一辆车的输出为yi(kt)＝[Si(kt),vi(kt)]T＝γxi(kt)，其中
Figure BDA0002564115550000204
令：
X(kt)＝[x1 T(kt),x2 T(kt),...,xN T(kt)]T，
U(kt)＝[u1(kt),u2(kt),...,uN(kt)]T，
Y(kt)＝[y1 T(kt),y2 T(kt),...,yN T(kt)]T，
Φ(X(kt))＝[φ1(x1)T,φ2(x2)T,...,φN(xN)T]T，
Ψ＝diag{ψ1,ψ2,...,ψN}，
则车辆队列整体的状态方程可写为：
X(kt)＝Φ(X(kt))+Ψ·U(kt)
Y(kt)＝ΓX(kt)
式中，
Figure BDA0002564115550000211
步骤4.2.2：根据上述非线性队列动力学模型，在车辆编队***中的每个车辆上定义一个子预测优化问题，每个子预测优化问题利用邻域车辆及头车的信息进行优化求解，由于该优化问题只利用邻域车辆的状态信息，并没有用全局的状态信息，为分布式优化问题，因此采用DMPC(Distributed Predictive Control，分布式模型预测控制方法)为每辆车构造分布式控制器，如下：
A:建立目标函数
J＝min(f1(kt)+f2(kt)+f3(kt)+f4(kt))
其中，编队***中的第i辆车与第一辆车(头车)的跟车代价函数f1(kt)如下：
f1(kt)＝ωs1(hi(kt)-h1(kt)-di,1)2+ωv1(Zi(kt)-V1 *(kt))2
上式中，ωs1为编队***中的第i辆车与第一辆车的距离误差权重系数，hi(kt)为编队***中的第i辆车的预测位置，h1(kt)为第一辆车的预测位置，di,1为编队***中的第i辆车与第一辆车之间的期望间距，ωv1为编队***中的第i辆车与第一辆车的速度误差权重系数，Zi(kt)为编队***中的第i辆车的预测速度，V1 *(kt)为编队***中的第一辆车的预测速度，即交叉路口子区域i的最优参考速度。
其中，编队***中的第i辆车与前车j的跟车代价函数f2(kt)如下：
f2(kt)＝ωs,i(hi(kt)-hj(kt)-di,j)2+ωv,j(Zi(kt)-Zj(kt))2
上式中，ωs,i为编队***中的第i辆车与前车j的距离误差权重系数，hi(kt)为编队***中的第i辆车的预测位置，hj(kt)为编队***中第i辆车的前车j的预测位置，di,j为编队***中的第i辆车与前车j之间的期望间距，ωv,j为编队***中前车j的速度误差权重系数，Zi(kt)为编队***中的第i辆车的预测速度，Zj(kt)为编队***中前车j的预测速度。
其中，稳定性代价函数f3(kt)如下：
Figure BDA0002564115550000221
式中，αi1为编队***中各车辆的预测输出轨迹与假设输出轨迹序列误差权重系数，
Figure BDA0002564115550000222
为预测输出轨迹，
Figure BDA0002564115550000223
为假设输出轨迹。
其中，舒适性及节能代价函数f4(kt)如下：
f4(kt)＝αi2(ui(kt)-Ti(kt))2
式中，αi2为编队***中各车辆的舒适性权重系数，ui(kt)为编队***中各车辆的期望转矩，Ti(kt)为编队***中各车辆匀速行驶时转矩。
B:建立约束框架
vmin≤vi(kt)≤vmax
Tmin≤ui(kt)≤Tmax
Vi p(Np|kt)＝Vi *(Np|kt)
hi p(Np|kt)＝h1 p(Np|kt)-(i-1)di,j
Ti p(Np|kt)＝hi(Vi p(Np|kt))
其中，vi(kt)为编队***中的第i辆车的实际速度，ui(kt)为编队***中各车辆的期望转矩，vmin、vmax分别为编队***中第i辆车的最大和最小速度，该值的选取与车辆动力学特性相关，Tmin、Tmax分别为编队***中第i辆车的最大和最小转矩，该值的选取与车辆动力学特性相关，使车辆保持在安全速度范围和允许的转矩范围内行驶；Vi p(Np|kt)表示编队***中第i辆车在预测终端时刻车辆状态收敛到稳态时的车速，该预测终端车速与交叉路口子区域i的最优参考速度相同；Vi *(Np|kt)为编队***中的第i辆车匀速行驶时的速度，即交叉路口子区域i的最优参考速度；h1 p(Np|kt)为编队***中的第一辆车的预测终端的期望位移；hi p(Np|kt)为编队***中第i辆车的预测终端的位移，设计车辆预测终端的位移同车辆i与第一辆车的期望位移一致；di,j为编队***中的相邻两车之间的期望车间距；Ti p(Np|kt)为编队***中的第i辆车的车辆预测终端转矩；hi(Vi p(Np|kt))为编队***中的第i辆车匀速行驶时的车辆平衡转矩。
最后需要说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解，可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，包括：
步骤1：构建包含有多交叉路口区域集成调控单元、交叉路口子区域调控单元、车载动态决策与管理控制单元的控制***；
步骤2：所述多交叉路口区域集成调控单元，根据各交叉路口子区域间的宏观交通网络运行态势预测状态信息，以及各交叉路口子区域的短时交通网络边界控制状态预测信息，对所述交叉路口子区域调控单元调控的各交叉路口子区域间的宏观累计交通运行状态提出综合评价，并对各交叉路口子区域内部及边界之间的交通流状态进行均衡控制；
步骤3：所述交叉路口子区域调控单元，根据将要到达交叉路口子区域控制边界的每一辆车的交通网络状态信息和车辆状态信息，组建车辆编队***，进行通行次序分配、路径分配及速度分配，并将决策信息发送给车载动态决策与管理控制单元；
步骤4：所述车载动态决策与管理控制单元，设置车辆编队***头车优化控制器和跟随车车载控制器；
所述头车优化控制器接收各交叉路口子区域调控单元的决策信息，并接收本***内部跟随车辆的状态信息，并接收前方车辆编队***末尾车辆的状态信息，进行多目标协同优化控制，将优化控制决策信息发送给本***内的所有跟随车辆；
所述跟随车车载控制器，接收本***头车发送来的优化控制决策信息，并接收前车发送来的状态信息，自动跟随本***头车及前车调整纵横向运动状态。
2.根据权利要求1所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤2具体实施措施如下：
步骤2.1：通过车辆与路侧单元之间的实时交互通信，所述多交叉路口区域集成调控单元获得当前道路的路况信息；
步骤2.2：所述多交叉路口区域集成调控单元计算获得各交叉路口子区域间的宏观交通网络运行态势预测状态信息，以及各交叉路口子区域的短时交通网络边界控制状态预测信息；
步骤2.3：所述多交叉路口区域集成调控单元定量确定步骤2.2两种信息的权重，求出各交叉路口子区域交通运行状态最优解；
步骤2.4：所述多交叉路口区域集成调控单元制定各交叉路口子区域间的宏观累计交通运行状态综合评价；
步骤2.5：若宏观累计交通运行状态综合评价不满足道路拥堵条件，则返回步骤2.2循环监测计算，若满足则进入步骤2.6；
步骤2.6：进行各交叉路口子区域内部及边界之间的交通流状态均衡控制；
步骤2.7：根据步骤2.6改变各交通流的实时行驶路径及平均行驶速度，降低交通拥堵时间。
3.根据权利要求1所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤3具体实施措施如下：
步骤3.1：通过车与车之间的信息交互，根据当前时刻同一车道内相邻多车***的车况信息，获得相邻多车***间距及排队队列长度；
步骤3.2：通过车辆与路侧单元之间的信息交互，结合所述多交叉路口区域集成调控单元调控的交通流状态，以及根据步骤3.1获取的相邻多车***间距及排队队列长度，将当前交通网络中的多车***组成多个车辆编队***；
步骤3.3：按照先进入交叉口子区域先通行的原则，分配所有车辆编队***进入各交叉路口子区域的动态通行时间、通行次序及期望平均行驶速度。
4.根据权利要求1所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤4具体实施措施如下：
步骤4.1：通过各车辆编队***与各交叉路口子区域调控单元之间的信息交互，各车辆编队***中的头车接收各交叉路口子区域调控单元分配的通行次序及速度；
步骤4.2：以头车的安全性、节能性、稳定性和舒适性为目的，设计各车辆编队***中的头车优化控制器，进行局部期望轨迹规划，并输出期望控制量；
步骤4.3：按照多车编队***的通信拓扑结构将输出的期望控制量发送给车辆编队***中除头车外的其他跟随车辆的车载控制器，其他跟随车辆则跟随车辆编队***中的头车行驶。
5.根据权利要求2所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，
1)所述步骤2.2中，多交叉路口区域集成调控单元计算获得各交叉路口子区域间的宏观交通网络运行态势预测状态信息的方法如下：
步骤2.2.1：假设每个交叉路口子区域都具有定义良好的交通流模型MFD，利用子区域i中每个时间步长kt的测量流量，建立网络交通流量Q(kt)和车辆总数Ni(kt)的关系如下：
Q(kt)＝Gi(Ni(kt))
式中，Gi(·)表示MFD的函数，Ni(kt)＝ni(kt)+nij(kt)，ni(kt)表示本地车辆数，nij(kt)表示从子区域i到目的地子区域j的车辆数，则对于kt+1时刻有：Ni(kt+1)＝ni(kt+1)+nij(kt+1)，
Figure FDA0002564115540000031
Figure FDA0002564115540000032
式中，T表示采样间隔，dii(kt)和dij(kt)分别对应于在kt时刻到达子区域i的流量需求和到达子区域j的流量需求，pii(kt)表示在kt时刻离开子区域i的交通流的一步转移概率，pij(kt)表示在kt时刻从子区域i到子区域j的交通流的一步转移概率，Qji(kt)是在kt时刻从子区域j进入子区域i的交通流量，Qi,O(kt)是在kt时刻离开子区域i的交通流量，Qij(kt)是在kt时刻从子区域i到子区域j的交通流量，n表示交叉路口子区域的数量；
步骤2.2.2：通过最小化通过交叉路口子区域的流量，建立宏观交通网络运行态势预测状态信息目标函数：
Figure FDA0002564115540000033
式中，Ni,c(kt+1)表示kt+1时刻的最大空间平均交通流的临界车辆数量；
步骤2.2.3：建立目标函数约束框架：
A:车辆数量约束
Figure FDA0002564115540000034
式中，Qi,I(kt)表示kt时刻子区域i的总流入量；
B:交通流约束
Figure FDA0002564115540000041
式中，Qi(kt+1)表示kt+1时刻子区域i网络交通流量，Qi,O(kt+1)表示kt+1时刻离开子区域i的交通流量，Qji(kt+1)表示kt+1时刻从子区域j进入子区域i的交通流量；
C:链路最大交通流约束
0≤Qij(kt+1)≤mijρi,ij
式中，Qij(kt+1)表示kt+1时刻从子区域i流入子区域j的交通流量，mij表示子区域i及其邻居子区域j的链路数，ρi,ij是子区域i及其邻居子区域j间的链路上的平均饱和交通流量；
2)所述步骤2.2中，多交叉路口区域集成调控单元计算获得各交叉路口子区域的短时交通网络边界控制状态预测信息的方法如下：
步骤2.2.1：假设采样循环时间cc等于所有交叉路口的采样时间步长kt，则交叉路口子区域的链路(i,j)中的车辆总数可以通过以下守恒方程进行更新：
ni,j(kt+1)＝ni,j(kt)+(αij,I(kt)-αij,O(kt)·cc
式中，ni,j(kt+1)表示kt+1时刻进入链路(i,j)的车辆总数；ni,j(kt)表示kt时刻进入链路(i,j)的车辆总数；αij,I(kt)表示kt时刻进入链路(i,j)的流量，是从其上游链路流出的流量之和，αij,O(kt)表示kt时刻离开链路(i,j)的流量，是其下游链路的流入流量之和；其中，
αij,O(kt)＝min(βij,o(kt)·μij·gij,o(kt)/cc,qij,o(kt)/cc+αij,I(kt),βij,o(kt)(Cj,o-nj,o(kt))/cc)，βij,o(kt)·μij·gij,o(kt)/cc表示交叉口的通行能力，qij,o(kt)/cc+αij,I(kt)表示等待和到达的车辆数量，βij,o(kt)(Cj,o-nj,o(kt))/cc表示下游路段的可用空间，βij,o(kt)表示流出子区域j的相对分数，μij表示离开链路(i,j)的饱和流量，gij,o(kt)表示在链路(i,j)中流向j的交通流的可行时间长度，qij,o(kt)表示离开链路(i,j)的交通密度，Cj,o表示以车辆数量表示的下游链路的容量,nj,o(kt)是链路(i,j)中的车辆数；
αij,I(k)＝βij,I·αij,O(kt)，βij,I是流向子区域j的相对分数；
步骤2.2.2：通过最小化通过交叉路口子区域的流量，以及总交通流量与最优交通流量之差，建立短时交通网络边界控制状态预测信息目标函数：
Figure FDA0002564115540000051
式中，αij,O(kt+1)表示kt+1时刻离开链路(i,j)的交通流量，其中αl表示最低流量，Qij(kt+1)表示kt+1时刻从子区域i流入子区域j的交通流量。
6.根据权利要求2或5所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤2.3中，求解各交叉路口子区域交通运行状态最优解的方法如下：
建立代价函数：
Q*(kt)＝min(wiQw(kt)+wjQh(kt))
Q*(kt)表示kt时刻各交叉路口子区域交通运行流量状态最优解，wi是考虑子区域i的运行态势预测状态信息权重系数，Qw(kt)是kt时刻的子区域i的宏观交通网络运行态势预测状态信息值，wj是考虑子区域j的短时交通网络边界控制状态预测信息权重系数，Qh(kt)是kt时刻的子区域j的短时交通网络边界控制状态预测信息值；wi、wj是经验调试值。
7.根据权利要求2所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤2.4中，制定各交叉路口子区域间的宏观累计交通运行状态综合评价的方法如下：
步骤2.4.1：采用模糊综合评价法建立宏观累计交通运行状态综合评价参数指标集
Figure FDA0002564115540000052
Q*表示各交叉路口子区域交通运行流量状态最优解，
Figure FDA0002564115540000053
表示平均速度，L表示排队长度，ATTR表示行程时间比；建立宏观累计交通运行状态综合评价参数评价集B＝[b1,b2,b3,b4]，b1表示拥堵，b2表示轻度拥堵，b3表示基本畅通，b4表示畅通；
步骤2.4.2：将交通运行状态进行模糊化，根据不同交通状态下的规则进行模糊推理，单因素模糊判别矩阵如下：
Figure FDA0002564115540000061
其中，
Figure FDA0002564115540000062
分别表示交通运行流量状态最优的隶属度函数值，
Figure FDA0002564115540000063
分别表示平均速度
Figure FDA0002564115540000064
的隶属度函数值，
Figure FDA0002564115540000065
分别表示排队长度L的隶属度函数值，
Figure FDA0002564115540000066
分别表示行程时间比ATTR的隶属度函数值；
步骤2.4.3：针对每个交通运行状态综合评价参数指标进行加权处理，并获得最终评价结果，如下：
Figure FDA0002564115540000067
式中，B*是模糊综合评价值，该值落入宏观累计交通运行状态综合评价参数评价集中哪个评价范围内，就属于哪种交通状况；ω1,ω2,ω3,ω4分别为四个交通运行状态综合评价参数指标的权重系数，
Figure FDA0002564115540000068
表示模糊合成运算。
8.根据权利要求2所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤2.6中，进行各交叉路口子区域内部及边界之间的交通流状态均衡控制的方法如下：
步骤2.6.1：建立代价函数
Figure FDA0002564115540000069
式中，Qi(kt)表示kt时刻交叉路口子区域i的实际交通运行状态信息，Qj(kt)表示kt时刻交叉路口子区域j的实际交通运行状态信息，Q*(kt)表示kt时刻各交叉路口子区域交通运行流量状态最优解；
步骤2.6.2：建立约束框架
0≤Qi(kt)≤Qmax
0≤Qj(kt)≤Qmax
式中，Qmax表示交通状态参数最大值；
在约束框架下，使代价函数获得最小值，即为解决问题。
9.根据权利要求3所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤3.3中，分配所有车辆编队***期望平均行驶速度的方法如下：
步骤3.3.1：建立代价函数
Figure FDA0002564115540000071
式中，Vi(kt)表示kt时刻交叉路口子区域i的实际平均速度，Vi *(kt)表示kt时刻交叉路口子区域i的最优参考速度，
Figure FDA0002564115540000072
Figure FDA0002564115540000073
和
Figure FDA0002564115540000074
分别表示kt时刻最优交通流状态下的交叉路口子区域i和j的平均速度，
Figure FDA0002564115540000075
为权重系数；
步骤3.3.2：建立约束框架
0≤Vi(kt)≤Vmax
Figure FDA0002564115540000076
式中，Vmax为道路最大限速度，
Figure FDA0002564115540000077
与
Figure FDA0002564115540000078
分别为交叉路口区域多车***的最小和最大平均加速度；
在约束框架下，使代价函数获得最小值，即为解决问题。
10.根据权利要求4所述的城市非信控多交叉路口环境下的多车协同控制方法，其特征在于，所述步骤4.2中，设计各车辆编队***中头车优化控制器的方法如下：
步骤4.2.1：建立车辆非线性动力学方程为：
Figure FDA0002564115540000079
式中，Si(kt)和vi(kt)分别为第i辆车的位移和速度，Tq,i(kt)为车辆实际转矩，ui(kt)为期望转矩，i0为机械传动比，ηm,i为传动***机械效率，mi为车辆质量，CD,i为队列内车辆阻力系数，ρ为空气密度，Ai为车辆迎风面积，g为重力加速度，rw,i为车轮滚动半径，f为滚动阻力系数，τi为纵向动力***时滞系数，α为道路坡度，Δkt为离散时间步长；
通过欧拉方法离散动力学方程，将所述非线性动力学方程改写为：
xi(kt+1)＝φi(xi(kt))+ψiui(kt)，i∈Ν
其中，xi(kt)为车辆的状态量，N指队列中车辆数，
Figure FDA0002564115540000081
Gi＝mig
Figure FDA0002564115540000082
构建车辆队列中每一辆车的输出为yi(kt)＝[Si(kt),vi(kt)]T＝γxi(kt)，其中
Figure FDA0002564115540000083
令：
X(kt)＝[x1 T(kt),x2 T(kt),...,xN T(kt)]T，
U(kt)＝[u1(kt),u2(kt),...,uN(kt)]T，
Y(kt)＝[y1 T(kt),y2 T(kt),...,yN T(kt)]T，
Φ(X(kt))＝[φ1(x1)T,φ2(x2)T,...,φN(xN)T]T，
Ψ＝diag{ψ1,ψ2,...,ψN}，
则车辆队列整体的状态方程描述为：
X(kt)＝Φ(X(kt))+Ψ·U(kt)
Y(kt)＝ΓX(kt)
式中，
Figure FDA0002564115540000084
步骤4.2.2：在车辆编队***中的每一车辆上定义一个子预测优化问题，每个子预测优化问题利用邻域车辆及头车的信息进行优化求解，采用分布式模型预测控制方法为每辆车构造分布式控制器，如下：
A:建立目标函数
J＝min(f1(kt)+f2(kt)+f3(kt)+f4(kt))
其中，车辆编队***中的第i辆车与头车的跟车代价函数f1(kt)如下：
f1(kt)＝ωs1(hi(kt)-h1(kt)-di,1)2+ωv1(Zi(kt)-V1 *(kt))2
ωs1为编队***中的第i辆车与头车的距离误差权重系数，hi(kt)为编队***中的第i辆车的预测位置，h1(kt)为头车的预测位置，di,1为编队***中的第i辆车与头车之间的期望间距，ωv1为编队***中的第i辆车与头车的速度误差权重系数，Zi(kt)为编队***中的第i辆车的预测速度，V1 *(kt)为编队***中的头车的预测速度，
其中，编队***中的第i辆车与前车j的跟车代价函数f2(kt)如下：
f2(kt)＝ωs,i(hi(kt)-hj(kt)-di,j)2+ωv,j(Zi(kt)-Zj(kt))2
ωs,i为编队***中的第i辆车与前车j的距离误差权重系数，hj(kt)为编队***中第i辆车的前车j的预测位置，di,j为编队***中的第i辆车与前车j之间的期望间距，ωv,j为编队***中前车j的速度误差权重系数，Zj(kt)为编队***中前车j的预测速度；
其中，稳定性代价函数f3(kt)如下：
Figure FDA0002564115540000091
αi1为编队***中各车辆的预测输出轨迹与假设输出轨迹序列误差权重系数，
Figure FDA0002564115540000092
为预测输出轨迹，
Figure FDA0002564115540000093
为假设输出轨迹；
其中，舒适性及节能代价函数f4(kt)如下：
f4(kt)＝αi2(ui(kt)-Ti(kt))2
αi2为编队***中各车辆的舒适性权重系数，Ti(kt)为编队***中各车辆匀速行驶时转矩；
B:建立约束框架
vmin≤vi(kt)≤vmax
Tmin≤ui(kt)≤Tmax
Vi p(Np|kt)＝Vi *(Np|kt)
hi p(Np|kt)＝h1 p(Np|kt)-(i-1)di,j
Ti p(Np|kt)＝hi(Vi p(Np|kt))
vi(kt)为编队***中的第i辆车的实际速度，vmin、vmax分别为编队***中第i辆车的最大和最小速度，Tmin、Tmax分别为编队***中第i辆车的最大和最小转矩，Vi p(Np|kt)为编队***中第i辆车在预测终端时刻车辆状态收敛到稳态时的车速，该车速与交叉路口子区域i的最优参考速度相同，Vi *(Np|kt)为编队***中的第i辆车匀速行驶时的速度，hi p(Np|kt)为编队***中第i辆车的预测终端的位移，设计车辆预测终端的位移同第i辆车与头车的期望位移一致，h1 p(Np|kt)为编队***中的头车的预测终端的期望位移，di,j为编队***中的相邻两车之间的期望车间距，Ti p(Np|kt)为编队***中的第i辆车的车辆预测终端转矩，hi(Vi p(Np|kt))为编队***中的第i辆车匀速行驶时的车辆平衡转矩。
CN202010616991.1A 2020-07-01 2020-07-01 一种城市非信控多交叉路口环境下的多车协同控制方法 Active CN111724602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010616991.1A CN111724602B (zh) 2020-07-01 2020-07-01 一种城市非信控多交叉路口环境下的多车协同控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010616991.1A CN111724602B (zh) 2020-07-01 2020-07-01 一种城市非信控多交叉路口环境下的多车协同控制方法

Publications (2)

Publication Number Publication Date
CN111724602A true CN111724602A (zh) 2020-09-29
CN111724602B CN111724602B (zh) 2021-06-22

Family

ID=72570651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010616991.1A Active CN111724602B (zh) 2020-07-01 2020-07-01 一种城市非信控多交叉路口环境下的多车协同控制方法

Country Status (1)

Country Link
CN (1) CN111724602B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112437412A (zh) * 2020-10-30 2021-03-02 北方工业大学 一种基于车路协同的混行驾驶车辆编队控制方法
CN112767715A (zh) * 2020-12-29 2021-05-07 合肥工业大学 一种交叉路***通信号灯与智能网联汽车的协同控制方法
CN113077644A (zh) * 2021-03-24 2021-07-06 中车青岛四方机车车辆股份有限公司 一种交叉口车辆通行控制方法及***
CN113537555A (zh) * 2021-06-03 2021-10-22 太原理工大学 一种考虑扰动的交通子区模型预测滑模边界控制方法
CN114999227A (zh) * 2022-05-25 2022-09-02 中国农业大学 非信控交叉路口混合多车无模型预测协同控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104882008A (zh) * 2015-06-03 2015-09-02 东南大学 一种车联网环境下的无信号交叉口车辆协同控制方法
CN106781435A (zh) * 2016-12-15 2017-05-31 清华大学 一种基于无线通信的非信控交叉路口车辆编队通行方法
US20180299290A1 (en) * 2013-03-15 2018-10-18 Caliper Corporation Lane-level vehicle navigation for vehicle routing and traffic management
US10395523B2 (en) * 2016-09-12 2019-08-27 Here Global B.V. Method, apparatus and computer program product for indexing traffic lanes for signal control and traffic flow management

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180299290A1 (en) * 2013-03-15 2018-10-18 Caliper Corporation Lane-level vehicle navigation for vehicle routing and traffic management
CN104882008A (zh) * 2015-06-03 2015-09-02 东南大学 一种车联网环境下的无信号交叉口车辆协同控制方法
US10395523B2 (en) * 2016-09-12 2019-08-27 Here Global B.V. Method, apparatus and computer program product for indexing traffic lanes for signal control and traffic flow management
CN106781435A (zh) * 2016-12-15 2017-05-31 清华大学 一种基于无线通信的非信控交叉路口车辆编队通行方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XING ZHAO ET AL.: "Cooperative Driving for Connected and Automated Vehicles at", 《2019 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC)》 *
YANG ZHUO ET AL.: "Cooperative driving model for non-signalized", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 *
YUE MENG ET AL.: "Analysis of Cooperative Driving Strategies for Nonsignalized Intersections", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY 》 *
王涵: "面向车联网的连续交叉路口节能车速优化方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112437412A (zh) * 2020-10-30 2021-03-02 北方工业大学 一种基于车路协同的混行驾驶车辆编队控制方法
CN112437412B (zh) * 2020-10-30 2023-04-14 北方工业大学 一种基于车路协同的混行驾驶车辆编队控制方法
CN112767715A (zh) * 2020-12-29 2021-05-07 合肥工业大学 一种交叉路***通信号灯与智能网联汽车的协同控制方法
CN113077644A (zh) * 2021-03-24 2021-07-06 中车青岛四方机车车辆股份有限公司 一种交叉口车辆通行控制方法及***
CN113537555A (zh) * 2021-06-03 2021-10-22 太原理工大学 一种考虑扰动的交通子区模型预测滑模边界控制方法
CN113537555B (zh) * 2021-06-03 2023-04-11 太原理工大学 一种考虑扰动的交通子区模型预测滑模边界控制方法
CN114999227A (zh) * 2022-05-25 2022-09-02 中国农业大学 非信控交叉路口混合多车无模型预测协同控制方法
CN114999227B (zh) * 2022-05-25 2023-10-20 中国农业大学 非信控交叉路口混合多车无模型预测协同控制方法

Also Published As

Publication number Publication date
CN111724602B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN111724602B (zh) 一种城市非信控多交叉路口环境下的多车协同控制方法
Ma et al. Eco-driving-based cooperative adaptive cruise control of connected vehicles platoon at signalized intersections
CN114283607B (zh) 一种基于分布式群智学习的多车协同规划方法
Zhai et al. A switched control strategy of heterogeneous vehicle platoon for multiple objectives with state constraints
CN107284441B (zh) 实时工况自适应的插电式混合动力汽车能量优化管理方法
Besselink et al. Cyber–physical control of road freight transport
CN107577234B (zh) 一种驾驶员在环的汽车燃油经济性控制方法
Yu et al. Consensus and optimal speed advisory model for mixed traffic at an isolated signalized intersection
CN106502098B (zh) 一种基于车联网的最优车速闭环快速预测控制方法及装置
CN111867911A (zh) 车辆控制方法和设备
Ma et al. A back-pressure-based model with fixed phase sequences for traffic signal optimization under oversaturated networks
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
CN111785088B (zh) 一种网联车辆匝道合并的双层协同优化方法
Xue et al. A platoon-based hierarchical merging control for on-ramp vehicles under connected environment
CN114758497A (zh) 一种自适应停车场可变出入口控制方法、装置及存储介质
CN114999227B (zh) 非信控交叉路口混合多车无模型预测协同控制方法
CN115743117A (zh) 一种基于扰动观测的智能网联电动车队协同生态驾驶方法
CN116564095A (zh) 基于cps的重点车辆高速公路隧道预测巡航云控制方法
Jiang et al. Learning the policy for mixed electric platoon control of automated and human-driven vehicles at signalized intersection: A random search approach
CN113741199B (zh) 一种基于智能网联信息的整车经济性速度规划方法
Pan et al. Optimal motion control for connected and automated electric vehicles at signal-free intersections
Wang et al. Adaptive leading cruise control in mixed traffic considering human behavioral diversity
Zhao et al. Consensus control of highway on-ramp merging with communication delays
Zhang et al. An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning
Yang et al. Two-stage eco-driving control strategy for heterogeneous connected and automated vehicle platoons

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