CN117079451B - 城市连续交叉路口场景下混合交通***的控制方法及装置 - Google Patents
城市连续交叉路口场景下混合交通***的控制方法及装置 Download PDFInfo
- Publication number
- CN117079451B CN117079451B CN202310847870.1A CN202310847870A CN117079451B CN 117079451 B CN117079451 B CN 117079451B CN 202310847870 A CN202310847870 A CN 202310847870A CN 117079451 B CN117079451 B CN 117079451B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- optimal
- model
- control
- vehicles
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 41
- 230000006399 behavior Effects 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 21
- 230000002457 bidirectional effect Effects 0.000 claims description 17
- 238000004134 energy conservation Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000001276 controlling effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000008685 targeting Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- 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
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种城市连续交叉路口场景下混合交通***的控制方法及装置,其中,方法包括:建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间;基于编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,以得到最优解或可行的次优解,进而获得节能控制区间的可行路径,得到最优控制的方式,以生成混合车辆队列中头车的最优速度轨迹,并跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆。由此,解决了相关技术中由于车辆强制组队产生频繁的换道行为,能够提高车辆的安全性,降低混合交通***的能源消耗的问题。
Description
技术领域
本申请涉及车联网技术领域,特别涉及一种城市连续交叉路口场景下混合交通***的控制方法及装置。
背景技术
相关技术中,可以基于全智能网联汽车队列的方法,采用集中式的规划方式生成全智能网联汽车队列进行车辆的规划和控制,或者通过混合车辆队列的方式,通过自由形成的混合车辆队列进行车辆的规划和控制,以在城市连续交叉路口场景中实现车辆的节能控制。
然而,相关技术中在生成全智能网联汽车队列过程中,由于车辆强制组队产生频繁的换道行为,降低车辆的安全性,尤其是混合车辆队列中对于跟随车辆特性考虑不足,导致节能效率受限,增加混合交通***中的能源消耗,无法满足用户的驾乘体验,亟待解决。
发明内容
本申请是基于发明人对以下问题和认识作出的:
交叉路口作为城市道路交通的重要组成部分和关键节点,是车辆工程和交通工程领域研究的重要场景,研究发现交叉口造成的车辆怠速和频繁启停行为是城市道路中车辆能耗增加的主要原因,ITS(Intelligent Transportation Systems,智能交通***)和ICV(Intelligent and Connected Vehicle,智能网联汽车)的发展为解决能源消耗严重的问题提供了新的契机。
需要注意的是,智能网联汽车的发展需要一个过程,随着智能网联车辆市场渗透率的逐渐增加,交通***将经历由全人类驾驶车辆交通场景,到智能网联车辆与人类驾驶车辆共存的混合交通场景,最后到全智能网联车辆交通场景,其中,混合交通场景将持续较长时间,因此,需要在城市连续交叉路口场景下重点考虑混合交通***的节能控制问题。
针对多交叉路口场景,现有面向混合交通场景的智能网联汽车节能控制研究方面,基于不同的媒介,可以分为基于单个车辆的方法、基于全智能网联汽车队列的方法、基于混合队列的方法,其中,基于单个车辆的方法采用分布式规划的方法,忽略了智能网联汽车对于人类驾驶车辆的引导控制作用,没有形成***性的体系,导致节能总体效果受限,基于全智能网联汽车队列的方法采用集中式的规划方法,但是生成全智能网联汽车队列过程中会由于强制组队而产生频繁的换道行为,带来安全性的问题,实际应用节能效率受限,针对全智能网联汽车队列强制组队的不足,有研究提出基于混合车辆队列的方法,通过自由形成的混合车辆队列进行车辆的规划和控制,但关于混合车辆队列中的人类驾驶车辆特性考虑不足,同样会导致节能效率受限。
此外,以上研究大多将多交叉口场景的道路简化为单个车道,没有考虑多个车道的情况,对真实交通***模拟程度不足,综上可知,当前关于城市多个交叉路口区间内的混合交通研究中没有详细建模真实的道路交通环境,不利于现实实现,没有重点考虑人类驾驶车辆的不确定性,不利于***的安全性,没有层次清晰的方法流程,节能效果受限,因此,需要重点讨论城市道路多交叉路口场景下混合交通节能控制方法,以解决目前混合交通***节能效果受限的技术瓶颈。
本申请提供一种城市连续交叉路口场景下混合交通***的控制方法及装置,以解决相关技术中在生成全智能网联汽车队列过程中,由于车辆强制组队产生频繁的换道行为,降低车辆的安全性,尤其是混合车辆队列中对于跟随车辆特性考虑不足,导致节能效率受限,增加混合交通***中的能源消耗,无法满足用户的驾乘体验的问题。
本申请第一方面实施例提供一种城市连续交叉路口场景下混合交通***的控制方法,包括以下步骤:建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间;基于所述编队生成区间的车辆位置的虚拟分布,确定所述自由换道区间的通行次序,在所述自由换道区间构建混合车辆队列间的行为冲突,利用所述行为冲突搜索得到最优解或可行的次优解,基于所述最优解或所述可行的次优解获得所述节能控制区间的可行轨迹;基于所述可行轨迹,对智能网联车辆进行集中式节能控制的规划,得到最优控制的方式,并根据所述最优控制的方式生成所述混合车辆队列中头车的最优速度轨迹;利用预设双向跟随的跟随车辆模型跟踪所述最优速度轨迹,控制所述智能网联车辆引领跟随车辆。
可选地,在本申请的一个实施例中,所述根据所述编队生成区间的车辆位置虚拟分布,确定所述自由换道区间的通行次序,在所述自由换道区间构建混合车辆队列间的行为冲突,利用所述行为冲突搜索得到最优解或可行的次优解,基于最优解或可行的次优解获得可行轨迹,包括:根据交叉路***通信号灯的绿灯时间长度和交通流的平均车速确定所述编队生成区间的所述车辆位置的虚拟分布,根据所选的终态混合车辆队列的构型,获得终态编队构型;基于所述终态编队构型进行多车的目标分配,确定分配的代价函数,并基于整数规划的分配求解,得到车辆的目标分配结果,以及根据所述目标分配结果进行全部车辆的位置分配,得到全部车辆的位置分配的结果;基于所述全部车辆的位置分配的结果,利用所述行为冲突搜索得到所述最优解或可行的次优解,根据所述最优解或可行的次优解获得可行轨迹。
可选地,在本申请的一个实施例中,所述基于所述可行轨迹,对智能网联车辆进行集中式节能控制的规划,并采用最优控制的方法生成所述混合车辆队列中头车的最优速度轨迹,包括:根据构建的混合交通***的模型生成以节能为目标的最优控制问题;利用可满足模理论求解所述最优控制问题,生成所述混合车辆队列中头车的最优速度轨迹。
可选地,在本申请的一个实施例中,所述以节能为目标的最优控制问题包括构建以所述车辆的发动机油耗特性为目标的目标函数,其中,所述目标函数的表达式为:
其中,T表示转矩,N表示转速,Qs(,N)表示转矩T和转速N的函数。
可选地,在本申请的一个实施例中,所述利用双向跟随的跟随车辆模型跟踪所述最优速度轨迹,控制所述智能网联车辆引领跟随车辆,包括:基于双向跟随的车辆模型,进行构建混合车辆队列参数化模型;利用数据驱动方式辨识所述混合车辆队列参数化模型中的至少一个参数,以根据所述至少一个参数输出所述混合交通***的确定性模型,以基于所述确定性模型获得所述混合车辆队列参数化模型的确定性参数;利用分支定界算法求解由非凸优化和档位影响所生成的混合整型问题,基于数值优化方法求解所述非凸优化问题,得到智能网联车辆的控制序列,基于所述控制序列进行滚动时域的优化,得到优化结果,基于所述优化结果控制所述智能网联车辆引领所述跟随车辆。
本申请第二方面实施例提供一种城市连续交叉路口场景下混合交通***的控制装置,包括:建立模块,用于建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间;确定模块,用于基于所述编队生成区间的车辆位置的虚拟分布,确定所述自由换道区间的通行次序,在所述自由换道区间构建混合车辆队列间的行为冲突,利用所述行为冲突搜索得到最优解或可行的次优解,基于所述最优解或所述可行的次优解获得所述节能控制区间的可行轨迹;生成模块,用于基于所述可行轨迹,对智能网联车辆进行集中式节能控制的规划,得到最优控制的方式,并根据所述最优控制的方式生成所述混合车辆队列中头车的最优速度轨迹;控制模块,用于利用预设双向跟随的跟随车辆模型跟踪所述最优速度轨迹,控制所述智能网联车辆引领跟随车辆。
可选地,在本申请的一个实施例中,所述确定模块包括:第一确定单元,用于根据交叉路***通信号灯的绿灯时间长度和交通流的平均车速确定所述编队生成区间的所述车辆位置的虚拟分布,根据所选的终态混合车辆队列的构型,获得终态编队构型;第二确定单元,用于基于所述终态编队构型进行多车的目标分配,确定分配的代价函数,并基于整数规划的分配求解,得到车辆的目标分配结果,以及根据所述目标分配结果进行全部车辆的位置分配,得到全部车辆的位置分配的结果;获取单元,用于基于所述全部车辆的位置分配的结果,利用所述行为冲突搜索得到所述最优解或可行的次优解,根据所述最优解或可行的次优解获得可行轨迹。
可选地,在本申请的一个实施例中,所述生成模块包括:第一构建单元,用于根据构建的混合交通***的模型生成以节能为目标的最优控制问题;生成单元,用于利用可满足模理论求解所述最优控制问题,生成所述混合车辆队列中头车的最优速度轨迹。
可选地,在本申请的一个实施例中,所述以节能为目标的最优控制问题包括构建以所述车辆的发动机油耗特性为目标的目标函数,其中,所述目标函数的表达式为:
其中,T表示转矩,N表示转速,Qs(,N)表示转矩T和转速N的函数。
可选地,在本申请的一个实施例中,所述控制模块包括:第二构建单元,用于基于双向跟随的车辆模型,进行构建混合车辆队列参数化模型;第三确定单元,用于利用数据驱动方式辨识所述混合车辆队列参数化模型中的至少一个参数,以根据所述至少一个参数输出所述混合交通***的确定性模型,以基于所述确定性模型获得所述混合车辆队列参数化模型的确定性参数;控制单元,用于利用分支定界算法求解由非凸优化和档位影响所生成的混合整型问题,基于数值优化方法求解所述非凸优化问题,得到智能网联车辆的控制序列,基于所述控制序列进行滚动时域的优化,得到优化结果,基于所述优化结果控制所述智能网联车辆引领所述跟随车辆。
本申请第三方面实施例提供一种车辆,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的城市连续交叉路口场景下混合交通***的控制方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的城市连续交叉路口场景下混合交通***的控制方法。
本申请实施例可以建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间,基于编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,以得到最优解或可行的次优解,进而获得节能控制区间的可行轨迹,得到最优控制的方式,以生成混合车辆队列中头车的最优速度轨迹,并跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆,从而有效的提升了车辆的安全性,降低车辆在混合交通***中的能源消耗。由此,解决了相关技术中由于车辆强制组队产生频繁的换道行为,降低车辆的安全性,尤其是对于跟随车辆特性考虑不足,导致节能效率受限,增加车辆在混合交通***中的能源消耗问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种城市连续交叉路口场景下混合交通***的控制方法的流程图;
图2为本申请一个具体实施例的多交叉口区间的路段分为三个子区间路段的场景示意图;
图3为本申请一个具体实施例的多个连续交叉路口区间内的智能网联车辆通行次序搜索的原理示意图;
图4为本申请一个具体实施例的基于最优控制理论的以节能为目标的轨迹规划的原理示意图;
图5为本申请一个具体实施例的具有双向跟随模型的人类驾驶车辆模型在混合车辆队列中的示意图;
图6为本申请一个具体实施例的基于双向驾驶员模型的混合车辆队列控制的原理示意图;
图7为根据本申请实施例的城市连续交叉路口场景下混合交通***的控制装置的结构示意图;
图8为根据本申请实施例提供的车辆的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的城市连续交叉路口场景下混合交通***的控制方法及装置。针对上述背景技术中心提到的相关技术中在生成全智能网联汽车队列过程中,由于车辆强制组队产生频繁的换道行为,降低车辆的安全性,尤其是混合车辆队列中对于跟随车辆特性考虑不足,导致节能效率受限,增加混合交通***中的能源消耗,无法满足用户的驾乘体验的问题,本申请提供了一种城市连续交叉路口场景下混合交通***的控制方法,在该方法中,可以建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间,基于编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,以得到最优解或可行的次优解,进而获得节能控制区间的可行轨迹,得到最优控制的方式,以生成混合车辆队列中头车的最优速度轨迹,并跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆,从而有效的提升了车辆的安全性,降低车辆在混合交通***中的能源消耗。由此,解决了相关技术中由于车辆强制组队产生频繁的换道行为,降低车辆的安全性,尤其是对于跟随车辆特性考虑不足,导致节能效率受限,增加车辆在混合交通***中的能源消耗问题。
具体而言,图1为本申请实施例所提供的一种城市连续交叉路口场景下混合交通***的控制方法的流程示意图。
如图1所示,该城市连续交叉路口场景下混合交通***的控制方法包括以下步骤:
在步骤S101中,建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间。
可以理解的是,本申请实施例可以建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间,例如,如图2所示,为本申请一个具体实施例的多交叉口区间的路段分为三个子区间路段的场景示意图,可以通过考虑混合交通场景,有效的提升混合交通***控制的可执行性。
在步骤S102中,基于编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,利用行为冲突搜索得到最优解或可行的次优解,基于最优解或可行的次优解获得节能控制区间的可行轨迹。
可以理解的是,本申请实施例可以基于下述步骤中编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,利用行为冲突搜索得到最优解或可行的次优解,基于最优解或可行的次优解获得节能控制区间的可行轨迹,有效的降低车辆在混合交通***中的能源消耗。
其中,在本申请的一个实施例中,根据编队生成区间的车辆位置虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,利用行为冲突搜索得到最优解或可行的次优解,基于最优解或可行的次优解获得可行轨迹,包括:根据交叉路***通信号灯的绿灯时间长度和交通流的平均车速确定编队生成区间的车辆位置的虚拟分布,根据所选的终态混合车辆队列的构型,获得终态编队构型;基于终态编队构型进行多车的目标分配,确定分配的代价函数,并基于整数规划的分配求解,得到车辆的目标分配结果,以及根据目标分配结果进行全部车辆的位置分配,得到全部车辆的位置分配的结果;基于全部车辆的位置分配的结果,利用行为冲突搜索得到最优解或可行的次优解,根据最优解或可行的次优解获得可行轨迹。
在实际执行过程中,如图3所示,为本申请一个具体实施例的多个连续交叉路口区间内的智能网联车辆通行次序搜索的原理示意图,本申请实施例中对于通行次序的确定,需要得到编队的终态构型,即进入编队生成区间的车辆位置虚拟分布,其中,虚拟分布可以根据下述步骤中多交叉路***通灯的绿灯时间长度和交通流的平均车速共同确定的。
首先,本申请实施例可以根据道路中的平均车速计算平均的车头距离/>接着,计算出平均的车头时距/>假设下一个信号灯的绿灯窗口时长为Tg,则可以估算出终态队列的长度为/>最后根据所选的终态混合车辆队列的构型,可以得到编队的终态构型。
进一步地,本申请实施例在获得终态的车辆位置分布后,可以进行多车的目标分配,首先,可以确定分配的代价函数,代价函数的选择可以是多种多样的,其中,欧氏距离为一个直观的衡量代价的指标,因此,可以通过以欧式距离代价函数为例,获得代价函数的矩阵为:
其中,i和j表示车辆i到达位置j,和/>分别表示车辆的当前位置和目标位置的横坐标,/>和/>分别表示车辆的当前位置和目标位置的纵坐标,cij表示当前位置坐标和目标位置坐标的距离。
其中,目标位置的坐标为相对于道路而言的,即为车辆相对于道路坐标的绝对位置。
接着,本申请实施例可以得到定义的车辆分配矩阵,其中,车辆分配矩阵表示为:
其中,表示车辆分配矩阵,aij表示车辆是否分配到终态位置。
进而,可以构建车辆分配任务中以全部车辆初始位置到终态位置的欧氏距离为代价的目标函数,可以表示为:
其中,求解最优化问题,需满足如下约束,即:
即保证一个车辆仅能分配得到一个终态位置,且车辆间没有交叉,通过求解优化问题可以得到车辆的目标分配结果。
其次,本申请实施例可以求解得到相应的车辆到达终态位置的分配矩阵,进行全部车辆的位置分配,确定完成分配任务后,可以进行无冲突的轨迹规划,在规划无冲突的轨迹时,首先设计车辆的换道规则,而后设计以节能为目标的无冲突轨迹方法。
具体而言,本申请实施例可以通过基于行为冲突搜索的方法求解,实现车辆由初始位置到达终态位置的过程中的无冲突通行,避免碰撞事件的发生,可以得到最优解或者可行的次优解,可进行最优性和计算代价的折中处理,另外,在此多车轨迹规划过程中,可以结合滚动时域控制的机制,以应对具有快变属性的交通***,可以进一步提升车辆的节能性和最优性。
最后,可以获得已经分配完成的可行轨迹,并且将可行轨迹输出到车辆,以实现轨迹的实时跟踪控制,例如,跟踪控制时可以考虑人类驾驶车辆的影响,以确保安全性,并结合滚动时域的控制机制来进行控制,已达到较好的车辆的节能跟踪效果。
需要说明的是,本申请实施例中的自由换道区间的通行次序的确定,可以为后续的节能控制打下坚实的基础,并且,广域的感知通信技术,为混合交通***的协同换队技术提供了支持。
在步骤S103中,基于可行轨迹,对智能网联车辆进行集中式节能控制的规划,得到最优控制的方式,并根据最优控制的方式生成混合车辆队列中头车的最优速度轨迹。
可以理解的是,本申请实施例可以基于下述步骤中的可行轨迹,对智能网联车辆进行集中式节能控制的规划,得到最优控制的方式,并根据最优控制的方式生成混合车辆队列中头车的最优速度轨迹,从而有效的提升了车辆的安全性,增加对跟随车辆特性的考虑,提升车辆的节能效率。
其中,在本申请的一个实施例中,基于可行轨迹,对智能网联车辆进行集中式节能控制的规划,并采用最优控制的方法生成混合车辆队列中头车的最优速度轨迹,包括:根据构建的混合交通***的模型生成以节能为目标的最优控制问题;利用可满足模理论求解最优控制问题,生成混合车辆队列中头车的最优速度轨迹。
作为一种可能实现的方式,本申请实施例中的集中式节能控制法主要作用于两个交叉口间的控制区,进行混合车辆队列的节能控制,如图4所示,为本申请一个具体实施例的基于最优控制理论的以节能为目标的轨迹规划的原理示意图,首先,本申请实施例可以建立车辆动力学模型和交通约束模型,完成整个多交叉口场景下混合交通***的建模,接着,可以构建以节能为目标的最优控制问题,具体地,可以构建以车辆发动机油耗特性为目标的目标函数,即:
其中,T表示转矩,N表示转速,Qs(,N)表示转矩T和转速N的函数,pf表示终态的距离。
其中,一般可应用多项式函数进行拟合,约束条件主要包括车辆动力学约束,即:
其中,p表示车辆的位置,v表示车辆速度,a表示车辆加速度,τ表示惯性时间常数,m表示车辆质量,ηT表示机械效率,rw表示车轮半径,I0表示主减速器传动比,Ig表示变速器传动比,Te表示发动机转矩,g表示重力加速度常数。
另外,本申请实施例还包括其他的约束,例如,交通灯所导致的时空约束,交通限速带来的最大车速和最小车速约束,和驾驶舒适性所导致的速度约束和加速度约束。
再次,本申请实施例可以使用离散化的思想求解最优控制问题,例如,采用直接多次打靶法或者伪谱法进行求解,将问题转化为非线性规划问题,针对非线性规划问题的求解,可以运用可满足模理论,求解最优化问题,完成对原最优控制问题的求解,最后生成混合车辆队列中头车的最优速度轨迹,并将生成的最优速度轨迹发送到车辆,进行跟踪控制执行。
最后,本申请实施例可以引入滚动时域优化策略,以一定的频率对***进行更新,保证车辆行驶的安全性和节能的高效性,且实现整个混合交通***的闭环控制。
综上,本申请实施例可以以混合车辆队为媒介,以智能网联车辆引导跟随车辆,降低混合交通中的不确定性的跟随车辆的行为的问题,解决混合交通***的节能控制问题,且有利于节能计算资源。
在步骤S104中,利用预设双向跟随的跟随车辆模型跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆。
可以理解的是,本申请实施例可以利用下述步骤中的双向跟随的跟随车辆模型跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆,有效的提升了车辆的安全性,降低车辆在混合交通***中的能源消耗,提升混合交通***的节能控制效果。
其中,在本申请的一个实施例中,利用双向跟随的跟随车辆模型跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆,包括:基于双向跟随的车辆模型,进行构建混合车辆队列参数化模型;利用数据驱动方式辨识混合车辆队列参数化模型中的至少一个参数,以根据至少一个参数输出混合交通***的确定性模型,以基于确定性模型获得混合车辆队列参数化模型的确定性参数;利用分支定界算法求解由非凸优化和档位影响所生成的混合整型问题,基于数值优化方法求解非凸优化问题,得到智能网联车辆的控制序列,基于控制序列进行滚动时域的优化,得到优化结果,基于优化结果控制智能网联车辆引领跟随车辆。
举例而言,如图5所示,为本申请一个具体实施例的具有双向跟随模型的人类驾驶车辆模型在混合车辆队列中的示意图,主要负责跟踪集中式规划方式生成的轨迹,提升混合交通***的节能控制效果。
首先,如图6所示,为本申请一个具体实施例的基于双向驾驶员模型的混合车辆队列控制的原理示意图,本申请实施例与跟随车辆传统单向向前跟随他车不同,本申请实施例选定双向跟随的跟随车辆模型,进行混合车辆队列的参数化建模,模型状态量包括智能网联车辆状态和跟随车辆状态,控制量为头尾两个智能网联车辆的加速度,通过调整智能网联车辆的运动状态可以有效的调节跟随车辆的行为,实现混合车辆队列的整体节能效果的提升。
接着,由于混合车辆队列的参数化模型存在模型参数不确定性的问题,可以使用数据驱动的方法进行***辨识,如采用Koopman理论的方法快速获取模型中的参数,而后输出***的确定性模型,但是,本申请实施例不完全相信通过数据驱动理论获得的模型,因此,可以给予参数辨识得到的参数一个不确定性的范围,不确定性的范围可根据实际驾驶人数据进行标定,从而基于鲁棒模型预测控制的思想,重点考虑不确定性生成鲁棒不变集合,并且构建新的以节能为目标函数的控制问题,其中,控制问题的相应的状态量和控制量也在考虑不确定条件下进行相应的收缩,以完成针对具有双向跟驰模型的混合车辆队列的经济型鲁棒控制问题的构建,其中,构建的新的以节能为目标函数的表达式如下:
其中,l表示目标函数,x表示状态,k表示k时刻,u表示控制量,N表示总步长,i表示第i步。
其中,状态量和控制量的约束如下:
其中,表示考虑了不确定性后形成的去掉鲁棒不变集后的状态量的集合,/>表示控制量的集合,一般受限于智能网联车辆的加速度范围的选定。
另外,经济型鲁棒控制问题还受到车辆动力学的约束和实际条件的约束,如道路限速,舒适性等因素的约束。
最后,控制问题转换为有约束的优化问题,其中,控制问题中的目标函数可以为非凸优化问题,且如果考虑档位的影响,控制问题将转换为混合整型问题,因此,在进行有约束优化问题的求解时,可以采用分支定界算法求解混合整型问题,而后基于数值优化方法求解非凸优化问题,得到智能网联车辆的控制序列,并且将第一个控制量作用于车辆,最后进行滚动时域的优化,输出车辆的状态,完成***的闭环控制。
综上,本申请实施例通过数据驱动的方法进行***的参数辨识,完成对车辆状态的准确捕捉,并且进一步考虑参数不确定性问题,构建以节能为目标的鲁棒节能跟踪控制问题,进行数值求解,有利于保证跟踪控制的安全性,并且有利于提升智能交通***和智能网联汽车的节能效益。
根据本申请实施例提出的城市连续交叉路口场景下混合交通***的控制方法,可以建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间,基于编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,以得到最优解或可行的次优解,进而获得节能控制区间的可行轨迹,得到最优控制的方式,以生成混合车辆队列中头车的最优速度轨迹,并跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆,从而有效的提升了车辆的安全性,降低车辆在混合交通***中的能源消耗。由此,解决了相关技术中由于车辆强制组队产生频繁的换道行为,降低车辆的安全性,尤其是对于跟随车辆特性考虑不足,导致节能效率受限,增加车辆在混合交通***中的能源消耗问题。
其次参照附图描述根据本申请实施例提出的城市连续交叉路口场景下混合交通***的控制装置。
图7是本申请实施例的城市连续交叉路口场景下混合交通***的控制装置的方框示意图。
如图7所示,该城市连续交叉路口场景下混合交通***的控制装置10包括:建立模块100、确定模块200、生成模块300和控制模块400。
具体地,建立模块100,用于建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间。
确定模块200,用于基于编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,利用行为冲突搜索得到最优解或可行的次优解,基于最优解或可行的次优解获得节能控制区间的可行轨迹。
生成模块300,用于基于可行轨迹,对智能网联车辆进行集中式节能控制的规划,得到最优控制的方式,并根据最优控制的方式生成混合车辆队列中头车的最优速度轨迹。
控制模块400,用于利用预设双向跟随的跟随车辆模型跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆。
可选地,在本申请的一个实施例中,确定模块200包括:第一确定单元、第二确定单元和获取单元。
其中,第一确定单元,用于根据交叉路***通信号灯的绿灯时间长度和交通流的平均车速确定编队生成区间的车辆位置的虚拟分布,根据所选的终态混合车辆队列的构型,获得终态编队构型。
第二确定单元,用于基于终态编队构型进行多车的目标分配,确定分配的代价函数,并基于整数规划的分配求解,得到车辆的目标分配结果,以及根据目标分配结果进行全部车辆的位置分配,得到全部车辆的位置分配的结果。
获取单元,用于基于全部车辆的位置分配的结果,利用行为冲突搜索得到最优解或可行的次优解,根据最优解或可行的次优解获得可行轨迹。
可选地,在本申请的一个实施例中,生成模块300包括:第一构建单元和生成单元。
其中,第一构建单元,用于根据构建的混合交通***的模型生成以节能为目标的最优控制问题。
生成单元,用于利用可满足模理论求解最优控制问题,生成混合车辆队列中头车的最优速度轨迹。
可选地,在本申请的一个实施例中,以节能为目标的最优控制问题包括构建以车辆的发动机油耗特性为目标的目标函数,其中,目标函数的表达式为:
其中,T表示转矩,N表示转速,Qs(,N)表示转矩T和转速N的函数。
可选地,在本申请的一个实施例中,控制模块400包括:第二构建单元、第三确定单元和控制单元。
其中,第二构建单元,用于基于双向跟随的车辆模型,进行构建混合车辆队列参数化模型。
第三确定单元,用于利用数据驱动方式辨识混合车辆队列参数化模型中的至少一个参数,以根据至少一个参数输出混合交通***的确定性模型,以基于确定性模型获得混合车辆队列参数化模型的确定性参数。
控制单元,用于利用分支定界算法求解由非凸优化和档位影响所生成的混合整型问题,基于数值优化方法求解非凸优化问题,得到智能网联车辆的控制序列,基于控制序列进行滚动时域的优化,得到优化结果,基于优化结果控制智能网联车辆引领跟随车辆。
需要说明的是,前述对城市连续交叉路口场景下混合交通***的控制方法实施例的解释说明也适用于该实施例的城市连续交叉路口场景下混合交通***的控制装置,此处不再赘述。
根据本申请实施例提出的城市连续交叉路口场景下混合交通***的控制装置,可以建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间,基于编队生成区间的车辆位置的虚拟分布,确定自由换道区间的通行次序,在自由换道区间构建混合车辆队列间的行为冲突,以得到最优解或可行的次优解,进而获得节能控制区间的可行轨迹,得到最优控制的方式,以生成混合车辆队列中头车的最优速度轨迹,并跟踪最优速度轨迹,控制智能网联车辆引领跟随车辆,从而有效的提升了车辆的安全性,降低车辆在混合交通***中的能源消耗。由此,解决了相关技术中由于车辆强制组队产生频繁的换道行为,降低车辆的安全性,尤其是对于跟随车辆特性考虑不足,导致节能效率受限,增加车辆在混合交通***中的能源消耗问题。
图8为本申请实施例提供的车辆的结构示意图。该车辆可以包括:
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。
处理器802执行程序时实现上述实施例中提供的城市连续交叉路口场景下混合交通***的控制方法。
进一步地,车辆还包括:
通信接口803,用于存储器801和处理器802之间的通信。
存储器801,用于存放可在处理器802上运行的计算机程序。
存储器801可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器801、处理器802和通信接口803独立实现,则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器801、处理器802及通信接口803,集成在一块芯片上实现,则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
处理器802可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的城市连续交叉路口场景下混合交通***的控制方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种城市连续交叉路口场景下混合交通***的控制方法,其特征在于,包括以下步骤:
建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间;
基于所述编队生成区间的车辆位置的虚拟分布,确定所述自由换道区间的通行次序,在所述自由换道区间构建混合车辆队列间的行为冲突,利用所述行为冲突搜索得到最优解或可行的次优解,基于所述最优解或所述可行的次优解获得所述节能控制区间的可行轨迹,其中,所述基于所述编队生成区间的车辆位置虚拟分布,确定所述自由换道区间的通行次序,在所述自由换道区间构建混合车辆队列间的行为冲突,利用所述行为冲突搜索得到最优解或可行的次优解,基于最优解或可行的次优解获得可行轨迹,包括:根据交叉路***通信号灯的绿灯时间长度和交通流的平均车速确定所述编队生成区间的所述车辆位置的虚拟分布,根据所选的终态混合车辆队列的构型,获得终态编队构型,基于所述终态编队构型进行多车的目标分配,确定分配的代价函数,并基于整数规划的分配求解,得到车辆的目标分配结果,以及根据所述目标分配结果进行全部车辆的位置分配,得到全部车辆的位置分配的结果,基于所述全部车辆的位置分配的结果,利用所述行为冲突搜索得到所述最优解或可行的次优解,根据所述最优解或可行的次优解获得可行轨迹;
基于所述可行轨迹,对智能网联车辆进行集中式节能控制的规划,得到最优控制的方式,并根据所述最优控制的方式生成所述混合车辆队列中头车的最优速度轨迹,其中,所述基于所述可行轨迹,对智能网联车辆进行集中式节能控制的规划,并采用最优控制的方法生成所述混合车辆队列中头车的最优速度轨迹,包括:根据构建的混合交通***的模型生成以节能为目标的最优控制问题,利用可满足模理论求解所述最优控制问题,生成所述混合车辆队列中头车的最优速度轨迹;以及
利用预设双向跟随的跟随车辆模型跟踪所述最优速度轨迹,控制所述智能网联车辆引领跟随车辆,其中,所述利用预设双向跟随的跟随车辆模型跟踪所述最优速度轨迹,控制所述智能网联车辆引领跟随车辆,包括:基于双向跟随的车辆模型,进行构建混合车辆队列参数化模型,其中,所述混合车辆队列参数化模型的模型状态量包括智能网联车辆状态和跟随车辆状态,控制量为头尾两个智能网联车辆的加速度,利用数据驱动方式辨识所述混合车辆队列参数化模型中的至少一个参数,以根据所述至少一个参数输出所述混合交通***的确定性模型,以基于所述确定性模型确定所述混合车辆队列参数化模型的至少一个参数,利用分支定界算法求解由非凸优化和档位影响所生成的混合整型问题,基于数值优化方法求解所述非凸优化问题,得到智能网联车辆的控制序列,基于所述控制序列进行滚动时域的优化,得到优化结果,基于所述优化结果控制所述智能网联车辆引领所述跟随车辆。
2.根据权利要求1所述的方法,其特征在于,所述以节能为目标的最优控制问题包括构建以所述车辆的发动机油耗特性为目标的目标函数,
其中,所述目标函数的表达式为:
其中,pf表示终态的距离,T表示转矩,N表示转速,Qs(T,N)表示转矩T和转速N的函数。
3.一种城市连续交叉路口场景下混合交通***的控制装置,其特征在于,包括:
建立模块,用于建立混合车辆队列模型和交通信号灯模型,并将交叉路口的路段分为自由换道区间、编队生成区间和节能控制区间;
确定模块,用于基于所述编队生成区间的车辆位置的虚拟分布,确定所述自由换道区间的通行次序,在所述自由换道区间构建混合车辆队列间的行为冲突,利用所述行为冲突搜索得到最优解或可行的次优解,基于所述最优解或所述可行的次优解获得所述节能控制区间的可行轨迹,其中,所述基于所述编队生成区间的车辆位置虚拟分布,确定所述自由换道区间的通行次序,在所述自由换道区间构建混合车辆队列间的行为冲突,利用所述行为冲突搜索得到最优解或可行的次优解,基于最优解或可行的次优解获得可行轨迹,包括:根据交叉路***通信号灯的绿灯时间长度和交通流的平均车速确定所述编队生成区间的所述车辆位置的虚拟分布,根据所选的终态混合车辆队列的构型,获得终态编队构型,基于所述终态编队构型进行多车的目标分配,确定分配的代价函数,并基于整数规划的分配求解,得到车辆的目标分配结果,以及根据所述目标分配结果进行全部车辆的位置分配,得到全部车辆的位置分配的结果,基于所述全部车辆的位置分配的结果,利用所述行为冲突搜索得到所述最优解或可行的次优解,根据所述最优解或可行的次优解获得可行轨迹;
生成模块,用于基于所述可行轨迹,对智能网联车辆进行集中式节能控制的规划,得到最优控制的方式,并根据所述最优控制的方式生成所述混合车辆队列中头车的最优速度轨迹,其中,所述基于所述可行轨迹,对智能网联车辆进行集中式节能控制的规划,并采用最优控制的方法生成所述混合车辆队列中头车的最优速度轨迹,包括:根据构建的混合交通***的模型生成以节能为目标的最优控制问题,利用可满足模理论求解所述最优控制问题,生成所述混合车辆队列中头车的最优速度轨迹;以及
控制模块,用于利用预设双向跟随的跟随车辆模型跟踪所述最优速度轨迹,控制所述智能网联车辆引领跟随车辆,其中,所述利用预设双向跟随的跟随车辆模型跟踪所述最优速度轨迹,控制所述智能网联车辆引领跟随车辆,包括:基于双向跟随的车辆模型,进行构建混合车辆队列参数化模型,其中,所述混合车辆队列参数化模型的模型状态量包括智能网联车辆状态和跟随车辆状态,控制量为头尾两个智能网联车辆的加速度,利用数据驱动方式辨识所述混合车辆队列参数化模型中的至少一个参数,以根据所述至少一个参数输出所述混合交通***的确定性模型,以基于所述确定性模型确定所述混合车辆队列参数化模型的至少一个参数,利用分支定界算法求解由非凸优化和档位影响所生成的混合整型问题,基于数值优化方法求解所述非凸优化问题,得到智能网联车辆的控制序列,基于所述控制序列进行滚动时域的优化,得到优化结果,基于所述优化结果控制所述智能网联车辆引领所述跟随车辆。
4.一种车辆,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-2任一项所述的城市连续交叉路口场景下混合交通***的控制方法。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-2任一项所述的城市连续交叉路口场景下混合交通***的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847870.1A CN117079451B (zh) | 2023-07-11 | 2023-07-11 | 城市连续交叉路口场景下混合交通***的控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847870.1A CN117079451B (zh) | 2023-07-11 | 2023-07-11 | 城市连续交叉路口场景下混合交通***的控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079451A CN117079451A (zh) | 2023-11-17 |
CN117079451B true CN117079451B (zh) | 2024-04-19 |
Family
ID=88710449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310847870.1A Active CN117079451B (zh) | 2023-07-11 | 2023-07-11 | 城市连续交叉路口场景下混合交通***的控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079451B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104118451A (zh) * | 2014-07-15 | 2014-10-29 | 同济大学 | 一种共享路权下有轨电车运行图编制及信号灯调整方法 |
US9606539B1 (en) * | 2015-11-04 | 2017-03-28 | Zoox, Inc. | Autonomous vehicle fleet service and system |
GB201802057D0 (en) * | 2018-02-08 | 2018-03-28 | Jaguar Land Rover Ltd | A controller and a method for managing vwhicles |
CN109410561A (zh) * | 2018-10-24 | 2019-03-01 | 清华大学 | 一种高速路车辆匀异质编队行驶控制方法 |
CN110718074A (zh) * | 2019-11-06 | 2020-01-21 | 清华大学 | 混合交通交叉路口的信号灯与车辆的协同控制方法 |
CN110942645A (zh) * | 2019-11-06 | 2020-03-31 | 清华大学 | 混合交通交叉路口的车辆控制方法 |
CN113393690A (zh) * | 2021-08-17 | 2021-09-14 | 长沙理工大学 | 考虑自动驾驶专用车道的混合交通均衡分配方法 |
CN114239272A (zh) * | 2021-12-16 | 2022-03-25 | 北京工业大学 | 一种基于逆行行为的混合自行车流微观建模方法和装置 |
CN114578711A (zh) * | 2022-02-28 | 2022-06-03 | 同济大学 | 一种面向城市场景的cacc仿真平台 |
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 |
WO2022223952A1 (en) * | 2021-04-21 | 2022-10-27 | Zeta Specialist Lighting Limited | Traffic control at an intersection |
CN115565390A (zh) * | 2022-09-24 | 2023-01-03 | 南京理工自动化研究院有限公司 | 智能网联汽车多车道队列通行控制方法、***及计算机可读存储介质 |
CN115662121A (zh) * | 2022-10-19 | 2023-01-31 | 吉林大学 | 混行信控交叉口以排队方式估算通行能力上下限的方法 |
CN115909716A (zh) * | 2022-09-23 | 2023-04-04 | 清华大学 | 基于网联云控平台的交通路口调度***、方法及设备 |
CN116189462A (zh) * | 2022-09-07 | 2023-05-30 | 北京航空航天大学 | 一种面向混合交通流的车辆轨迹与交通信号协同控制方法 |
CN116243603A (zh) * | 2023-02-21 | 2023-06-09 | 东南大学 | 一种面向混合交通的车辆队列跟车控制方法及装置 |
CN116403402A (zh) * | 2023-04-13 | 2023-07-07 | 交通运输部公路科学研究所 | 一种网联环境下城市交叉口区域的交通状态预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004077377A1 (fr) * | 2003-02-27 | 2004-09-10 | Shaopeng Yang | Procede de regulation de la circulation routiere et installations routieres |
US20130297689A1 (en) * | 2012-05-03 | 2013-11-07 | Cisco Technology, Inc. | Activity Stream Tuning Using Multichannel Communication Analysis |
US20190206247A1 (en) * | 2018-01-03 | 2019-07-04 | Xiaofeng Xie | Smart In-Vehicle Decision Support Systems and Methods with V2I Communications for Driving through Signalized Intersections |
CN114360269A (zh) * | 2020-10-12 | 2022-04-15 | 上海丰豹商务咨询有限公司 | 一种智能网联道路支持下的自动驾驶协同控制***和方法 |
US11840256B2 (en) * | 2021-07-30 | 2023-12-12 | Mitsubishi Electric Research Laboratories, Inc. | Global multi-vehicle decision making system for connected and automated vehicles in dynamic environment |
US11987249B2 (en) * | 2021-12-22 | 2024-05-21 | Motional Ad Llc | Precedence determination at multi-way stops |
-
2023
- 2023-07-11 CN CN202310847870.1A patent/CN117079451B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104118451A (zh) * | 2014-07-15 | 2014-10-29 | 同济大学 | 一种共享路权下有轨电车运行图编制及信号灯调整方法 |
US9606539B1 (en) * | 2015-11-04 | 2017-03-28 | Zoox, Inc. | Autonomous vehicle fleet service and system |
GB201802057D0 (en) * | 2018-02-08 | 2018-03-28 | Jaguar Land Rover Ltd | A controller and a method for managing vwhicles |
CN109410561A (zh) * | 2018-10-24 | 2019-03-01 | 清华大学 | 一种高速路车辆匀异质编队行驶控制方法 |
CN110718074A (zh) * | 2019-11-06 | 2020-01-21 | 清华大学 | 混合交通交叉路口的信号灯与车辆的协同控制方法 |
CN110942645A (zh) * | 2019-11-06 | 2020-03-31 | 清华大学 | 混合交通交叉路口的车辆控制方法 |
WO2022223952A1 (en) * | 2021-04-21 | 2022-10-27 | Zeta Specialist Lighting Limited | Traffic control at an intersection |
CN113393690A (zh) * | 2021-08-17 | 2021-09-14 | 长沙理工大学 | 考虑自动驾驶专用车道的混合交通均衡分配方法 |
CN114239272A (zh) * | 2021-12-16 | 2022-03-25 | 北京工业大学 | 一种基于逆行行为的混合自行车流微观建模方法和装置 |
CN114578711A (zh) * | 2022-02-28 | 2022-06-03 | 同济大学 | 一种面向城市场景的cacc仿真平台 |
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 |
CN116189462A (zh) * | 2022-09-07 | 2023-05-30 | 北京航空航天大学 | 一种面向混合交通流的车辆轨迹与交通信号协同控制方法 |
CN115909716A (zh) * | 2022-09-23 | 2023-04-04 | 清华大学 | 基于网联云控平台的交通路口调度***、方法及设备 |
CN115565390A (zh) * | 2022-09-24 | 2023-01-03 | 南京理工自动化研究院有限公司 | 智能网联汽车多车道队列通行控制方法、***及计算机可读存储介质 |
CN115662121A (zh) * | 2022-10-19 | 2023-01-31 | 吉林大学 | 混行信控交叉口以排队方式估算通行能力上下限的方法 |
CN116243603A (zh) * | 2023-02-21 | 2023-06-09 | 东南大学 | 一种面向混合交通的车辆队列跟车控制方法及装置 |
CN116403402A (zh) * | 2023-04-13 | 2023-07-07 | 交通运输部公路科学研究所 | 一种网联环境下城市交叉口区域的交通状态预测方法 |
Non-Patent Citations (9)
Title |
---|
《中国公路学报》编辑部 * |
Cooperation Method of Connected and Automated Vehicles at Unsignalized Intersections: Lane Changing and Arrival Scheduling;Chaoyi Chen等;《IEEE Transactions on Vehicular Technology》;第11351-11366页 * |
Cooperative Merging Strategy in Mixed Traffic Based on Optimal Final-State Phase Diagram With Flexible Highway Merging Points;Keqiang Li;《IEEE transactions on intelligent transportation systems》;20230516;全文 * |
中国汽车工程学术研究综述・2017;《中国公路学报》编辑部;;中国公路学报(第06期);全文 * |
城市轨道交通混合供电***工作模式研究;俞益;李辉;郑旺;;城市轨道交通研究;20200110(第01期);全文 * |
基于VRGIS的城市道路交通微观仿真***研究;王春;李文;马纯永;韩勇;陈戈;Margaret Horne;;中国海洋大学学报(自然科学版)(第07期);全文 * |
基于速度截断分布和流量的车队离散模型;巫威眺;沈旅欧;靳文舟;;西南交通大学学报(第01期);全文 * |
汽车经济性行驶优化;郭露露;高炳钊;陈虹;;中国科学:信息科学;20160520(第05期);全文 * |
混有智能网联车队的交通流基本图模型分析;常鑫;李海舰;荣建;秦伶巧;杨艳芳;;东南大学学报(自然科学版)(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117079451A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768637B (zh) | 一种信号交叉***通信号灯和车辆轨迹控制方法 | |
JP6756661B2 (ja) | 車両電子制御装置 | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
CN108510764B (zh) | 一种基于q学习的多路口自适应相位差协调控制***及方法 | |
JP4710976B2 (ja) | 走行制御装置 | |
CN114495527B (zh) | 一种混合交通环境下网联交叉口车路协同优化方法及*** | |
CN111332283B (zh) | 用于控制机动车的方法和*** | |
CN109993984B (zh) | 一种车速引导方法及装置 | |
CN110345957A (zh) | 车辆路径识别 | |
CN113312752B (zh) | 一种主路优先控制交叉***通仿真方法及装置 | |
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 | |
CN109213153A (zh) | 一种车辆自动驾驶方法及电子设备 | |
CN113619602A (zh) | 引导车辆行驶的方法及相关***、存储介质 | |
CN111243296A (zh) | 一种基于合流时间优化的匝道合流协同控制方法及*** | |
Long et al. | Integrated optimization of traffic signals and vehicle trajectories at intersection with the consideration of safety during signal change | |
CN114323051B (zh) | 路口行驶轨迹的规划方法、装置和电子设备 | |
CN115204455A (zh) | 适用于高速与环路交通场景的长时域驾驶行为决策方法 | |
CN117079451B (zh) | 城市连续交叉路口场景下混合交通***的控制方法及装置 | |
CN112258864A (zh) | 基于顺序选择的自动驾驶车辆路口调度方法及*** | |
WO2023188617A1 (en) | System and method for jointly controlling connected autonomous vehicles (cays) and manual connected vehicles (mcvs) | |
Szarata et al. | Simulating the impact of autonomous vehicles (AVs) on intersections traffic conditions using TRANSYT and PTV Vissim | |
CN114475607A (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
CN113635900A (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
Li et al. | Energy-Efficient Autonomous Driving Using Cognitive Driver Behavioral Models and Reinforcement Learning | |
CN114616156A (zh) | 确定车辆前方车道区段的离散表示 |
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 |