智能车辆多信号灯路口快速节能车速规划

doi:10.19562/j.chinasae.qcgc.2021.10.004

摘要/Abstract

摘要：

现有面向多信号灯路口复杂场景的智能车辆节能车速规划方法，往往计算量大，难以实时应用。本文中提出了一种结合动态规划算法和内点法进行联合优化的智能车辆节能车速规划算法，能够基于车辆能耗模型和信号灯信息，快速计算道路节能参考车速，实现实时应用。本文中首先建立了车辆能耗模型和信号灯相位时刻数学模型，在每个信号灯路口进行时间采样，构建基于巡航车速单位距离能耗的有向无环图，并使用动态规划算法求解最优绿灯通行周期。将最优绿灯通行周期作为约束条件，建立最优控制问题并转化为非线性优化问题，使用内点法进行优化求解。动态规划求解有向无环图所得解为内点法提供近似最优的初始解，提升收敛速度。最后构建了仿真场景进行分析验证，结果表明：（1）本文提出的方法较改进的智能驾驶员模型能够有效降低能耗30%以上；（2）与基于规则的迭代初始值生成方法相比，动态规划提供的近似最优的初始解提高计算速度40%以上。

关键词: 多信号灯路口, 车速规划, 动态规划, 内点法

Abstract:

The existing energy?saving speed planning method of intelligent vehicles for complex scenes at multi signal intersections is usually with big computational burden that cannot be implemented in real-time. This paper proposes an optimized intelligent vehicle energy?saving speed planning method combining dynamic programming and the interior point method， which can rapidly calculate the road energy?saving reference speed based on the vehicle fuel consumption model and the traffic light information， and realize real?time application. Firstly， in this paper， the vehicle fuel consumption model and the signal phase and time mathematical model are established. A weighted orientation graph based on energy consumption per unit distance at cruise speed is constructed by sampling the arrival time at each intersection. The weighted orientation graph is solved via dynamic programming to obtain the optimal period of green light passing phase. Then， taking the optimal green light passing phase as the constraint， the optimal control problem is formulated and transformed into a nonlinear optimization problem， which is solved via the interior point method. To accelerate convergence speed， the initial guess of the interior point method is set to the solution of the weighted orientation graph solved by dynamic programming. Finally， simulation is carried out for evaluation. The results show that：（1） the proposed method can reduce energy consumption by over 30% compared with the improved intelligent driver model；（2） the initial guess close to optimal solution calculated by dynamic programming improves computational efficiency by more than 40%， compared with the rule?based iterative initial guess generation method.

Key words: multi signal intersections, speed planning, dynamic programming, interior point method

冷江昊,孙超,卢兵. 智能车辆多信号灯路口快速节能车速规划[J]. 汽车工程, 2021, 43(10): 1442-1447.

Jianghao Leng,Chao Sun,Bing Lu. Fast Energy⁃saving Speed Planning Through Multi Signal Intersections of Intelligent Vehicles[J]. Automotive Engineering, 2021, 43(10): 1442-1447.

图/表 11

图1

表1

目标车辆参数"

符号	描述	数值	单位
m	质量	1 200	kg
$b 0$	巡航燃油消耗参数	0.156 9
$b 1$		2.450 $×$ 10^-2
$b 2$		-7.415 $×$ 10^-4
$b 3$		5.975 $×$ 10^-5
$c 0$	加速燃油消耗参数	0.072 24
$c 1$		9.681 $×$ 10^-2
$c 2$		1.075 $×$ 10^-3
$F d$	怠速燃油消耗率	0.1
$C D$	风阻系数	0.32
$ρ a$	空气密度	1.184	kg/m³
$A ν$	迎风面积	2.5	m²
$μ$	地面阻力系数	0.001 2
$g$	重力加速度	9.81	m/s²
$u m a x$	最大加速度	3	m/s²
$u m i n$	最大减速度	-3	m/s²

表1

图2

图3

图4

表2

图5

图 6

表3

表4

图 7

参考文献 16

1	DE NUNZIO G， DE WIT C C， MOULIN P， et al. Eco⁃driving in urban traffic networks using traffic signals information［J］. International Journal of Robust and Nonlinear Control， 2016， 26（6）： 1307-1324.
2	WAN N， VAHIDI A， LUCKOW A. Optimal speed advisory for connected vehicles in arterial roads and the impact on mixed traffic［J］. Transportation Research Part C： Emerging Technologies， 2016， 69： 548-563.
3	LIM H， SU W， MI C C. Distance-based ecological driving scheme using a two-stage hierarchy for long-term optimization and short-term adaptation［J］. IEEE Transactions on Vehicular Technology， 2017， 66（3）： 1940-1949.
4	HUANG K， YANG X， LU Y， et al. Ecological driving system for connected/automated vehicles using a two-stage control hierarchy［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（7）： 2373-2384.
5	OZATAY E， ONORI S， WOLLAEGER J， et al. Cloud-based velocity profile optimization for everyday driving： a dynamic-programming-based solution［J］. IEEE Transactions on Intelligent Transportation Systems， 2014， 15（6）： 2491-2505.
6	NGUYEN V D， KIM O， DANG T N， et al. An efficient and reliable green light optimal speed advisory system for autonomous cars［C/OL］. 2016 18th Asia-Pacific Network Operations and Management Symposium （APNOMS）. Kanazawa， Japan： IEEE， 2016： 1-4［2020-09-09］.
7	HUANG X， PENG H. Speed trajectory planning at signalized intersections using sequential convex optimization［C/OL］. 2017 American Control Conference （ACC）. Seattle， WA， USA： IEEE， 2017： 2992-2997［2020-09-09］.
8	SUN C， GUANETTI J， BORRELLI F， et al. Optimal eco-driving control of connected and autonomous vehicles through signalized intersections［J］. IEEE Internet of Things Journal， 2020， 7（5）： 3759-3773.
9	ZHANG Z. Velocity prediction and profile optimization based real-time energy management strategy for plug-in hybrid electric buses［J］. Applied Energy， 2020， 280： 14.
10	GUO L， GAO B， GAO Y， et al. Optimal energy management for hevs in eco-driving applications using bi-level MPC［J］. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（8）： 2153-2162.
11	HOMCHAUDHURI B， VAHIDI A， PISU P. Fast model predictive control-based fuel efficient control strategy for a group of connected vehicles in urban road conditions［J］. IEEE Transactions on Control Systems Technology， 2017， 25（2）： 760-767.
12	WU X， HE X， YU G， et al. Energy-optimal speed control for electric vehicles on signalized arterials［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（5）： 2786-2796.
13	KAMAL Md A S， MUKAI M， MURATA J， et al. Model predictive control of vehicles on urban roads for improved fuel economy［J］. IEEE Transactions on Control Systems Technology， 2013， 21（3）： 831-841.
14	KOENEMANN J， LICITRA G， ALP M， et al. OpenOCL - open optimal control library［J］. 2019.
15	CURTIS F E， SCHENK O， WÄCHTER A. An interior-point algorithm for large-scale nonlinear optimization with inexact step computations［J］. SIAM Journal on Scientific Computing， 2010， 32（6）： 3447–3475.
16	ANDERSSON J A E， GILLIS J， HORN G， et al. CasADi： a software framework for nonlinear optimization and optimal control［J］. Mathematical Programming Computation， 2019， 11（1）： 1-36.

MIDM		DP+非线性优化
最大车速/（m·s^-1）	油耗/mL	平均车速/（m·s^-1）	油耗/mL
13.88	129.7	6	87.4
16.67	118.6	7	78.9
19.44	137.4	8	59.6
22.22	159.1	9	56.4
25	183.2	10	48.4

MIDM			DP+非线性优化
最大车速/ （m·s^-1）	计算时间/ s	平均车速/ （m·s^-1）	DP提供的初始解计算时间/s	基于规则的初始解计算时间/s
13.88	0.003	6	0.426	0.859
16.67	0.002	7	0.409	0.872
19.44	0.002	8	0.233	0.495
22.22	0.001	9	0.266	0.474
25	0.001	10	0.239	0.539

[1]	魏小栋,刘波,冷江昊,周星宇,孙超,孙逢春. 基于凸优化的燃料电池汽车节能驾驶研究[J]. 汽车工程, 2022, 44(6): 851-858.
[2]	马彦,李佳怡,马乾,陈明超. 基于迭代动态规划的动力电池组热管理优化策略[J]. 汽车工程, 2022, 44(5): 709-721.
[3]	张哲,丁海涛,张袅娜,郭孔辉. 智能网联电动汽车经济性巡航速度规划[J]. 汽车工程, 2022, 44(4): 609-616.
[4]	李跃娟,齐巍,王成,张博,卢强. 并联混合动力汽车ECMS的时变等效因子提取算法的研究[J]. 汽车工程, 2021, 43(2): 181-188.
[5]	赵治国, 唐旭辉, 付靖, 范佳琦. 功率分流混合动力系统发动机停机优化控制^*[J]. 汽车工程, 2020, 42(8): 993-999.
[6]	赵治国, 范佳琦, 蒋蓝星, 唐旭辉, 付靖. 复合功率分流系统发动机起动H_∞鲁棒优化控制^*[J]. 汽车工程, 2020, 42(4): 417-424.
[7]	金辉, 张俊. 智能车经济性起步车速规划研究^*[J]. 汽车工程, 2020, 42(2): 270-277.
[8]	金辉, 张子豪. 基于自适应动态规划的HEV能量管理研究综述^*[J]. 汽车工程, 2020, 42(11): 1490-1496.
[9]	王玉海, 李兴坤, 张鹏雷, 郑旭光. 基于ADAS地图的载货车预见巡航实时优化算法^*[J]. 汽车工程, 2020, 42(10): 1335-1339.
[10]	解少博，刘通，李会灵，辛宗科. 基于马尔科夫链的并联PHEB预测型能量管理策略研究[J]. 汽车工程, 2018, 40(8): 871-877.
[11]	解少博，刘通，李会灵，魏朗. 双电机一体化纯电动客车动力分配策略优化[J]. 汽车工程, 2018, 40(7): 749-.
[12]	解少博，辛宗科，李会灵，刘通，魏朗. 插电式混合动力公交车电池配置和能量管理策略协同优化的研究[J]. 汽车工程, 2018, 40(6): 625-.
[13]	金辉,丁峰. 智能车辆换道行驶的经济车速研究[J]. 汽车工程, 2018, 40(5): 542-546.