混合交通下非信控交叉口队列预约式控制

doi:10.19562/j.chinasae.qcgc.2022.07.001

摘要/Abstract

摘要：

目前针对非信控城市交叉路口场景进行智能网联汽车（ICV）协同控制的研究中，多假设100%的ICV市场渗透率条件，较少考虑人类驾驶车辆（HDV）对系统的影响。本文旨在解决HDV和ICV并存的混合交通条件下非信控交叉口协同控制问题，并探究渗透率对系统性能的影响。首先，提出了适用于混合交通条件的队列预约式分层控制架构，其上层分配各车辆通过路口的时刻，下层负责执行，并进行速度轨迹规划。接着，基于队列预约方法分别制定ICV和HDV的控制和调度策略。最后，在不同ICV渗透率和车流量下进行仿真对比。结果表明，在10%~100%渗透率和每车道车流量400~1 000 h^-1的工况下，与感应式信号灯控制方法相比，所提出的方法可有效提升交叉口的通行效率，降低车辆平均油耗。

关键词: 非信控交叉口, 混合交通, 智能网联汽车, 市场渗透率, 预约式控制

Abstract:

The most current researches on the coordination control for intelligent and connected vehicle （ICV） at unsignalized urban intersections assume a 100% market penetration rate of ICV without consideration of the effects of human driven vehicle （HDV） on the system. This paper aims at resolving the coordinative control problem at unsignalized intersections under mixed traffic condition with HDVs and ICVs coexist， and exploring the effects of ICV penetration rate on system performance. Firstly， a reservation-based hierarchical platoon control framework is proposed， in which， the top layer assigns the intersection crossing moment for each vehicle and the bottom layer is in charge of execution and speed trajectory planning. Then the control and scheduling strategies of ICV and HDV are formulated respectively based on platoon reservation way. Finally， a comparative simulation is performed under different ICV penetration rates and traffic flows. The results show that under an ICV penetration rate of 10% to 100% and a traffic flow of 400 to 1 000 vehicles per hour， the proposed method can effectively enhance the traffic efficiency and reduce the average fuel consumption of vehicles， compared with actuated traffic light control strategy.

Key words: unsignalized intersection, mixed traffic, intelligent and connected vehicle, market penetration rate, reservation-based control

陈一鹤,孔伟伟,于杰,李克强,罗禹贡. 混合交通下非信控交叉口队列预约式控制[J]. 汽车工程, 2022, 44(7): 953-959.

Yihe Chen,Weiwei Kong,Jie Yu,Keqiang Li,Yugong Luo. Reservation-based Vehicle Platoon Control at Unsignalized Intersections Under Mixed Traffic Condition[J]. Automotive Engineering, 2022, 44(7): 953-959.

图/表 12

图1

图2

图3

图4

图5

图6

图7

表1

仿真参数设置"

参数	数值
仿真步长 $T s$ /s	0.1
安全时距 $t s a f e$ /s	1
通过速度 $v f$ /（m·s^-1）	20
期望时距 $? t$ /s	0.2
最小绿灯时长 $t g, m i n$ /s	5
最大绿灯时长 $t g, m a x$ /s	50
黄灯时长 $t y$ /s	3
控制区长度 $L c$ /m	300
最大速度 $v m a x$ /（m·s^-1）	25
最大加速度 $a m a x$ /（m·s^-2）	10
最大减速度 $a m i n$ /（m·s^-2）	-10

表1

图8

表2

图9

表3

参考文献 14

1	李克强，戴一凡，李升波，等. 智能网联汽车（ICV）技术的发展现状及趋势［J］. 汽车安全与节能学报， 2017， 8（1）： 1-14.
	LI K， DAI Y， LI S， et al. State-of-art and technical trends of intelligent and connected vehicles［J］. Journal of Automotive Safety and Energy， 2017， 8（1）： 1-14.
2	ZHONG Z， NEJAD M， LEE E E. Autonomous and semiautonomous intersection management： a survey［J］. IEEE Intelligent Transportation Systems Magazine， 2020， 13（2）： 53-70.
3	DE LA FORTELLE A， QIAN X， DIEMER S， et al. Network of automated vehicles： the autonet2030 vision［C］. 21st World Congress on Intelligent Transport Systems， 2014 （CONF）.
4	ALESSANDRINI A， CAMPAGNA A， DELLE SITE P， et al. Automated vehicles and the rethinking of mobility and cities［J］. Transportation Research Procedia， 2015， 5： 145-160.
5	DRESNER K， STONE P. Multiagent traffic management： a reservation-based intersection control mechanism［C］. Autonomous Agents and Multiagent Systems， International Joint Conference on. IEEE Computer Society， 2004， 3： 530-537.
6	DRESNER K， STONE P. A multiagent approach to autonomous intersection management［J］. Journal of Artificial Intelligence Research， 2008， 31： 591-656.
7	AU T C， STONE P. Motion planning algorithms for autonomous intersection management［C］. Workshops at the Twenty-Fourth AAAI Conference on Artificial Intelligence， 2010.
8	LEE J， PARK B. Development and evaluation of a cooperative vehicle intersection control algorithm under the connected vehicles environment［J］. IEEE Transactions on Intelligent Transportation Systems， 2012， 13（1）： 81-90.
9	梁晶伟. 车路协同条件下交叉口优化控制方法［D］. 长春：吉林大学， 2019.
	LIANG J. Research on intersection optimization control method in cooperative vehicle infrastructure system environment［D］. Changchun： Jilin University， 2019.
10	柴琳果. 智能车路协同交叉口间隙耦合运行控制方法［D］. 北京：北京交通大学， 2018.
	CHAI L. Intersection slots coupling operational control method of intelligent vehicle infrastructure cooperative systems［D］. Beijing：Beijing Jiaotong University， 2018.
11	LIN P， LIU J， JIN P J， et al. Autonomous vehicle-intersection coordination method in a connected vehicle environment［J］. IEEE Intelligent Transportation Systems Magazine， 2017， 9（4）： 37-47.
12	NAUMANN R， RASCHE R， TACKEN J. Managing autonomous vehicles at intersections［J］. IEEE Intelligent Systems and Their Applications， 1998， 13（3）： 82-86.
13	CHEN C， WANG J， XU Q， et al. Mixed platoon control of automated and human-driven vehicles at a signalized intersection： dynamical analysis and optimal control［J］. Transportation Research Part C： Emerging Technologies， 2021， 127： 103138.
14	于泉. 城市交通信号控制基础［M］. 北京：冶金工业出版社， 2011： 25-28.
	YU Q. Basis of urban traffic signal control ［M］. Beijing： Metallurgical Industry Press， 2011： 25-28.

每车道车流量/ h^-1	平均延误（ATLC）/s	各渗透率下平均延误（队列预约式控制）/s
每车道车流量/ h^-1	平均延误（ATLC）/s	0	10%	20%	30%	40%	50%	60%	70%	80%	90%	100%
400	21.13	7.16	6.34	4.83	4.48	4.31	4.10	3.52	3.22	3.05	2.69	2.69
550	22.10	9.99	9.72	9.70	9.46	9.69	8.96	8.96	6.86	6.54	4.37	2.69
700	23.04	16.88	16.92	16.39	15.60	15.32	14.69	12.34	9.04	8.79	7.01	2.73
850	23.21	19.38	19.42	19.37	17.99	17.61	17.41	15.19	12.96	10.85	10.49	7.76
1 000	24.93	31.19	31.17	30.95	28.47	28.64	23.45	18.25	19.10	17.11	15.92	13.64

每车道车流量/ h^-1	平均油耗（ATLC）/mL	各渗透率下平均油耗（队列预约式控制）/mL
每车道车流量/ h^-1	平均油耗（ATLC）/mL	0	10%	20%	30%	40%	50%	60%	70%	80%	90%	100%
400	44.89	26.59	25.24	23.03	22.49	21.11	20.42	19.51	19.3	18.66	18.01	17.89
550	47.44	31.45	30.38	28.89	28.71	29.12	26.42	26.06	23.32	22.52	19.46	17.89
700	49.22	39.05	38.43	37.52	35.40	35.16	33.50	30.30	26.01	25.48	23.45	18.14
850	50.54	42.37	42.09	41.65	38.74	37.83	38.14	33.83	29.73	28.40	25.90	24.84
1 000	53.39	55.38	55.08	53.24	50.06	47.56	42.84	37.72	35.99	37.25	32.81	30.44

[1]	胡林,谷子逸,王丹琦,王方,邹铁方,黄晶. 汽车安全性测评规程现状及趋势展望[J]. 汽车工程, 2024, 46(2): 187-200.
[2]	关书睿,李克强,周俊宇,石佳,孔伟伟,罗禹贡. 面向强制换道场景的智能网联汽车协同换道策略[J]. 汽车工程, 2024, 46(2): 201-210.
[3]	王庞伟,刘程,汪云峰,张名芳. 面向城市道路的智能网联汽车多车道轨迹优化方法[J]. 汽车工程, 2024, 46(2): 241-252.
[4]	郝旭,陆贤涛,杨静,郑亚莉,王贺武. 中国零碳商用车市场渗透率建模：以重型长途牵引货车为例[J]. 汽车工程, 2024, 46(2): 253-259.
[5]	刘济铮,王震坡,孙逢春,张雷. 异构智能网联汽车编队延迟补偿控制研究[J]. 汽车工程, 2023, 45(9): 1573-1582.
[6]	吴思宇,于文浩,邢星宇,张玉新,李楚照,李雪轲,古昕昱,李云巍,马小涵,路伟,王政,郝圳茂,王红,李骏. 基于关键场景的预期功能安全双闭环测试验证方法[J]. 汽车工程, 2023, 45(9): 1583-1607.
[7]	左政,王云鹏,麻斌,邹博松,曹耀光,杨世春. 基于AFC-TARA的车载网络组件风险率量化评估分析[J]. 汽车工程, 2023, 45(9): 1553-1562.
[8]	李升波,占国建,蒋宇轩,兰志前,张宇航,邹文俊,陈晨,成波,李克强. 类脑学习型自动驾驶决控系统的关键技术[J]. 汽车工程, 2023, 45(9): 1499-1515.
[9]	边有钢,张田田,谢和平,秦洪懋,杨泽宇. 车辆队列抗扰抗内切协同路径跟踪控制[J]. 汽车工程, 2023, 45(8): 1320-1332.
[10]	朱冰,姜泓屹,赵健,韩嘉懿,刘彦辰. 智能网联汽车协同感知信任度动态计算与评价方法[J]. 汽车工程, 2023, 45(8): 1383-1391.
[11]	关宇昕,冀浩杰,崔哲,李贺,陈丽文. 智能网联汽车车载CAN网络入侵检测方法综述[J]. 汽车工程, 2023, 45(6): 922-935.
[12]	钱立军,陈晨,陈健. 无信控交叉口环境下考虑驾驶员误差的集中式轨迹规划[J]. 汽车工程, 2023, 45(5): 768-776.
[13]	胡耘浩,李克强,向云丰,石佳,罗禹贡. 智能网联汽车通用跨平台实时仿真系统架构及应用[J]. 汽车工程, 2023, 45(3): 372-381.
[14]	刘浩天,魏洪乾,时培成,张幽彤. 基于帧间隔-总线电压混合特征的汽车ECU伪装攻击识别[J]. 汽车工程, 2023, 45(11): 2070-2081.
[15]	李捷,吴晓东,许敏,刘永刚. 基于强化学习的城市场景多目标生态驾驶策略[J]. 汽车工程, 2023, 45(10): 1791-1802.