网联交叉口信号-车辆轨迹协同优化控制方法

doi:10.19562/j.chinasae.qcgc.2021.11.002

摘要/Abstract

摘要：

为了提升网联交叉口车辆通行效率与燃油经济性，设计了一种网联信控交叉口协同控制应用场景，提出了一种分层解耦式网联交叉口信号-车辆轨迹协同优化控制方法，其中顶层采用“作业调度”和遗传算法以最小化交叉口平均旅行时间延误为优化目标实现信号配时与相序优化；底层结合最优配时结果，采用分段优化方法以最小化平均燃油消耗为优化目标实现车辆轨迹优化。仿真结果表明，本文中提出的协同控制方法在交叉口车流量均衡与不均衡、低密度和高密度工况下，均可以有效提升交叉口通行效率和燃油经济性；提出方法效果随最小绿灯时长的减小、V2X通信范围的增加而更加显著，综合考虑交通公平性和建设成本等因素，提出的网联信控交叉口协同控制系统最小绿灯时长应设置为5 s，有效V2X通信范围设置为800 m。

关键词: 智能网联汽车, 信控交叉口, 协同控制, 分层解耦, 平均旅行时间延误, 燃油经济性

Abstract:

In order to improve the traffic efficiency and fuel economy at the connected intersection， a collaborative control application scenario of the connected and signalized intersection is designed， and a hierarchical decoupling collaborative optimization control method of traffic signals and vehicle trajectories is proposed. An optimization method combining “job scheduling” and genetic algorithm is used to minimize the average travel time delay at the top layer to realize signal timing and phase sequence optimization； at the bottom layer， combined with the timing optimization result， the piecewise optimization method is used to realize vehicle trajectories optimization so as to minimize the average fuel consumption. The simulation results show that the proposed cooperative control method can effectively improve the traffic efficiency and fuel economy at the connected intersection under the conditions of balanced and unbalanced traffic flow， and low and high traffic density. The effect of the proposed method is more significant with the decrease of minimum green light duration and increase of V2X communication range. Considering the factors of traffic fairness and construction cost， the minimum green light duration and effective V2X communication range of the proposed cooperative control system for connected signalized intersection should be set as 5 s and 800 m respectively.

Key words: intelligent connected vehicle, signalized intersection, cooperative control, layered decoupling, average travel time delay, fuel economy

赵祥模,张心睿,王润民,徐志刚,凡海金. 网联交叉口信号-车辆轨迹协同优化控制方法[J]. 汽车工程, 2021, 43(11): 1577-1586.

Xiangmo Zhao,Xinrui Zhang,Runmin Wang,Zhigang Xu,Haijin Fan. Cooperative Optimization Control Method of Traffic Signals and Vehicle Trajectories at Connected Intersection[J]. Automotive Engineering, 2021, 43(11): 1577-1586.

图/表 18

图1

图2

图3

表1

领航车辆情况1约束条件"

情况	约束条件
1-1	$D ≥ v 02 2 a d m a x + v m a x 2 2 a c$ $v f = v m a x$	$a 1 ≥ - a c v 02 2 a c D - v m a x 2$ $a 2 = a c$
1-2	$v 02 2 a d m a x + v m a x 2 2 a m a x ≤ D ≤ v 02 2 a d m a x + v m a x 2 2 a c$ $v f = v m a x$	$a 1 ≥ - a c v 02 2 a c D - v m a x 2$ $a 2 = a m a x$
1-3	$v 02 2 a d m a x ≤ D ≤ v 02 2 a d m a x + v m a x 2 2 a m a x$ $v f < v m a x$	$a 1 = a d m a x$ $a 2 = a m a x$
1-4	$D ≤ v 02 2 a d m a x$ $v f = v 0 + a 1 T$	$a 1 = 2 (D - v 0 T) T 2$

表1

图4

表2

领航车辆情况2约束条件"

情况

约束条件

2-1

$D ≥ v m a x 2 2 a c$

$v f = v m a x$

$a 1 = a m a x$

$a 2 = a c$

2-2

$v m a x 2 2 a m a x ≤ D ≤ v m a x 2 2 a c$

$v f = v m a x$

$a 1 = a m a x$

$a 2 = a m a x$

2-3

$D ≤ v m a x 2 2 a m a x$

$v f = v 0 + a 1 T$

a 1 = 2 (D - v 0 T) T 2

表2

图5

图6

图7

图8

图9

表3

图10

图11

图12

图13

图14

图15

参考文献 17

1	YAO H， LI X. Decentralized control of connected automated vehicle trajectories in mixed traffic at an isolated signalized intersection［J］. Transportation Research Part C： Emerging Technologies， 2020， 121（12）： 102846.
2	GULER S I， MENENDEZ M， MEIER L. Using connected vehicle technology to improve the efficiency of intersections［J］. Transportation Research Part C： Emerging Technologies， 2014， 46（9）： 121-131.
3	BIAN Y， WANG J， HUANG B， et al. Car2X technology-based “green light on demand” system［C］.17th International IEEE Conference on Intelligent Transportation Systems （ITSC）. New York： IEEE， 2014： 3052-3057.
4	SHAGHAGHI E， JABBARPOUR M R， NOOR R M， et al. Adaptive green traffic signal controlling using vehicular communication［J］. Frontiers of Information Technology & Electronic Engineering， 2017， 18（3）： 373-393.
5	YU C， MA W， YANG X. A time-slot based signal scheme model for fixed-time control at isolated intersections［J］. Transportation Research Part B： Methodological， 2020， 140： 176-192.
6	高志军，王江锋，陈磊，等. 基于动态距离窗的交叉口CAV轨迹规划算法［J］. 汽车工程， 2021， 43（4）： 537-545.
	GAO Z J， WANG J F， CHEN L， et al. Trajectory planning algorithm for CAV at intersections based on dynamic distance windows［J］. Automotive Engineering， 2021， 43（4）： 537-545.
7	高志波，吴志周，郝威，等. 智能网联车环境下交叉口车流轨迹优化模型［J］. 交通运输系统工程与信息， 2021， 21（2）： 91-97.
	GAO Z B， WU Z Z， HAO W， et al. Vehicle trajectory optimization model for intersection under the connected and automated vehicles environment［J］. Journal of Transportation Systems Engineering and Information Technology， 2021， 21（2）： 91-97.
8	王云鹏，郭戈. 城市交叉口车辆速度与交通信号协同优化控制［J］. 控制与决策， 2019， 34（11）： 2397-2406.
	WANG Y P，GUO G. Joint optimization of vehicle speed and traffic signals at a signalized intersection［J］. Control and Decision， 2019， 34（11）： 2397-2406.
9	戴荣健，丁川，鹿应荣，等. 自动驾驶环境下车辆轨迹及交通信号协同控制［J］. 汽车安全与节能学报， 2019， 10（4）： 531.
	DAI R J， DING C， LU Y R， et al. Cooperated control of signal and vehicle trajectory under the autonomous vehicle environment［J］. Automotive Safety and Energy， 2019， 10（4）： 531.
10	张心睿，赵祥模，王润民，等. 基于封闭测试场的DSRC与LTE-V通信性能测试研究［J］.汽车技术， 2020（9）： 14-20.
	ZHANG X R， ZHAO X M， WANG R M， et al. Research on performance test of DSRC and LTE-V in closed test field［J］. Automotive Technology， 2020（9）： 14-20.
11	周志华. 机器学习［M］.北京：清华大学出版社， 2016.
	ZHOU Z H. Machine learning［M］. Beijing： Tsinghua University Press， 2016： 211-212.
12	LI Z， ELEFTERIADOU L， RANKA S. Signal control optimization for automated vehicles at isolated signalized intersections［J］. Transportation Research Part C： Emerging Technologies， 2014， 49（12）： 1-18.
13	SHLADOVER S E， SU D， LU X Y. Impacts of cooperative adaptive cruise control on freeway traffic flow［J］. Transportation Research Record， 2012， 2324（1）： 63-70.
14	MILANÉS V， SHLADOVER S E. Modeling cooperative and autonomous adaptive cruise control dynamic responses using experimental data［J］. Transportation Research Part C： Emerging Technologies， 2014， 48： 285-300.
15	余志生.汽车理论［M］.5版.北京：机械工业出版社， 2009.
	YU Z S. Automobile theory［M］. 5th ed. Beijing： China Machine Press， 2009.
16	KAMALANATHSHARMA R K， RAKHA H A. Leveraging connected vehicle technology and telematics to enhance vehicle fuel efficiency in the vicinity of signalized intersections［J］. Journal of Intelligent Transportation Systems， 2016， 20（1）： 33-44.
17	YU C， FENG Y， LIU H X， et al. Integrated optimization of traffic signals and vehicle trajectories at isolated urban intersections［J］. Transportation Research Part B： Methodological， 2018， 112（6）： 89-112.

参数	取值	参数	取值
道路限速/（m·s^-1）	16.67	仿真步长/s	1
黄灯时长/s	3	车辆长度/m	5
最小绿灯时长/s	10	最大加速度/ （m·s^-2）	3
最大绿灯时长/s	30	最大制动加速度/ （m·s^-2）	4.5
最小车头时距/s	2	迭代次数	500
变异概率	0.05	交叉概率	0.85
聚类扫描半径/m	100	最小包含车辆数	1

[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]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	李子先,潘世举,徐友春. 8轮分布式电驱动车辆AFS和DYC协同控制[J]. 汽车工程, 2023, 45(3): 409-420.
[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.