[发明专利]一种车路协同环境下多智能车交叉口通行协调控制方法

说明书

本发明提供了一种车路协同环境下多智能车交叉口通行协调控制方法，包括以下步骤：步骤1：建立通行权划分模型；步骤2：建立车辆轨迹与信号配时整体优化模型；步骤3：由通行权划分模型和车辆轨迹与信号配时整体优化模型建立整体控制模型；本发明所述的一种车路协同环境下多智能车交叉口通行协调控制方法，通过构建通行权分配、信号配时、车辆轨迹优化模型，建立了一套用于车路协同环境下交叉口整体控制的理论算法，并进一步通过设置四组仿真实验，对不同条件下不同控制算法的控制效果进行定量分析，验证了本文所提出算法对于车路协同环境下的交叉口整体控制的显著效果。

技术领域

本发明涉及道路交叉口车辆控制领域，尤其涉及一种车路协同环境下多智能车交叉口通行协调控制方法。

背景技术

随着车路协同技术的不断发展，基于全时空交通数据，更加主动科学的交通控制得以实施。在交叉口区域，造成交通拥堵、尾气排放污染的具体因素有信号配时不合理、车辆行驶不合理以及通行权分配不合理。

在轨迹优化方面，Liu et.al提出了以延误最小为目标的固定信号下车辆速度引导算法，在低饱和度时可降低延误近50％，且渗透率越高、算法控制效果越好。Xu et al.提出了一种无信号交叉口分布式无冲突合作式智能网联车辆控制算法，通过实验验证了所提出算法对于交叉口实际效果的显著影响。Liang et al.以交叉口整体延误最小为优化目标用非线性规划的方法构建了车辆轨迹优化模型。Ahn et al.,(2013)，Wang et al.,(2014a,b)提出了基于智能网联车辆的单车精确控制模型，在这种精确控制下，车辆可以根据交叉口信号的状态来调整其速度和行驶轨迹。Zohdy and Rakha.(2016)用非线性规划的方法构建了车辆轨迹优化模型，该模型中通过调整智能网联车辆的速度，以交叉口整体延误最小为优化目标。Jiang et al.(2017)研究了渗透率低于100％时的智能网联车辆轨迹控制问题。Huang et al.(2012)and Zhang et al.(2015)Lee and Park(2012)构建了无信号交叉口的车辆轨迹控制算法，实现对到达交叉口车辆轨迹的优化目标。

在信号优化方面，李力，王飞跃用深度学习网络(DNN)从交通状态输入以及相应的交通系统表现输出样本中，对强化学习中Q函数进行拟合，提出了基于深度学习网络(DNN)的交叉口信号配时优化算法。实验结果表明，对交叉口控制效果改善显著。Sun,Weili,etal.对基于深度强化学习的智能网联车辆环境下交叉口信号控制问题进行了研究。He Q etal.采用多目标混合整数非线性规划(MO-MINLP)方法，建立了交叉口车道设置、相位设置、信号配时优化模型，实验数据表明，该算法可提高通行能力99.51％。Lee J et al.提出了一种基于车队识别的路口信号控制算法，采用混合整数线性规划对最优信号控制进行求解。Yan et al.提出了车路协同环境下的交叉口通行权与信号动态控制方法。

在信号与轨迹协同优化方面，Yu et al.假设所有车辆都是网联自动驾驶车辆，采用混合整数规划方法建立了交叉口信号与车辆轨迹协同优化的模型，并提出了滚动优化求解算法。Feng et al.(2018)建立了车辆轨迹与信号协同优化模型，车辆轨迹优化层的目标是排放最少，信号优化层的目标是延误最低。该算法可以降低延误和排放量分别为24％和13.8％，且计算时间为秒级。Guler et al.(2014)and Yang et al.(2016)通过在一个简化的两条路交叉口的大量仿真实验，提出了轨迹与信号的协调控制算法。Yang et al.(2018)采用混合整数线性规划方法，提出了考虑多车道换道行为的信号配时与车辆轨迹协调优化算法，建立了相位顺序、绿灯起始、相位间隔、周期时长以及车辆换轨迹协同优化模型。

综上，现有研究没有同时考虑通行权、信号配时、车辆轨迹作为控制对象，为充分发挥车路协同对于交通控制的作用，本文将构建考虑这些因素的整体控制模型。

发明内容