一种高速公路混合交通流协同优化控制方法与流程

文档序号:15936915发布日期:2018-11-14 02:32阅读:163来源:国知局

本发明涉及交通工程技术领域,特别是一种高速公路混合交通流协同优化控制方法。

背景技术

高速公路入口匝道作为整个高速公路系统的一个交通需求输入环节,也是拥堵容易产生的一个环节,对于整个高速公路系统的流畅平稳运行有十分重要的意义。随着自动驾驶汽车的出现与发展,未来的高速公路将会面临自动驾驶车辆与传统驾驶车辆混合的交通状况。自动驾驶车辆与传统车辆混合交通流环境下的决策控制是未来交通出行中需要长期面临的现实问题。因此,研究混合交通流环境下高速公路匝道汇流优化控制具有重要意义。

对于高速公路匝道协同汇流优化控制问题,已有一些模型方法被提出,但现阶段所研究的决策控制方法多为假设自动驾驶车辆渗透率为100%的交通环境且设计的决策方法多从单车、微观角度出发,鲜有在混合交通流环境下从多车角度进行协同决策控制的研究。



技术实现要素:

本发明目的是提出一种混合交通流环境中高速公路匝道汇流场景下的车辆优化控制方法,构建基于微观跟驰模型的协同汇流轨迹优化模型,用动态规划的思想求解。

实现本发明目的的技术方案如下:

一种高速公路混合交通流协同优化控制方法,包括

步骤一:车辆轨迹预测,包括:

(1)获取交通流中车辆在通过汇流区段的上游检测点y的时刻和速度;

(2)结合道路几何长度,用微观车辆跟驰模型预测车辆在上游检测点y与汇流区段终点z1之间的轨迹;

步骤二:确定优化控制目标车辆,包括:

(1)按照步骤一的方法,预测主路上多台车辆的轨迹,其到达汇流区段起点z0的时刻为tm,其中m=1,2,3,…;

(2)按照步骤一的方法,预测匝道上多台车辆的轨迹,其到达汇流区段起点z0的时刻为tr,其中r=1,2,3,…;

(3)如果存在一个tr,tm<tr<tm+1,则认定车辆关系为:tr对应的车辆为汇流车k,tm对应的车辆为主路前车tm+1对应的车辆为主路后车

(4)若主路后车为可控车辆且同时满足以下条件:(a)根据预测的轨迹,在tr时刻,汇流车k与主路前车的车间距大于不可控车辆的最小安全车头距离(b)主路后车与汇流车k的车间距小于可控车辆的最小安全车头距离则主路后车为优化控制的目标车辆;

步骤三:确定主路后车的控制区段、控制决策时刻与各控制决策时刻下的最优状态,包括:

(1)基于预测的汇流车k的轨迹,到达控制区段起点z的时刻记为t0,到达汇流区段起点z0的时刻记为tf,将其分为n段,n=(tf-t0)/τ;定义控制决策时刻为t0+nτ,n=1,2,…,n;所述控制区段起点z,在上游检测点y之后且在汇流区段起点z0之前;

(2)根据主路后车在t0时刻的状态,计算第1阶段的控制决策时刻即t0+τ时刻的容许状态集,以及t0时刻的状态到该容许状态集中各个容许状态的状态转移成本;所述主路后车在t0时刻的状态即其在t0时刻的位置和速度,根据预测的主路后车的轨迹得到;

(3)根据第1阶段的控制决策时刻的容许状态集,计算第2阶段的控制决策时刻即t0+2τ时刻的容许状态集,计算第1阶段各个容许状态到第2阶段各个容许状态的状态转移成本和累计成本,其中累计成本为第1阶段与第2阶段的状态转移成本之和;

(4)按照(3)的方法,依次计算得到之后各阶段的容许状态集,以及累计成本;

(5)判断第n阶段的控制决策时刻,即tf时刻的容许状态集中的容许状态是否满足汇流条件,将满足汇流条件的容许状态录入最终容许状态集中;

(6)计算最终容许状态集中各个容许状态的累计成本,选择累计成本最小的容许状态为tf时刻的最优状态;

(7)根据最终容许状态集的最优状态逆推之前n-1个阶段中每个控制决策时刻的最优状态;步骤四:按照每个控制决策时刻的最优状态对主路后车进行控制。

本发明的有益效果在于,1、建立了基于微观跟驰模型的微观交通流仿真环境,分析不同交通状态、不同自动驾驶车辆渗透率的交通影响。2、基于微观跟驰模型,提出了全新的协同汇流模型,考虑高速公路的交通特征、几何约束、安全约束,将协同汇流问题归纳为离散时间状态约束的最优控制问题,3、提出一种基于动态规划的求解方法来有效地解决这一问题。

运用本方法对混合交通流状态下的高度公路匝道口汇流段进行仿真,分析了各种交通条件和交通混合情况下匝道汇流段的交通影响。通过此方法可以将高速公路匝道汇流段的通过能力提高5%~6%,在协同驾驶策略下,车辆的平均行驶时间和路段交通流的稳定性也有提高。

附图说明

图1为协同优化控制的示意图。

图2为确定主路前车、汇流车和主路后车的示意图。

图3为车辆轨迹预测计算方法图。

图4(1)表示在没有协同控制情况下,汇流的轨迹图。

图4(2)表示在有协同控制情况下,汇流的轨迹图。

图5是仿真试验中,截取车辆通过汇流区段的轨迹数据,在不同自动驾驶车辆渗透率下,对比有无协同优化下的宏观交通流特性。其中,图5(1)是自动驾驶车辆渗透率=30%的情形,图5(2)是自动驾驶车辆渗透率=50%的情形,图5(3)是自动驾驶车辆渗透率=70%的情形,图5(4)是自动驾驶车辆渗透率=100%的情形。

具体实施方式

以下结合附图对本发明的具体实施方式进行进一步的说明。

如图1所示,主线道路上有一辆前车(车1),一辆后车(车3),匝道上有一辆准备汇入主道的目标车辆(车2)。主路后车(车3)在目标车辆汇入主路之前都是以同一车道上的前车(车1)作为跟驰目标,不考虑汇流车辆。当匝道上的汇流车辆到达匝道口汇流区段时,要求有足够大的汇流车间距,此时目标车辆与主路后车的间距不满足汇流条件,该情况即为非协同汇流。而协同汇流的情况是对主路后车加以控制,通过适当减速提供足够的汇流空间。该情况要求主路后车为可控车辆(如自动驾驶车辆)。

首先,使用微观跟驰模型,预测车辆的初始轨迹(图3)。

(1)获取车辆初始状态数据,即交通流中车辆在通过汇流点上游某检测点y的时间和速度;(2)结合道路几何长度,定义汇流段终点为z1,用微观车辆跟驰模型描述和预测车辆在点y与z1之间的轨迹;

其中,

微观车辆跟驰模型选用gipps跟驰模型,模型如下:

xk(t+τ)=xk(t)-vk(t)τ-0.5uk(t)τ2(2)

方程(1)的车辆跟驰模型将车辆k在t+τ时刻的速度描述为期望速度、以恒定加速度加速而得到的速度、安全速度三者中的较小值。其中:ve表示为期望速度;a为恒定加速度,b为恒定减速度,“安全速度”这里指的是即使在最坏的情况下(即前车突然停止),前车和后车也不发生碰撞并保持最小间距的速度。车辆k在t时刻的速度与位置分别用vk(t)和xk(t)表示,klead表示车辆k的直接前车,车辆k的直接前车在t时刻的速度与位置分别用表示。le为前车和后车最小间距,在混合用户环境下,用最小车间距来区分可控车辆和不可控车辆,如果车辆k是一辆可控车辆(如自动驾驶车辆),用表示上述车间距,如果车辆k是一辆不可控车辆,用表示上述车间距。可控车辆最小车间距相较于不可控车辆的最小车间距更短,即

使用离散时间模型,车辆k在时间t时刻的加速度可以表示为uk(t)=(vk(t+τ)-vk(t))/τ,因此可以用方程(1)和方程(2)来更新车辆跟驰的状态(速度和位置)。

根据预测的初始轨迹,确定优化控制目标车辆(参照图2)。如下:

(1)按照前述预测方法,预测主路上多台车辆的轨迹,其到达汇流区段起点z0的时刻为tm,其中m=1,2,3,…;

(2)按照前述预测方法,预测匝道上多台车辆的轨迹,其到达汇流区段起点z0的时刻为tr,其中r=1,2,3,…;

(3)如果存在一个tr,tm<tr<tm+1,则认定车辆关系为:tr对应的车辆为汇流车k,tm对应的车辆为主路前车tm+1对应的车辆为主路后车

(4)若主路后车为可控车辆且同时满足以下条件:(a)根据预测的轨迹,在tr时刻,汇流车k与主路前车的车间距大于不可控车辆的最小安全车头距离(b)主路后车与汇流车k的车间距小于可控车辆的最小安全车头距离则主路后车为优化控制的目标车辆;

其中,(4)实际是根据车辆的初始轨迹来判断汇流车辆能否顺利汇流。相关汇流模型是基于gipps跟驰模型建立的,相关模型如下:

方程(3)是汇流效用函数,反应汇流时的舒适度,是通过汇流时的车间距以及汇流车辆和主路后车的加速度确定的。汇流时,认为汇流车辆跟驰主路前车运行,而主路后车跟驰汇流车辆运行,他们的加速度都可以根据gipps车辆跟驰模型(即公式(1),公式(2))计算得到。xk(t),分别表示汇流车辆、主路前车、主路后车在t时刻的位置。表示车辆k的加速度的绝对值;表示主路后车的加速度的绝对值;bsafe表示最大允许减速度。φa为可控车辆集,φh为不可控车辆集。

表示的是汇流行为在不受约束条件限制时的汇流效用,η1和η2分别表示安全系数与礼貌系数,安全系数η1为常数,礼貌系数η2采用分段连续形式,如方程(4)所示,vth是给定的速度阈值,β1和β2为常数。

方程(5)中lk(t+τ)表示汇流决策,为0则表示在t+τ时刻不汇流,1则表示在t+τ时刻可以汇流。

确定优化控制目标车辆后,确定目标车辆的优化控制区段、控制决策时刻与各控制时刻下的最优状态,如下:

(1)基于汇流车的初始轨迹,到达控制区段起始点z的时刻记为t0,到达汇流区段起始点z0的时刻为tf,将其分为n段,n=(tf-t0)/τ;定义控制决策时刻为t0+nτ,n=1,2,…,n。控制区段起始点z,在主路初始点之后且在汇流点z0之前。如图2所示,控制区段起始点z的位置在主路和匝道上相对应。

(2)根据主路后车在t0时刻的位置和速度,计算第1阶段的控制决策时刻即t0+τ时刻的容许状态集(由车辆跟驰的约束决定),以及t0时刻状态(即t0时刻的位置和速度)到该容许状态集中各个容许状态的状态转移成本;

(3)根据第1阶段的控制决策时刻的容许状态集,计算第2阶段的控制决策时刻即t0+2τ时刻的容许状态集(由车辆跟驰的约束决定),计算第1阶段各容许状态到第2阶段各容许状态的状态转移成本和累计成本,其中累计成本为前两个阶段状态转移成本之和;

(4)按照(3)的方法,依次计算得到各控制决策时刻的容许状态集,以及累计成本。

上述步骤中,采用基于动态规划算法求解最优化控制问题,如下:

xi(t0+nτ+τ)=xi(t0+nτ)-vi(t0+nτ)τ-0.5ui(t0+nτ)τ2,n=0,1,2,…,n-1(10)

vi(t0+nτ+τ)=vi(t0+nτ)+ui(t0+nτ)τ,n=0,1,2,…,n-1(11)

vi(t0+nτ+τ)≥vi(t0+nτ)-bτ(12)

目标函数方程(6)表示优化的目标车辆在优化区间内行驶足够平缓且行驶速度接近期望速度。vi(t)为优化目标车辆i在t时刻的速度,ve为期望速度。

定义目标车辆i在每个阶段n的一组容许状态,表示为si(t0+nτ),n=0,1,2,…,n。方程(7)表示目标车辆的初始状态,方程(8)表示目标车辆的过渡状态,方程(9)表示目标车辆的最终状态。

方程(10)和(11)是对目标车辆每个状态中速度与位置的具体求解:根据上一阶段的容许状态集中的速度,由微观跟驰模型计算得出下个阶段的跟驰速度,因为要控制后车略微的减速,在取得下个阶段的跟驰速度的基础上,给定一个速度取值范围,速度取值范围中的每个速度即为下个阶段容许状态集中的速度。

方程(12)和(13)则是对目标车辆每个状态的速度约束,方程(14)则是对目标车辆最终状态的汇流效用约束。

方程(15)表示第1段即t0+τ时刻的最小状态转移成本,是t0阶段初始状态到1阶段状态的状态转移成本,具体计算如方程(17),vq表示状态sq的速度取值。

方程(16)表示从初始状态到第n阶段的最小累计成本,是n-1阶段状态sp=[xp,vp]t∈si(t0+nτ-τ)到n阶段状态sq=[xq,vq]t∈si(t0+nτ)的状态转移成本,而这里的sq∈si(t0+nτ)表示在第n阶段的最优状态为sq。可以很容易地表明,目标函数(6)的值相当于

(5)判断tf时刻的容许状态集中的容许状态是否满足汇流条件,将满足汇流条件的容许状态录入最终容许状态集中;

判断满足汇流条件的方法:根据后车在tf时刻的容许状态,以及初始轨迹中汇流车辆和主路前车在tf时刻的状态,由汇流模型计算在tf+τ时刻的汇流效用,若效用大于0,则表示可以汇流,若小于0,则不能汇流。

若最终容许状态集为空集,则表示该优化失败,若不为空,则表示优化成功。

(6)计算最终容许状态集中各个容许状态的累计成本,选择累计成本最小的容许状态为tf时刻的最优状态;

(7)根据最终容许状态集的最优状态逆推之前n-1阶段中每个控制决策时刻的最优状态;

根据(6)以及方程(16)可知最终状态即tf时刻的最优状态sq∈sk(tf)以及相对应的最小状态转移成本因此可以反向推导出tf-τ时刻的最优状态sp∈sk(tf-τ),以此类推则可以推导出之前n-1段的每一段的控制决策时刻的最优状态。

(8)按照上述步骤得到的最优状态对目标车辆进行控制。

即控制车辆在t0+τ至tf区间内按照得出的每一段的控制决策时刻的最优的速度运行。

本发明的方法,利用matlab编程建立了微观交通流仿真环境(包括车辆跟驰与换道),分析不同交通状态、不同自动驾驶车辆渗透率的交通影响。相关参数取值如表1,结果如图4、图5所示。

表1:计算机编程实现高速公路混合交通流的仿真实验环境的参数及取值

图4:四车在有无协同控制情况下的微观汇流情况。可以从轨迹图中看出,汇流车辆轨迹在有协同控制的情况下要比没有协同控制的情况更加平缓。

图5:可以从流量—密度—速度关系图中看出,匝道口的通行能力会随着自动驾驶车辆渗透率的增加而增加,在引入最优控制的协同汇流策略时,可以将高速公路匝道汇流段的通过能力再提高5%~6%,在协同驾驶策略下,车辆的平均行驶时间和路段交通流的稳定性也略有提高。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1