可左右滑动选省市

一种车辆混合通行环境下交叉口交通信号控制方法

更新时间:2024-11-01
一种车辆混合通行环境下交叉口交通信号控制方法 专利申请类型:发明专利;
地区:广东-东莞;
源自:东莞高价值专利检索信息库;

专利名称:一种车辆混合通行环境下交叉口交通信号控制方法

专利类型:发明专利

专利申请号:CN202410181737.1

专利申请(专利权)人:东莞理工学院
权利人地址:广东省东莞市松山湖科技产业园区大学路1号

专利发明(设计)人:任斌,罗濠成,何春红

专利摘要:本发明公开一种车辆混合通行环境下交叉口交通信号控制方法,包括以下步骤:步骤S1:设定感知区PZ;步骤S2:触发决策;车辆集N、车辆驶入序列I和每辆车的轨迹信息更新,其中,车联网通信车辆、自动驾驶车辆通过卡尔曼滤波器降低定位误差;步骤S3:双层规划模型包括子步骤S31的上层规划模型和子步骤S32的下层规划模型;子步骤S31:通过上层规划模型求解出车辆总延误最小化时间minTD时的车辆驶离序列J;子步骤S32:通过下层规划模型对自动驾驶车辆驶离轨迹优化;步骤S4:通过智慧多叉搜索树对双层规划模型进行求解,得出最优的车辆驶离序列J和最优的自动驾驶车辆的车辆驶离轨迹;步骤S5:按照步骤S4放行感知区PZ车辆;步骤S6:等待下一轮触发。

主权利要求:
1.一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,包括以下步骤:步骤S1:对交叉口M各进道口设定感知区PZ;
步骤S2:当车辆驶入、停车等待和驶离感知区PZ时触发交通信号控制决策;同时,对感知区PZ的车辆集N、车辆驶入序列I和每辆车的轨迹信息进行更新,其中,车联网通信车辆、自动驾驶车辆通过卡尔曼滤波器降低定位误差;
步骤S3:将步骤S2中的各个数据输入到双层规划模型,双层规划模型包括子步骤S31的上层规划模型和子步骤S32的下层规划模型;
子步骤S31:通过上层规划模型求解出车辆总延误最小化时间minTD,并获得与该所有车辆总延误最小化时间minTD相匹配的车辆驶离序列J;
在所述子步骤S31中,其所有车辆总延误最小化时间minTD的计算方法如下式(1):minTD=min∑v∈N(Delv,J‑Npv)(1)式(1)中,N表示为车辆集N,v表示为车辆集N内的任一车辆,Delv,J表示为车辆v离开交叉口的时间,Npv表示为在没有排队的情况下,车辆v离开交叉口M的时间,Delv,J‑Npv表示为车辆v的延误时间;
v的具体表达式如下:
v={i,j,m};
其中,i∈车辆驶入序列I,i表示为车辆v在车辆驶入序列I中的位置;j∈车辆驶离序列J,j表示为车辆v在车辆驶离序列J中的位置;m∈交叉口M,m为交叉口M中所有通行方向的其中一个通行方向;
Delv,J的具体表达式如下式(2):
式(2)中,v'表示为在车辆驶离序列J中,车辆v的前车车辆,Delv',J表示车辆v的前车车辆离开交叉口M的时间,Satm是m方向的饱和流;
v'的具体表达式如下:
子步骤S32:通过下层规划模型对上层规划模型的车辆驶离序列J中的自动驾驶车辆驶离轨迹优化,以使得自动驾驶车辆驶入感知区PZ和通过交叉口M速度最大化;
在所述子步骤S32中,通过Newell跟驰模型分别预测车联网通信车辆和传统车和通过交叉口M的车辆驶离轨迹和最大化速度由车辆驶离序列J中的前面车辆的轨迹信息确定,其中,包括如下步骤:步骤S3210:
自动驾驶车辆在感应区PZ时以最大化速度行使,通过感应区PZ后再开始加速,若自动1
驾驶车辆为车辆驶入序列I中的领航车辆v,在tinit时刻开始交通信号控制决策,最优的驶离轨迹被安排在topti时刻通过交叉口M,然后开始加速驶入交叉口M一侧的目标道路中,上述的最大化速度的计算方法如下式(3):式(3)中,δdist表示车辆定位误差的估计标准差,其通过卡尔曼滤波器获得,distv表示
1 1
领航车辆v与交叉口M距离,topti表示领航车辆v通过交叉口M时刻,tinit表示决策开启的时刻;
步骤S3220:对上述步骤S3210的最大化速度进行约束处理,其速度约束的计算方法如下式(4):1
式(4)中,topti≤tinit表明领航车辆v在信号灯为绿灯时间内进入感应区PZ并无等待地以自由流速度Sf通过交叉口M;
1
领航车辆v的初始速度如下式(5):
步骤S3230:
根据Newell跟驰模型得出,若自动驾驶车辆为车辆驶入序列I中的跟驰车辆 则跟驰车辆 最大化速度 约束速度 和初始速度 的计算方法如下分别如下式(6)、式(7)和式(8):其中,式(6)中的 表示为该车辆进入感应区PZ后与
前车保持跟驰关系,
表示为该跟驰车辆
进入感应区PE后加速跟上前车并保持跟驰关系; 表示为跟驰车辆 的最优轨迹受前车影响程度,Jam表示拥堵密度,w表示反向波速度,a表示车辆加速度;
步骤S4:通过与交叉口M车道数相匹配的智慧多叉搜索树对步骤S3中的双层规划模型进行求解,得出最优的车辆驶离序列J和最优的自动驾驶车辆的车辆驶离轨迹;
步骤S5:按照步骤S4中的最优的车辆驶离序列J放行感知区PZ车辆;并为自动驾驶车辆分配最优的车辆驶离轨迹;
步骤S6:等待下一轮交通信号控制决策的触发。
2.根据权利要求1所述的一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,在所述步骤S1中,通过专用短程通信对交叉口M各进道口设定具有一定长度的感知区PZ。
3.根据权利要求1或2所述的一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,在所述步骤S2中,通过监测系统对车辆驶入、停车等待和驶离感知区PZ进行监测,并对上述监测信号反馈至交通信号控制决策。
4.根据权利要求3所述的一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,在所述步骤S2中,当车辆驶入感知区PZ时,该车辆驶入感知区PZ的监控信号触发交通信号控制决策,以及,交通信号控制决策内部的车辆集N、车辆驶入序列I和每辆车的轨迹信息更新方式包括传统车辆更新方式和车联网通信车辆、自动驾驶车辆更新方式;其中,传统车辆更新方式为:其离开感知区PZ和交叉口M的时间可以通过车联网通信车辆、自动驾驶车辆停车位置信息和信号配时方案进行估算;车联网通信车辆、自动驾驶车辆更新方式为:其驶入序列和轨迹信息由车联网通信系统提供。
5.根据权利要求3所述的一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,当车联网通信车辆、自动驾驶车辆进入感知区PZ后,其两者分别定期将其轨迹信息上传到交通信号控制决策并且当交通信号控制决策触发时对其轨迹信息进行同步更新,并且其两者分别采用卡尔曼滤波器降低其自身定位的误差,以及其两者分别利用轨迹信息推断其自由流速度Sf,以获得其车辆v在无排队时离开交叉口M的时间Npv。
6.根据权利要求3所述的一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,在所述步骤S2中,每辆车的轨迹信息包括位置信息和速度信息。
7.根据权利要求1所述的一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,对车辆v离开交叉口的时间Delv,J通过增加惩罚项Pv,J用于优化车辆驶离序列J;
增加惩罚项Pv,J后的Delv,J的具体表达式如下式(9):式(9)中,惩罚项Pv,J表示为所有车辆通过交叉口的时间;
Pv,J的具体表达式如下式(10):
式(10)中,Sf表示为所有车辆自由流速度,L是交叉口的长度,a是车辆加速度,表示车辆v的初始速度小于自由流速度Sf时的加速时间。
8.根据权利要求1所述的一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,在所述步骤S4中,还包括如下步骤:步骤S41:建立根节点Root;输入:车辆集N、车辆驶入序列I、车辆速度、车辆位置;驶离交叉口区域的最后一辆车Root;初始化堆栈S;S.push(Root);
步骤S42:计算根节点驶离序列的搜索下界、上界和车辆最优速度;搜索下界的值赋值给总延误;
步骤S43:如果堆栈S非空,进入循环;如果堆栈S空,输出最优驶离序列J及车辆最优速度步骤S44:S.pop()并赋值给当前节点n;
步骤S45:如果当前节点n的搜索下界大于搜索上界,则继续;
步骤S46:如果总延误大于搜索上界,则把搜索上界的值赋值给总延误,并更新最优驶离序列J及车辆最优速度步骤S47:建立当前节点n的孩子节点;
步骤S48:计算孩子节点车辆的驶离时间;计算根节点Root到各孩子节点的延误;计算各孩子节点的搜索下界、上界;
步骤S49:各孩子节点进入堆栈S;回到步骤S43。 说明书 : 一种车辆混合通行环境下交叉口交通信号控制方法技术领域[0001] 本发明涉及城市道路交通信号控制领域,具体而言,涉及一种车辆混合通行环境下交叉口交通信号控制方法。背景技术[0002] 城市交叉口是城市道路交通网络的重要组成部分,也是交通拥堵的频发地点。交通信号控制通过管理设施对道路交通流进行调控,以提高交通运行效率和疏导交通。有效的交通信号控制方法对缓解城市交叉口交通拥堵至关重要。[0003] 目前的交通信号控制方法主要有以下三个方面,其各自具有一定缺陷,具体如下:[0004] 1、传统的交通信号控制方法存在一定局限性。定时控制方法利用历史交通流数据确定最小延误信号配时方案,但实时性有所欠缺;[0005] 2、驱动控制方法通过传感线圈等装置感应车辆到达情况来延长绿灯时间,但未充分考虑交叉口整体交通流的空间特征;[0006] 3、自适应控制方法通过智能计算和实时或历史数据,训练出适应实时车流的控制模型,但训练耗时且需大量不同情景数据。[0007] 近年来,我国新能源汽车市场渗透率快速增长,已经接近40%,且持续呈上升趋势。同时,车联网通信技术的实时信息和自动驾驶技术的辅助控制,为制定更为精准、灵活的交通信号控制方法提供了前所未有的可能性。对于如何利用新能源汽车所配备的车联网通信技术和自动驾驶技术,来研究交通信号控制、缓解交通拥堵问题的关注度也与日俱增。然而,目前的应用并未关注到几个重要问题。[0008] 首先,对车辆轨迹定位在通信时,可能存在的误差问题未得到充分重视,这导致车辆轨迹信息的准确性受到影响。[0009] 其次,未能妥善处理交叉口通行方向数量的适应问题,这使得信号控制方法无法灵活应对不同的交通流量和路口结构。[0010] 最后,忽略了算法在求解车辆驶离序列时效率的问题,从而导致实时性受限,限制了交通信号控制方法的及时应用和调整。[0011] 上述三点疏漏,对交通管理的准确性和效率产生重大影响。[0012] 因此,在利用新能源汽车所配备的车联网通信技术和自动驾驶技术的基础上,如何提高车辆轨迹定位的准确性、交通信号控制方法的灵活性和及时性,是本领域技术人员亟需解决的问题。发明内容[0013] 本发明的目的在于克服现有技术中的上述缺陷,提供一种车辆混合通行环境下交叉口交通信号控制方法,本方法涉及交通信号控制、车联网通信技术和自动驾驶技术的协同应用,通过卡尔曼滤波器来减少对车联网通信车辆、自动驾驶汽车的定位误差;利用智慧多叉搜索树与交叉口M车道数相匹配,并应用于双层规划模型中求解,以获取车辆的最优驶离序列J和自动驾驶车辆的最优驶离轨迹,实时性高,灵活适应不同通行方向的单点交叉口,对于不满足求解条件的孩子节点,使用剪枝操作来提高搜索效率。[0014] 为了实现上述目标,本发明提供了一种车辆混合通行环境下交叉口交通信号控制方法,包括以下步骤:[0015] 步骤S1:对交叉口M各进道口设定感知区PZ;[0016] 步骤S2:当车辆驶入、停车等待和驶离感知区PZ时触发交通信号控制决策;同时,对感知区PZ的车辆集N、车辆驶入序列I和每辆车的轨迹信息进行更新,其中,车联网通信车辆、自动驾驶车辆通过卡尔曼滤波器降低定位误差;[0017] 步骤S3:将步骤S2中的各个数据输入到双层规划模型,双层规划模型包括子步骤S31的上层规划模型和子步骤S32的下层规划模型;[0018] 子步骤S31:通过上层规划模型求解出车辆总延误最小化时间minTD,并获得与该所有车辆总延误最小化时间minTD相匹配的车辆驶离序列J;[0019] 子步骤S32:通过下层规划模型对上层规划模型的车辆驶离序列J中的自动驾驶车辆驶离轨迹优化,以使得自动驾驶车辆驶入感知区PZ和通过交叉口M速度最大化;[0020] 步骤S4:通过与交叉口M车道数相匹配的智慧多叉搜索树对步骤S3中的双层规划模型进行求解,得出最优的车辆驶离序列J和最优的自动驾驶车辆的车辆驶离轨迹;[0021] 步骤S5:按照步骤S4中的最优的车辆驶离序列J放行感知区PZ车辆;并为自动驾驶车辆分配最优的车辆驶离轨迹;[0022] 步骤S6:等待下一轮交通信号控制决策系统的触发。[0023] 作为优选的,在所述步骤S2中,通过监测系统对车辆驶入、停车等待和驶离感知区PZ进行监测,并对上述监控信号反馈至交通信号控制决策;在所述步骤S2中,当车辆驶入感知区PZ时,该车辆驶入感知区PZ的监控信号触发交通信号控制决策,以及,交通信号控制决策内部的车辆集N、车辆驶入序列I和每辆车的轨迹信息更新方式包括传统车辆更新方式和车联网通信车辆、自动驾驶车辆更新方式;其中,传统车辆更新方式为:其离开感知区PZ和交叉口M的时间可以通过车联网通信车辆、自动驾驶车辆停车位置信息和信号配时方案进行插值估算;车联网通信车辆、自动驾驶车辆更新方式为:其驶入序列和轨迹信息由车联网通信系统提供。[0024] 作为优选的,在所述子步骤S31中,其所有车辆总延误最小化时间minTD的计算方法如下式(1):[0025] minTD=min∑v∈N(Delv,J‑Npv)(1)[0026] 其中,N表示为车辆集N,v表示为车辆集N内的任一车辆,Delv,J表示为车辆v离开交叉口的时间,Npv表示为在没有排队的情况下,车辆v离开交叉口M的时间,Delv,J‑Npv表示为车辆v的延误时间;[0027] v的具体表达式如下:[0028] v={i,j,m};[0029] 其中,i∈车辆驶入序列I,i表示为车辆v在车辆驶入序列I中的位置;j∈车辆驶离序列J,j表示为车辆v在车辆驶离序列J中的位置;m∈交叉口M,m为交叉口M中所有通行方向的其中一个通行方向;[0030] Delv,J的具体表达式如下式(2):[0031][0032] 其中,v'表示为在车辆驶离序列J中,车辆v的前车车辆,Delv',J表示车辆v的前车车辆离开交叉口M的时间,Satm是m方向的饱和流;[0033] v'的具体表达式如下:[0034] 车辆集N。[0035] 作为优选的,在所述子步骤S32中,通过Newell跟驰模型分别预测车联网通信车辆和传统车辆的轨迹,同时,自动驾驶车辆的驶入感知区PZ和通过交叉口M的车辆驶离轨迹和最大化速度由车辆驶离序列J中的前面车辆的轨迹信息确定,其中,包括如下步骤:[0036] 步骤S3210:[0037] 自动驾驶车辆在感应区PZ时以最大化速度行使,通过感应区PZ后再开始加速,若1自动驾驶车辆为车辆驶入序列I中的领航车辆v,在tinit时刻开始交通信号控制决策,最优的驶离轨迹被安排在topti时刻通过交叉口M,然后开始加速驶入交叉口M一侧的目标道路中,上述的最大化速度的计算方法如下式(3):[0038][0039] 式(3)中,δdist表示车辆定位误差的估计标准差,其通过卡尔曼滤波器获得,distv1 1表示领航车辆v 与交叉口M距离,topti表示领航车辆v 通过交叉口M时刻,tinit表示决策开启的时刻;[0040] 步骤S3220:对上述步骤S3210的最大化速度进行约束处理,其速度约束的计算方法如下式(4):[0041][0042] 式(4)中,topti≤tinit表明领航车辆v1在信号灯为绿灯时间内进入感应区PZ并无等待地以自由流速度Sf通过交叉口M;[0043] 领航车辆v1的初始速度如下式(5):[0044][0045] 步骤S3230:[0046] 根据Newell跟驰模型得出,若自动驾驶车辆为车辆驶入序列I中的跟驰车辆 则跟驰车辆 最大化速度 约束速度 和初始速度 的计算方法如下分别如下式(6)、式(7)和式(8):[0047][0048][0049][0050] 其中,式(6)中的 表示为该车辆进入感应区PZ后与前车保持跟驰关系,[0051] 表示为该跟驰车辆 进入感应区PZ后加速跟上前车并保持跟驰关系; 表示为跟驰车辆 的最优轨迹受前车影响程度,Jam表示拥堵密度,w表示反向波速度。[0052] 作为优选的,对车辆v离开交叉口的时间Delv,J通过增加惩罚项Pv,J用于优化车辆驶离序列J;[0053] 增加惩罚项Pv,J后的Delv,J的具体表达式如下式(9):[0054][0055] 式(9)中,惩罚项Pv,J表示为所有车辆通过交叉口的时间;[0056] Pv,J的具体表达式如下式(10):[0057][0058] 式(10)中,Sf表示为所有车辆自由流速度,L是交叉口的长度,a是车辆加速度,表示车辆v的初始速度小于自由流速度Sf时的加速时间。[0059] 作为优选的,在所述步骤S4中,还包括如下步骤:[0060] 步骤S41:建立根节点Root;输入:车辆集N、车辆驶入序列I、车辆速度、车辆位置;驶离交叉口区域的最后一辆车Root;初始化堆栈S;S.push(Root);[0061] 步骤S42:计算根节点驶离序列的搜索下界、上界和车辆最优速度;搜索下界的值赋值给总延误;[0062] 步骤S43:如果堆栈S非空,进入循环;如果堆栈S空,输出最优驶离序列J及车辆最优速度[0063] 步骤S44:S.pop()并赋值给当前节点n;[0064] 步骤S45:如果当前节点n的搜索下界大于搜索上界,则继续;[0065] 步骤S46:如果总延误大于搜索上界,则把搜索上界的值赋值给总延误,并更新最优驶离序列J及车辆最优速度[0066] 步骤S47:建立当前节点n的孩子节点;[0067] 步骤S48:计算孩子节点车辆的驶离时间;计算根节点Root到各孩子节点的延误;计算各孩子节点的搜索下界、上界;[0068] 步骤S49:各孩子节点进入堆栈S;回到步骤S43。[0069] 与现有技术相比,本发明的有益效果在于:[0070] 1、本发明的一种车辆混合通行环境下交叉口交通信号控制方法,涉及交通信号控制、车联网通信技术和自动驾驶技术的协同应用,通过卡尔曼滤波器来减少对车联网通信车辆、自动驾驶汽车的定位误差。[0071] 2、通过双层规划模型与智慧多叉搜索树配合应用,求解出最优的车辆驶离序列J和最优的自动驾驶车辆的车辆驶离轨迹,实时性高,灵活适应不同通行方向的单点交叉口M,对于不满足求解条件的孩子节点,使用剪枝操作来提高搜索效率。[0072] 3、另外,本发明的智慧多叉搜索树中的多个分支与交叉口M车道数相匹配,有效解决现有二叉树数据结构的两个分支识别效率的缺陷,同时,相对于现有的webster算法、遗传算法和粒子群优化算法去求得车辆总延误最小化时间minTD数据处理更快,更有效率。[0073] 4、综上所述,本发明的一种车辆混合通行环境下交叉口交通信号控制方法在利用新能源汽车所配备的车联网通信技术和自动驾驶技术的基础上,通过卡尔曼滤波器、双层规划模型以及智慧多叉搜索树技术,提高了车辆轨迹定位的准确性、交通信号控制方法的灵活性和及时性,建立起有效、合理的交通信号控制,进而缓解了城市交叉口交通拥堵。附图说明[0074] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。[0075] 图1是本发明的实施例提供的一种车辆混合通行环境下交叉口交通信号控制方法的流程原理图;[0076] 图2是本发明的实施例提供的车辆混合通行环境下的信号交叉口的平面图;[0077] 图3是本发明的实施例提供的关于子步骤S32中的Newell跟驰模型可以预先为自1动驾驶车辆设定领航车辆v最大化速度和跟驰车辆 最大化速度的单点的信号交叉口的平面图;[0078] 图4是本发明的实施例提供的智慧多叉搜索树的结构操作图。具体实施方式[0079] 下面将结合本发明本实施方式中的附图,对本发明本实施方式中的技术方案进行清楚、完整地描述,显然,所描述的本实施方式是本发明的一种实施方式,而不是全部的本实施方式。基于本发明中的本实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他本实施方式,都属于本发明保护的范围。[0080] 请参阅图1至图4,本发明的实施例提供了一种车辆混合通行环境下交叉口交通信号控制方法,其特征在于,包括以下步骤:[0081] 步骤S1:对交叉口M各进道口设定感知区PZ;[0082] 其中,请参阅图2,本发明的感知区PZ设有四个区域,分别位于交叉口M的东、南、西、北方向;[0083] 其中,通过专用短程通信对交叉口M各进道口设定具有一定长度的感知区PZ;感知区PZ的长度在一定程度上决定了从车联网通信车辆和自动驾驶车辆接收的信息量。但是,感知区PZ长度会受城市道路长度和专用短途通信传输范围的制约,感知区PZ长度过长是不现实的。因此,本发明实例选取100米作为感知区PZ长度,并覆盖交叉口M的各个通行方向m,构成感知区PZ的方向集合为{m1,m2,…,m8},有南北向、南西向和北南向等8个方向。[0084] 步骤S2:当车辆驶入、停车等待和驶离感知区PZ时触发交通信号控制决策;同时,对感知区PZ中的8个方向的车辆集N、车辆驶入序列I和每辆车的轨迹信息进行更新,其中,车联网通信车辆、自动驾驶车辆通过卡尔曼滤波器降低定位误差;[0085] 其中,每辆车的轨迹信息包括位置信息和速度信息。[0086] 其中,本次发明的实施例所述车辆包括如下三种车辆类型:[0087] 第一种:传统车辆,无法与感知区PZ的中央控制器进行通信;[0088] 第二种:自动驾驶车辆,其运行轨迹可由感知区PZ的中央控制器控制;[0089] 第三种:车联网通信车辆,可发送信息但车辆轨迹无法由中央控制器控制。[0090] 其中,通过监测系统对车辆驶入、停车等待和驶离感知区PZ进行监测,并对上述监控信号反馈至交通信号控制决策系统。[0091] 其中,当车辆驶入感知区PZ时,该车辆驶入感知区PZ的监控信号触发交通信号控制决策,以及,交通信号控制决策内部的车辆集N、车辆驶入序列I和每辆车的轨迹信息更新方式包括传统车辆更新方式和车联网通信车辆、自动驾驶车辆更新方式;[0092] 传统车辆更新方式为:其离开感知区PZ和交叉口M的时间可以通过车联网通信车辆、自动驾驶车辆停车位置信息和信号配时方案进行估算;[0093] 车联网通信车辆、自动驾驶车辆更新方式为:其驶入序列和轨迹信息由车联网通信系统提供。[0094] 其中,当车联网通信车辆、自动驾驶车辆进入感知区PZ后,其两者分别定期将其轨迹信息上传到交通信号控制决策系统并且当交通信号控制决策系统触发时对其轨迹信息进行同步更新,并且其两者分别采用卡尔曼滤波器降低其自身定位的误差,以及其两者分别利用轨迹信息推断其自由流速度Sf,以获得其车辆v在无排队时驶离感知区PZ的时间Npv。[0095] 进一步地,车联网通信车辆、自动驾驶车辆利用轨迹信息推断自由流速度Sf,以获得车联网通信车辆、自动驾驶车辆的驶离交叉口M区域的时间Npv。[0096] 进一步地,本实例的自由流速度Sf=50km/h,符合绝大部分城市重点交叉口附近交通道路的自由流速度设计。[0097] 步骤S3:将步骤S2中的各个数据输入到双层规划模型,双层规划模型包括子步骤S31的上层规划模型和子步骤S32的下层规划模型;[0098] 子步骤S31:通过上层规划模型求解出车辆总延误最小化时间minTD,并获得与该所有车辆总延误最小化时间minTD相匹配的车辆驶离序列J;[0099] 子步骤S32:通过下层规划模型对上层规划模型的车辆驶离序列J中的自动驾驶车辆驶离轨迹优化,以使得自动驾驶车辆驶入感知区PZ和通过交叉口M速度最大化。(因为在车辆混合通行环境下,自动驾驶车辆可能夹杂在车联网通信车辆和传统车辆里面,所以专用短途通信不能控制车联网通信车辆和传统车辆,只能够对自动驾驶车辆进行反馈控制。)[0100] 步骤S4:通过与交叉口M车道数相匹配的智慧多叉搜索树对步骤S3中的双层规划模型进行求解,得出最优的车辆驶离序列J和最优的自动驾驶车辆的车辆驶离轨迹;[0101] 其中,请参阅图4,智慧多叉搜索树中的多个分支与交叉口M车道数相匹配,该智慧多叉搜索树是在二叉树数据结构的基础上进行改进,能够快速适用于不同的交叉口M场景,有效解决现有二叉树数据结构的两个分支识别效率的缺陷,同时,相对于现有的webster算法、遗传算法和粒子群优化算法去求得车辆总延误最小化时间minTD数据处理更快,更有效率。[0102] 步骤S5:按照步骤S4中的最优的车辆驶离序列J放行感知区PZ车辆;并为自动驾驶车辆分配最优的车辆驶离轨迹;[0103] 步骤S6:等待下一轮交通信号控制决策的触发。[0104] 其中,在上述子步骤S31中,其所有车辆总延误最小化时间minTD的计算方法如下式(1):[0105][0106] 式(1)中,N表示为车辆集N,v表示为车辆集N内的任一车辆,Delv,J表示为车辆v离开交叉口的时间(即离开交叉口,驶入通行道路的时间),Npv表示为在没有排队的情况下,车辆v离开交叉口的时间,Delv,J‑Npv表示为车辆v的延误时间;[0107] v的具体表达式如下:[0108] v={i,j,m};[0109] 其中,i∈车辆驶入序列I,i表示为车辆v在车辆驶入序列I中的位置;j∈车辆驶离序列J,j表示为车辆v在车辆驶离序列J中的位置;m∈交叉口M,m为交叉口M中所有通行方向的其中一个通行方向;[0110] Delv,J的具体表达式如下式(2):[0111][0112] 式(2)中,v'表示为在车辆驶离序列J中,车辆v的前车车辆,Delv',J表示车辆v的前车车辆离开交叉口M的时间,Satm是m方向的饱和流(饱和流的定义为:单位时间内,道路可以通过最大的车辆数);[0113] v'的具体表达式如下:[0114] 车辆集N。[0115] 其中,在上述子步骤S32中,通过Newell跟驰模型分别预测车联网通信车辆和传统车辆的轨迹,同时,自动驾驶车辆的驶入感知区PZ和通过交叉口M的车辆驶离轨迹和最大化速度由车辆驶离序列J中的前面车辆的轨迹信息(出发时间、位置、速度)确定,即Newell跟驰模型只用于预测前车距离、车联网通信车辆和传统车辆轨迹,在已知上述混合前车距离和轨迹的情况下,Newell跟驰模型可以预先为自动驾驶车辆设定最大化速度,并通过智慧多叉搜索树对自动驾驶车辆的车辆驶离轨迹进行求解,其中,Newell跟驰模型包括如下步骤:[0116] 步骤S3200:在不改变所有车辆驶离轨迹的情况下,对加速和减速过程进行简化;[0117] 其中,将加速和减速过程分为两种类型;[0118] 第一种类型涉及从停止状态到加速状态,通常发生在交叉口M。这种情况是由信号灯从红灯切换为绿灯引起的,主要用于评估交通信号控制方式的效率。此时,车辆运动从停止状态到加速状态,然后通过交叉口;[0119] 第二种类型涉及减速或等待,通常由于红灯等待或交叉口出道口有排队引起,或者是中央控制器通知车辆加减速。简言之,第二种情况包含了所有其他情况。1[0120] 另外,自动驾驶车辆在车辆驶离序列J中,可分为领航车辆v 和跟驰车辆 两种状态;需要对上述两种状态下的自动驾驶车辆车速进行不同优化,使得自动驾驶车辆驶入感知区和通过交叉口速度最大化。[0121] 步骤S3210:请参阅图3,设计排队中的领航车辆v1;[0122] 自动驾驶车辆在感应区PZ时以最大化速度行使,通过感应区PZ后再开始加速,若1自动驾驶车辆为车辆驶入序列I中的领航车辆v,在tinit时刻开始交通信号控制决策,最优的驶离轨迹被安排在topti时刻通过交叉口M,然后开始加速驶入交叉口M一侧的目标道路中,上述的最大化速度的计算方法如下式(3):[0123][0124] 其中,δdist表示车辆定位误差的估计标准差,其通过卡尔曼滤波器获得, 反映了车辆存在测量误差时,最优速度的保守估计,当不存在误差时δ=0,distv表示领航车与交叉口距离,topti表示领航车通过交叉口时刻,tinit表示决策开启的时刻;[0125] 步骤S3220:限定最大化速度[0126] 对上述步骤S3210的最大化速度进行约束处理(这是因为车辆低速通过交叉口将会使轨迹优化失去意义;同时,出于交叉口的安全性考虑,车辆速度不能超过自由流速度Sf),其车辆速度约束的计算方法如下式(4):[0127][0128] 其中,topti≤tinit表明车辆v在信号灯切换为绿灯后到达交叉口,无等待地以自由流速度Sf通过交叉口M, 的独特设计优点在于一能够有效降低车辆延误,二是有一定可能无等待地以自由流速度Sf通过交叉口M,提高车通过效率;[0129] 领航车辆v1的初始速度如下式(5):[0130][0131] 当 表明车辆会在绿灯亮起前到达交叉口M,当接近交叉口M时会停车排队等待,因此初始速度 为0。[0132] 步骤S3230:设计排队中的跟驰车辆[0133] 根据Newell跟驰模型得出,若自动驾驶车辆为车辆驶入序列I中的跟驰车辆 最优速度 设计速度 和初始速度 的计算方法如下分别如下式(6)、式(7)和式(8):[0134][0135][0136][0137] 其中,式(6)中的 表示为该跟驰车辆 进入交叉口M后加入加速行进的队列,[0138] 表示为该跟驰车辆进入加速队列的情况: 表示为跟驰车辆 的最优轨迹受前车影响程度,Jam表示拥堵密度,w表示反向波速度。[0139] 另外,在上述子步骤S31中,对车辆v离开交叉口的时间Delv,J通过增加惩罚项Pv,J用于优化车辆驶离序列J;[0140] 增加惩罚项Pv,J后的Delv,J的具体表达式如下式(9):[0141][0142] 式(9)中,惩罚项Pv,J表示为所有车辆通过交叉口的时间;[0143] Pv,J的具体表达式如下式(10):[0144][0145] 式(10)中,Sf表示为所有车辆自由流速度,L是交叉口的长度,a是车辆加速度,表示车辆v的初始速度小于自由流速度Sf时的加速时间。 是车辆v进入交叉口时的初始速度,是自动驾驶车辆轨迹优化后的结果。[0146] 车辆v离开交叉口M的时间Delv,J通过增加惩罚项Pv,J协同交通信号控制和自动驾驶车辆轨迹,使车辆排成队列通过,避免了在不同的感知区PZ方向之间交替分配绿色信号,导致车辆稀疏、零散通过。[0147] 其中,在上述子步骤S4中,还包括如下步骤:[0148] 步骤S41:建立根节点Root;输入:车辆集N、车辆驶入序列I、车辆速度、车辆位置;驶离交叉口区域的最后一辆车Root;初始化堆栈S;S.push(Root);[0149] 步骤S42:计算根节点驶离序列的搜索下界、上界和车辆最优速度;搜索下界的值赋值给总延误;[0150] 步骤S43:如果堆栈S非空,进入循环;如果堆栈S空,输出最优驶离序列J及车辆最优速度[0151] 步骤S44:S.pop()并赋值给当前节点n;[0152] 步骤S45:如果当前节点n的搜索下界大于搜索上界,则继续;[0153] 步骤S46:如果总延误大于搜索上界,则把搜索上界的值赋值给总延误,并更新最优驶离序列J及车辆最优速度[0154] 步骤S47:建立当前节点n的孩子节点;[0155] 步骤S48:计算孩子节点车辆的驶离时间;计算根节点Root到各孩子节点的延误;计算各孩子节点的搜索下界、上界;[0156] 步骤S49:各孩子节点进入堆栈S;回到步骤S43。[0157] 通过上述智慧多叉搜索树提高步骤S3的双层规划模型问题的求解效率,并得出最优驶离序列和最优车辆通行效率。[0158] 当使用智慧多叉搜索树时多个分支表示交叉口M多个的通行方向。根节点Root表示最后驶离交叉口M区域的车辆,孩子节点是双亲节点车辆驶离交叉口M后的后续车辆。每个节点都承载着关键信息,包括车辆是否为头车、在交叉口M中的行进方向以及驶离时间等。这种设计意味着从根节点到叶子节点的每条路径都对应着一个出发序列。寻找最佳出发序列相当于找出能使整体车辆延误最小化的路径;[0159] 从根节点出发,采用深度优先搜索,并利用堆栈S来遍历M叉树。在遍历每个节点1时,首先判断车辆是否为自动驾驶车辆。对于自动驾驶车辆,利用领航车辆v和跟驰车辆的公式设定车辆速度;对于车联网通信车辆和传统车辆,则使用式(9)和(10)中的公式计算该节点车辆的驶离时间;[0160] 为了提升求解效率,必要时对智慧多叉搜索树进行剪枝,如图4所示。搜索的上界为当前已遍历路径中总延误最小的MinDelaypath。而搜索的下界为只要总延误小于MinDelaypath的任意路径即可;[0161] 因此,在遍历双亲节点后、遍历其孩子节点前,需要根据搜索的上、下界来对节点进行检查。若加入双亲节点后的路径无法优于当前路径(即加入双亲节点后的总延误大于当前最小总延误),则将该节点舍弃。最终,双亲节点及其所有后继节点都会被剪枝,大幅减少计算的时间和空间复杂度。[0162] 综上所述,本发明的实施例的一种车辆混合通行环境下交叉口交通信号控制方法在利用新能源汽车所配备的车联网通信技术和自动驾驶技术的基础上,通过卡尔曼滤波器、双层规划模型以及智慧多叉搜索树技术,提高了车辆轨迹定位的准确性、交通信号控制方法的灵活性和及时性,建立起有效、合理的交通信号控制,进而缓解了城市交叉口交通拥堵。[0163] 以上仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

专利地区:广东

专利申请日期:2024-02-18

专利公开日期:2024-09-03

专利公告号:CN118053310B


以上信息来自国家知识产权局,如信息有误请联系我方更正!
电话咨询
读内容
搜本页
回顶部