[go: up one dir, main page]

CN110930691A - 一种全自动驾驶环境下网络交通流双层控制方法 - Google Patents

一种全自动驾驶环境下网络交通流双层控制方法 Download PDF

Info

Publication number
CN110930691A
CN110930691A CN201911011916.6A CN201911011916A CN110930691A CN 110930691 A CN110930691 A CN 110930691A CN 201911011916 A CN201911011916 A CN 201911011916A CN 110930691 A CN110930691 A CN 110930691A
Authority
CN
China
Prior art keywords
path
intersection
phase
vehicles
road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911011916.6A
Other languages
English (en)
Other versions
CN110930691B (zh
Inventor
钱国敏
郭满
章立辉
王亦兵
王殿海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911011916.6A priority Critical patent/CN110930691B/zh
Publication of CN110930691A publication Critical patent/CN110930691A/zh
Application granted granted Critical
Publication of CN110930691B publication Critical patent/CN110930691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种全自动驾驶环境下网络交通流的双层控制方法。该方法在上层构建一套以完成路网中所有起讫点间出行所需的最大时间最小化为目标的线性规划模型，来控制自动驾驶车辆的出发时刻、出行路径以及交叉口的信号方案，实现在全自动驾驶环境下路网中所有路段上的交通流呈现周期性特征，且尽可能地充分利用路网时空资源。下层通过对自动驾驶车辆纵向速度控制实现路段上所有车辆能不停车通过交叉口，并通过几何关系推导得出不停车通过交叉口所需最短路段长度的计算公式。最终实现在全自动驾驶环境下，路网交通运行呈现出一种稳定状态，在该状态下所有路段上的交通流呈现周期性特征，且车辆在所有信号交叉口都可不停车通过。

Description

一种全自动驾驶环境下网络交通流双层控制方法
技术领域
本发明涉及一种全自动驾驶环境下网络交通流双层控制方法，用于对路网中自动驾驶车辆的出发时刻、出行路径、路段纵向轨迹以及交叉口信号方案进行联合优化，属于智能交通技术领域。
背景技术
具备全自动驾驶技术的车辆已经在封闭测试场进行了大量测试，部分企业的自动驾驶汽车在开放的城市道路上进行了测试，有的甚至开始商业化试运营。车路协同技术的出现使得自动驾驶车辆的大规模应用进一步变成可能。具备通信功能的自动驾驶汽车不但可以提供实时信息用于道路交通状态估计，而且可以直接作为各种交通控制策略的执行器来改善交通流运行。在自动驾驶技术越发成熟的背景下，迫切需要一种能充分利用自动驾驶车辆技术的网络交通流控制方法来合理分配和利用道路时空资源，以缓解交通拥挤，提高出行效率，节省居民出行时间。
发明内容
本发明的目的在于提供一种全自动驾驶环境下网络交通流的双层控制方法。该双层方法的核心思想是，在上层构建一套以完成路网中所有起讫点间出行所需的最大时间最小化为目标的线性规划模型，来控制自动驾驶车辆的出发时刻、出行路径以及交叉口的信号方案，实现在全自动驾驶环境下路网中所有路段上的交通流呈现周期性特征，且尽可能地充分利用路网时空资源。该模型主要包括出发时刻分配模块、出行路径分配模块、信号优化模块、路径与信号相位配对模块。下层通过对自动驾驶车辆纵向速度控制实现路段上所有车辆能不停车通过交叉口，并通过几何关系推导得出不停车通过交叉口所需最短路段长度的计算公式。最终实现在全自动驾驶环境下，路网交通运行呈现出一种稳定状态，在该状态下所有路段上的交通流呈现基于信号周期的周期性特征，且车辆在所有信号交叉口都可不停车通过。
本发明采用的技术方案如下：
一种全自动驾驶环境下网络交通流双层控制方法，该方法具体为：
c1、在上层，构建一套以完成所有起讫对出行所需最大时间最小化为目标的线性规划模型，来获得自动驾驶车辆的出发时刻、出行路径以及各信号交叉口的配时方案。
c2、在下层，控制自动驾驶车辆在各路段上的纵向速度，实现路网上所有车辆能不停车通过交叉口。
c3、在全自动驾驶环境下，所有车辆按照步骤c1得到的出行路径及分配的出行时刻出行，采用步骤c2的纵向速度行驶就能实现网络交通流稳定状态。在这种稳定状态下，所有路段上的交通流呈现周期性特征，且车辆在所有信号交叉口都可不停车通过。上述稳定状态是指，在一个信号周期内，从交叉口i进入路段ij的各起讫对w的自动车辆能通过纵向速度控制，实现在某一周期内全部不停车通过交叉口j驶离路段ij。扩展到路网上，所有路段上的交通流呈现周期性特征，且车辆在所有信号交叉口都可不停车通过。
进一步地，所述步骤c1中，以完成所有起讫对出行所需最大时间最小化为目标的线性规划模型包括用于控制车辆出发时刻的出发时刻分配模块、用于控制车辆出行路径的出行路径分配模块、用于信号配时优化的信号优化模块、用于建立出行路径与交叉口信号相位对应关系的路径与信号相位配对模块和用于实现完成所有起讫对出行所需最大时间最小的目标函数模块。
进一步地，所述出发时刻分配模块通过下述约束控制自动驾驶车辆出发时刻，避免车辆在时间上集中出行造成拥挤。
Figure BDA0002244450570000021
Figure BDA0002244450570000022
Figure BDA0002244450570000023
Figure BDA0002244450570000024
Figure BDA0002244450570000025
Figure BDA0002244450570000026
Figure BDA0002244450570000027
式中：
W表示起讫对集合；
Ωw表示起讫对w的路径集合；
i表示某一交叉口；
k表示交叉口相位号；
w表示某一起讫对，w∈W；
r表示路径集合Ωw中某一条路径，r∈Ωw；
Figure BDA0002244450570000031
表示起讫对w每周期选择路径r出行的车辆数；
Figure BDA0002244450570000032
为二进制变量，用于判断起讫对w的r路径是否经过交叉口i的k相位，
Figure BDA0002244450570000033
表示起讫对w的r路径经过交叉口i的k相位，否则不经过；
Figure BDA0002244450570000034
表示起讫对w的r路径上每周期经过i交叉口k相位的车辆数，
Figure BDA0002244450570000035
当
Figure BDA0002244450570000036
则
Figure BDA0002244450570000037
否则
Figure BDA0002244450570000038
M为一大的自然数，该自然数确保起讫对w的r路径上每周期经过i交叉口k相位的车辆数不超过该条路径每周期出发的车辆数
Figure BDA0002244450570000039
nw表示起讫对w每周期出发的车辆数；
Figure BDA00022444505700000310
表示交叉口i渠化给k相位的车道数；
Figure BDA00022444505700000311
表示i交叉口k相位的绿灯时间；
hs表示饱和车头时距。
约束(1)-(5)表示每周期到达i交叉口k相位的车辆数不超过其允许的通行能力；约束(6)表示起讫对w每周期出发的车辆数等于其所有路径上出发车辆数之和，车辆每周期等间隔出发，间隔等于周期时长/每周期出发车辆数；约束(7)为整数约束。
进一步地，所述出行路径分配模块通过下述约束控制自动驾驶车辆出行路径，避免车辆在空间上分布过于集中造成拥挤。
Figure BDA00022444505700000312
Figure BDA00022444505700000313
Figure BDA00022444505700000314
Figure BDA00022444505700000315
Figure BDA0002244450570000041
Figure BDA0002244450570000042
Figure BDA0002244450570000043
Figure BDA0002244450570000044
Figure BDA0002244450570000045
式中：
N表示路网节点集合，包括起讫点集合I'和交叉口集合I，下标u,v为路网不同节点，u,v∈N且u≠v；
Figure BDA0002244450570000046
表示节点v在路径r的顺序，当
Figure BDA0002244450570000047
表示节点v不在路径r上，其中
Figure BDA0002244450570000048
表示起讫对w起点o(w)的顺序；
Figure BDA0002244450570000049
为二进制变量，表示路径r是否经过路段vu，当
Figure BDA00022444505700000410
表示路径r经过路段vu，否则不经过；
Figure BDA00022444505700000411
为二进制参数，表示节点v是否为起讫对w路径r的起点，当
Figure BDA00022444505700000412
表示节点v为路径r的起点，否则不是；
Figure BDA00022444505700000413
为二进制参数，表示节点v是否为起讫对w路径r的终点，当
Figure BDA00022444505700000414
表示节点v为路径r的终点，否则不是；
A为路网中路段集合；
lvu为路段vu的长度，vu∈A；
Figure BDA00022444505700000415
表示起讫对w的最短路距离；
β为起讫对w路径r的长度控制参数。β值太大，容易分配到不合理的路径；β值太小，影响模型的解空间，经反复求解出行路径分配模块，推荐合理范围为(1,2)。
约束(8)表示将每个起讫对w的起点顺序号
Figure BDA00022444505700000416
设置为1；约束(9)和(10)选择路径r所经过的路段，约束(9)表示路径节点编号
Figure BDA00022444505700000417
按顺序依次增加1，约束(10)将不在路径r上的节点顺序编号
Figure BDA00022444505700000418
设置为0；约束(11)和(12)防止出现回路；约束(13)和约束(14)确保路径的连通性；约束(15)保证路径的合理性，防止所分配的路径长度远大于最短路径长度；约束(16)限制
Figure BDA0002244450570000051
为二进制变量。
进一步地，所述信号优化模块通过下述约束进行信号配时优化：
Figure BDA0002244450570000052
Figure BDA0002244450570000053
Figure BDA0002244450570000054
Figure BDA0002244450570000055
Figure BDA0002244450570000056
Cmin≤C≤Cmax (22)
Figure BDA0002244450570000057
Figure BDA0002244450570000058
式中：
Figure BDA0002244450570000059
分别为交叉口i的各相位绿灯时间，相位按NEMA相位结构编号；
C表示信号周期时长；
Cmin,Cmax分别表示信号周期的最小和最大值；
gmin,gmax分别表示相位时长的最小和最大值。
约束(17)-(20)表示配对相位的绿灯时长相等；约束(21)表示同一相位环的相位绿灯时长之和等于信号周期；约束(22)和(23)限制周期C和相位时长
Figure BDA00022444505700000510
的取值范围；约束(24)限制相位时长
Figure BDA00022444505700000511
为整数变量。
进一步地，所述路径与信号相位配对模块通过下述约束建立出行路径与交叉口信号相位的对应关系。
Figure BDA00022444505700000512
Figure BDA00022444505700000513
Figure BDA0002244450570000061
Figure BDA0002244450570000062
式中：
a-(i,k)表示i交叉口k相位的进口路段；
a+(i,k)表示i交叉口k相位的出口路段。
当起讫对w的某一路径r同时经过i交叉口k相位所对应的进出口路段，那么选择路径r出行的车辆在k相位通过交叉口i，即
Figure BDA0002244450570000063
则
Figure BDA0002244450570000064
否则，路径r不经过i交叉口的k相位，即
Figure BDA0002244450570000065
进一步地，所述目标函数模块通过以下约束实现完成所有起讫对出行所需最大时间最小：
maxrm
Figure BDA0002244450570000066
Figure BDA0002244450570000067
式中：
rm表示所有起讫对完成出行需求所需周期数的倒数的最小值；
rmw表示起讫对w完成其固定出行需求所需周期数的倒数；
Nw表示起讫对w的固定出行需求；
目标函数maxrm使得所有起讫对完成出行需求所需周期数的倒数的最小值最大，等价于所有起讫对完成出行需求所需的最大时间最小，约束(29)表示起讫对w完成其出行需求所需周期数的倒数，约束(30)表示取这些周期数倒数的最小值。
进一步地，所述步骤c2中，给定能通过纵向速度控制实现不停车通过交叉口所需最短路段长度的计算公式，在满足最小路段长度的路段上，通过选择合理的速度从而保证路段上自动驾驶车辆能不停车通过交叉口，具体最短路段长度的计算公式如下：
Figure BDA0002244450570000068
式中：
Figure BDA0002244450570000071
表示能通过纵向速度控制从而不停车通过交叉口所需最短路段长度；
Vmin,Vmax分别表示路段vu所允许的最小和最大速度。
本发明的有益效果是：
本发明提供了一种全自动驾驶环境下网络交通流双层控制方法，首次构建一套以完成所有起讫对出行所需最大时间最小化为目标的线性规划模型获得自动驾驶车辆出发时刻、出行路径、交叉口信号方案，同时控制自动驾驶车辆在各路段上的纵向速度，实现路网上所有车辆能不停车通过交叉口，使得路网交通流周期性呈现出一种在交叉口不停车通过的稳定状态，该方法充分利用道路时空资源，最小化所有起讫对出行总时间，缓解了交通拥挤，提高了出行效率，节省了居民出行时间。
附图说明
图1交通信号NEMA相位结构；
图2样本车辆轨迹；
图3路网拓扑图。
具体实施方式
本发明提供了一种全自动驾驶环境下网络交通流双层控制方法，具体为：
c1、在上层，构建一套以完成所有起讫对出行所需最大时间最小化为目标的线性规划模型，来获得自动驾驶车辆的出发时刻、出行路径以及各信号交叉口的配时方案。
c2、在下层，控制自动驾驶车辆在各路段上的纵向速度，实现路网上所有车辆能不停车通过交叉口。
c3、在全自动驾驶环境下，所有车辆按照步骤c1得到的出行路径及分配的出行时刻出行，采用步骤c2的纵向速度行驶就能实现网络交通流稳定状态。在这种稳定状态下，所有路段上的交通流呈现周期性特征，且车辆在所有信号交叉口都可不停车通过。
作为优选方案，线性规划模型包括用于控制车辆出发时刻的出发时刻分配模块、用于控制车辆出行路径的出行路径分配模块、用于信号配时优化的信号优化模块、用于建立出行路径与交叉口信号相位对应关系的路径与信号相位配对模块和用于实现完成所有起讫对出行所需最大时间最小的目标函数模块。
另外，给定能通过纵向速度控制实现不停车通过交叉口所需最短路段长度的计算公式，在满足最小路段长度的路段上，通过选择合理的速度从而保证路段上自动驾驶车辆能不停车通过交叉口：
假设路段ij规定了一个允许的速度范围(Vmin,Vmax)，其中Vmin＞0。当路段长度足够长且到达车辆数不超过交叉口通行能力时，通过在(Vmin,Vmax)内选择合适的纵向速度可以保证在同一信号周期进入路段ij的自动车能不停车地在通过交叉口j驶离路段ij，如图2所示。
图2显示了路段ij上不停车通过交叉口j的自动车轨迹图，这些自动车具有不同的纵向速度，从交叉口i进入路段ij的自动车在
Figure BDA0002244450570000081
相位通过交叉口j驶离路段ij，其中假设
Figure BDA0002244450570000082
为左转相位，
Figure BDA0002244450570000083
为直行相位。在每一周期如果第一辆左转自动车以速度vf在
Figure BDA0002244450570000084
开始时刻之后驶离交叉口j，最后一辆左转自动车以速度vl在
Figure BDA0002244450570000085
结束之前时刻驶离交叉口j，且Vf,Vl∈(Vmin,Vmax)，那么在路段ij上同一周期进入路段ij的所有左转自动车都能被分配到合适的速度从而不停车通过交叉口j；同理，对于路段ij的直行自动车，如果可以在(Vmin,Vmax)范围内同样找到合适的速度使得同一周期进入的第一辆和最后一辆直行自动车能不停车通过交叉口j驶离路段ij，那么同一周期进入的所有直行自动车都可以分配到合适的纵向速度从而不停车地驶离路段ij。
要使自动车能通过纵向速度控制保证不停车通过下游交叉口，需要满足：①每周期到达交叉口的车辆数不能超过其通行能力；②路段要有足够的长度。条件①可以通过上层对出发时刻、出行路径和信号方案进行控制得到满足，下面给出条件②路段需要满足的最短路计算公式：
Figure BDA0002244450570000086
根据最短路段长度计算公式计算出允许速度范围在(Vmin,Vmax)之间的最短路长度。当路段长度大于
Figure BDA0002244450570000087
时，可根据每辆自动车进入路段vu的时刻分配合适的速度V(Vmin≤V≤Vmax)从而保证所有自动车能不停车驶离路段vu。
下面以一个4×4的路网为例，如图3所示，路网中共有32个节点，16个交叉口，40个路段，32对起讫对。实施步骤如下：
步骤1：求解线性规划模型，获得每辆自动车的出发时刻、出行路径以及每个交叉口的信号配时方案，具体步骤如下：
步骤1.1：构建路网拓扑和网络交通流集合，包括交叉口集合I、路网节点集合N、路段集合A、起讫对集合W、相位进出路段匹配集合AP，示例如表1所示：
表1路网拓扑和网络交通流集合示例
集合名称 集合内容
交叉口集合I {1,2,3,4,…,14,15,16}
路网节点集合N {1,2,3,…,30,31,32}
路段集合A {(1,2),(2,1),(1,5),(5,1)…}
起讫对集合W {17→25,25→17,19→27,27→19…}
相位进出路段匹配集合AP g<sup>1</sup>相位{(10,1,4),(11,2,5)…}…
步骤1.2：调查得到各类模型参数，包括路段长度la、起讫对固定的交通需求Nw、周期时长的最小和最大值Cmin,Cmax、相位时长最小和最大值gmin,gmax、每个交叉口相位k的渠化车道数
Figure BDA0002244450570000091
饱和车头时距hs。
步骤1.3：利用Dijkstra算法计算每对起讫对之间的最短路长度
Figure BDA0002244450570000092
确定每对起讫对之间的路径数量r和路径长度控制参数β。例如算例中起讫对17→25分配两条路径，最短路长度为4155m，路径长度控制参数β设置为1.5，其他各OD最短路长度如表2所示：
表2路网各OD最短路长度
OD对 17→25 18→26 19→27 20→28 21→29 22→30 23→31 24→32
最短路长度(m) 4155 3255 3075 4215 4605 3660 3435 4155
OD对 25→17 26→18 27→19 28→20 29→21 30→22 31→23 32→24
最短路长度(m) 4155 3255 3075 4215 4605 3660 3435 4155
OD对 17→29 18→30 19→31 20→32 25→21 26→22 27→23 28→24
最短路长度(m) 3240 2790 2760 3150 3015 2715 2220 2790
OD对 21→17 22→18 23→19 24→20 29→25 30→26 31→27 32→28
最短路长度(m) 3120 2880 2745 3015 3210 3090 2325 2850
步骤1.4：求解线性规划模型，获得网络中每个信号交叉口配时方案，每个起讫对的r条路径和每个周期出发车辆数及每条路径每周期出发车辆数。例如起讫对19→27的两条路径分别为{19,3,2,6,5,9,13,14,27}和{19,3,2,1,5,9,10,14,27}，每周期分别出发24和4辆车，总出发28辆车，其他路径及流量和交叉口信号方案如表3和4：
表3路径及流量分配结果
Figure BDA0002244450570000101
Figure BDA0002244450570000111
表4交叉口信号方案
Figure BDA0002244450570000112
步骤1.5：所有车辆随机排序，按每周期出发车辆数等间隔分配出发时刻，按每条路径每周期出发车辆数比例等间隔分配车辆出发路径。
例如起讫对19→27的出发间隔为周期时长/每周期出发车辆数，即120/28＝4.3s，第一辆车在周期开始时刻出发，第二辆车在周期4.3s时刻出发，第三辆车在周期8.6s时刻出发，以此类推得到每辆车的出发时刻。并且每7辆车中某一辆车分配到第二条路径上，假设第一辆，其余六辆车分配到第二条路径上，那么下一7辆车中的第一辆车仍然分配到第二条路径上。
步骤2：根据每辆车在同流向交通流中进入路段的顺序，确定在下游交叉口最早驶离路段的周期时刻，防止出现冲突。例如交叉口7左转第5辆车最早可以在左转相位第5s时刻驶离交叉口，否则会与前车发生冲突。
步骤3：根据路段长度，为每条路段选择合适的速度范围(Vmin,Vmax)，确定每辆车实际驶离路段的周期时刻并分配合适的纵向速度保证不停车驶离交叉口。
例如交通口7左转第5辆车虽然最早可以在左转相位第5s时刻驶离交叉口，但所分配的速度V＞Vmax，不符合速度要求，这时只能以速度Vmax行驶最早在5s之后的某一时刻驶离交叉口；而如果第5辆左转车可以在左转相位第5s时刻驶离交叉口，则按照这个时间分配路段速度从而保证不停车通过。
本发明未尽事宜为公知技术。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种全自动驾驶环境下网络交通流双层控制方法，其特征在于，该方法具体为：
c1、在上层，构建一套以完成所有起讫对出行所需最大时间最小化为目标的线性规划模型，来获得自动驾驶车辆的出发时刻、出行路径以及各信号交叉口的配时方案。
c2、在下层，控制自动驾驶车辆在各路段上的纵向速度，实现路网上所有车辆能不停车通过交叉口。
c3、在全自动驾驶环境下，所有车辆按照步骤c1得到的出行路径及分配的出行时刻出行，采用步骤c2的纵向速度行驶就能实现网络交通流稳定状态。在这种稳定状态下，所有路段上的交通流呈现周期性特征，且车辆在所有信号交叉口都可不停车通过。
2.根据权利要求1所述一种全自动驾驶环境下网络交通流双层控制方法，其特征在于：所述步骤c1中，以完成所有起讫对出行所需最大时间最小化为目标的线性规划模型包括用于控制车辆出发时刻的出发时刻分配模块、用于控制车辆出行路径的出行路径分配模块、用于信号配时优化的信号优化模块、用于建立出行路径与交叉口信号相位对应关系的路径与信号相位配对模块和用于实现完成所有起讫对出行所需最大时间最小的目标函数模块。
3.根据权利要求2所述的一种全自动驾驶环境下网络交通流双层控制方法，其特征在于：所述出发时刻分配模块通过下述约束控制自动驾驶车辆出发时刻：
Figure FDA0002244450560000011
Figure FDA0002244450560000012
Figure FDA0002244450560000013
Figure FDA0002244450560000014
Figure FDA0002244450560000015
Figure FDA0002244450560000016
Figure FDA0002244450560000017
式中：
W表示起讫对集合；
Ωw表示起讫对w的路径集合；
i表示某一交叉口；
k表示交叉口相位号；
w表示某一起讫对，w∈W；
r表示路径集合Ωw中某一条路径，r∈Ωw；
Figure FDA0002244450560000021
表示起讫对w每周期选择路径r出行的车辆数；
Figure FDA0002244450560000022
为二进制变量，用于判断起讫对w的r路径是否经过交叉口i的k相位，
Figure FDA0002244450560000023
表示起讫对w的r路径经过交叉口i的k相位，否则不经过；
Figure FDA0002244450560000024
表示起讫对w的r路径上每周期经过i交叉口k相位的车辆数，
Figure FDA0002244450560000025
当
Figure FDA0002244450560000026
则
Figure FDA0002244450560000027
否则
Figure FDA0002244450560000028
M为一大的自然数，该自然数确保起讫对w的r路径上每周期经过i交叉口k相位的车辆数不超过该条路径每周期出发的车辆数
Figure FDA0002244450560000029
nw表示起讫对w每周期出发的车辆数；
Figure FDA00022444505600000210
表示交叉口i渠化给k相位的车道数；
Figure FDA00022444505600000211
表示i交叉口k相位的绿灯时间；
hs表示饱和车头时距。
约束(1)-(5)表示每周期到达i交叉口k相位的车辆数不超过其允许的通行能力；约束(6)表示起讫对w每周期出发的车辆数等于其所有路径上出发车辆数之和，车辆每周期等间隔出发；约束(7)为整数约束。
4.根据权利要求2所述的一种全自动驾驶环境下网络交通流双层控制方法，其特征在于：所述出行路径分配模块通过下述约束控制自动驾驶车辆出行路径：
Figure FDA00022444505600000212
Figure FDA00022444505600000213
Figure FDA00022444505600000214
Figure FDA00022444505600000215
Figure FDA0002244450560000031
Figure FDA0002244450560000032
Figure FDA0002244450560000033
Figure FDA0002244450560000034
Figure FDA0002244450560000035
式中：
N表示路网节点集合，包括起讫点集合I'和交叉口集合I，下标u,v为路网不同节点，u,v∈N且u≠v；
Figure FDA0002244450560000036
表示节点v在路径r的顺序，当
Figure FDA0002244450560000037
表示节点v不在路径r上，其中
Figure FDA0002244450560000038
表示起讫对w起点o(w)的顺序；
Figure FDA0002244450560000039
为二进制变量，表示路径r是否经过路段vu，当
Figure FDA00022444505600000310
表示路径r经过路段vu，否则不经过；
Figure FDA00022444505600000311
为二进制参数，表示节点v是否为起讫对w路径r的起点，当
Figure FDA00022444505600000312
表示节点v为路径r的起点，否则不是；
Figure FDA00022444505600000313
为二进制参数，表示节点v是否为起讫对w路径r的终点，当
Figure FDA00022444505600000314
表示节点v为路径r的终点，否则不是；
A为路网中路段集合；
lvu为路段vu的长度，vu∈A；
Figure FDA00022444505600000315
表示起讫对w的最短路距离；
β为起讫对w路径r的长度控制参数，推荐合理范围为(1,2)。
约束(8)表示将每个起讫对w的起点顺序号
Figure FDA00022444505600000316
设置为1；约束(9)和(10)选择路径r所经过的路段，约束(9)表示路径节点编号
Figure FDA00022444505600000317
按顺序依次增加1，约束(10)将不在路径r上的节点顺序编号
Figure FDA00022444505600000318
设置为0；约束(11)和(12)防止出现回路；约束(13)和约束(14)确保路径的连通性；约束(15)保证路径的合理性，防止所分配的路径长度远大于最短路径长度；约束(16)限制
Figure FDA00022444505600000319
为二进制变量。
5.根据权利要求2所述的一种全自动驾驶环境下网络交通流双层控制方法，其特征在于：所述信号优化模块通过下述约束进行信号配时优化：
Figure FDA0002244450560000041
Figure FDA0002244450560000042
Figure FDA0002244450560000043
Figure FDA0002244450560000044
Figure FDA0002244450560000045
Cmin≤C≤Cmax (22)
Figure FDA0002244450560000046
Figure FDA0002244450560000047
式中：
Figure FDA0002244450560000048
分别为交叉口i的各相位绿灯时间，相位按NEMA相位结构编号；
C表示信号周期时长；
Cmin,Cmax分别表示信号周期的最小和最大值；
gmin,gmax分别表示相位时长的最小和最大值。
约束(17)-(20)表示配对相位的绿灯时长相等；约束(21)表示同一相位环的相位绿灯时长之和等于信号周期；约束(22)和(23)限制周期C和相位时长
Figure FDA0002244450560000049
的取值范围；约束(24)限制相位时长
Figure FDA00022444505600000410
为整数变量。
6.根据权利要求2所述的一种全自动驾驶环境下网络交通流双层控制方法，其特征在于：所述路径与信号相位配对模块通过下述约束建立出行路径与交叉口信号相位的对应关系。
Figure FDA00022444505600000411
Figure FDA00022444505600000412
Figure FDA00022444505600000413
Figure FDA0002244450560000051
式中：
a-(i,k)表示i交叉口k相位的进口路段；
a+(i,k)表示i交叉口k相位的出口路段。
当起讫对w的某一路径r同时经过i交叉口k相位所对应的进出口路段，那么选择路径r出行的车辆在k相位通过交叉口i，即
Figure FDA0002244450560000052
则
Figure FDA0002244450560000053
否则，路径r不经过i交叉口的k相位，即
Figure FDA0002244450560000054
7.根据权利要求2所述的一种全自动驾驶环境下网络交通流双层控制方法，其特征在于：所述目标函数模块通过以下约束实现完成所有起讫对出行所需最大时间最小：
max rm
Figure FDA0002244450560000055
Figure FDA0002244450560000056
式中：
rm表示所有起讫对完成出行需求所需周期数的倒数的最小值；
rmw表示起讫对w完成其固定出行需求所需周期数的倒数；
Nw表示起讫对w的固定出行需求；
目标函数maxrm使得所有起讫对完成出行需求所需周期数的倒数的最小值最大，等价于所有起讫对完成出行需求所需的最大时间最小，约束(29)表示起讫对w完成其出行需求所需周期数的倒数，约束(30)表示取这些周期数倒数的最小值。
8.根据权利要求1所述的一种全自动驾驶环境下路网交通流双层控制方法，其特征在于：所述步骤c2中，给定能通过纵向速度控制实现不停车通过交叉口所需最短路段长度的计算公式，在满足最小路段长度的路段上，通过选择合理的速度从而保证路段上自动驾驶车辆能不停车通过交叉口，具体最短路段长度的计算公式如下：
Figure FDA0002244450560000057
式中：
Figure FDA0002244450560000061
表示能通过纵向速度控制从而不停车通过交叉口所需最短路段长度；
Vmin,Vmax分别表示路段vu所允许的最小和最大速度。
CN201911011916.6A 2019-10-23 2019-10-23 一种全自动驾驶环境下网络交通流双层控制方法 Active CN110930691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911011916.6A CN110930691B (zh) 2019-10-23 2019-10-23 一种全自动驾驶环境下网络交通流双层控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911011916.6A CN110930691B (zh) 2019-10-23 2019-10-23 一种全自动驾驶环境下网络交通流双层控制方法

Publications (2)

Publication Number Publication Date
CN110930691A true CN110930691A (zh) 2020-03-27
CN110930691B CN110930691B (zh) 2021-02-23

Family

ID=69849194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911011916.6A Active CN110930691B (zh) 2019-10-23 2019-10-23 一种全自动驾驶环境下网络交通流双层控制方法

Country Status (1)

Country Link
CN (1) CN110930691B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113936452A (zh) * 2020-06-29 2022-01-14 阿里巴巴集团控股有限公司 一种交通控制方法、装置及电子设备
CN115083177A (zh) * 2022-06-28 2022-09-20 浙江大学 一种三车道及以上道路实现智能车辆串联排列的控制方法
CN115344972A (zh) * 2022-07-21 2022-11-15 华中科技大学 人机混驾自动驾驶专用道位置与交叉口信号配时优化方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB432900A (en) * 1934-02-05 1935-08-06 Automatic Electric Co Ltd Improvements in or relating to traffic control signals
DE3126481C2 (zh) * 1981-07-04 1989-10-19 Volkswagen Ag
JPH11241622A (ja) * 1998-02-24 1999-09-07 Honda Motor Co Ltd エンジン駆動力制御装置
DE19938266A1 (de) * 1999-08-12 2001-02-15 Volkswagen Ag Verfahren und Einrichtung zur elektronischen bzw. elektronisch visuellen Erkennung von Verkehrszeichen
CN1526596A (zh) * 2003-01-30 2004-09-08 沈 小型车辆的轨道交通系统
US20040225434A1 (en) * 2003-05-07 2004-11-11 Gotfried Bradley L. Vehicle navigation and safety systems
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
CN103236177A (zh) * 2013-03-26 2013-08-07 清华大学 车网路多系统融合的智能交互系统及其控制方法
CN103383812A (zh) * 2013-06-27 2013-11-06 姜廷顺 一种精确到秒地发布旅行时间的系统及方法
CN104021675A (zh) * 2014-06-25 2014-09-03 北京易华录信息技术股份有限公司 一种预测快速路未来时刻所需旅行时间的系统及方法
CN205721998U (zh) * 2016-02-18 2016-11-23 华南理工大学 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN106251016A (zh) * 2016-08-01 2016-12-21 南通大学 一种基于动态时间窗的泊车系统路径规划方法
CN106809223A (zh) * 2017-02-16 2017-06-09 常文作 一种智能轨道交通系统
CN108647475A (zh) * 2018-05-25 2018-10-12 东南大学 基于负载均衡的城市离散交通网络设计r语言实现方法
CN108711300A (zh) * 2018-05-25 2018-10-26 深圳市易成自动驾驶技术有限公司 群体智能泊车方法、系统及计算机可读存储介质
CN108804801A (zh) * 2018-05-25 2018-11-13 东南大学 基于目标配流的城市离散交通网络设计r语言实现方法
CN108961784A (zh) * 2018-06-11 2018-12-07 江苏济通智慧科技有限公司 一种自动驾驶下车速与交叉口信号双向控制方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB432900A (en) * 1934-02-05 1935-08-06 Automatic Electric Co Ltd Improvements in or relating to traffic control signals
DE3126481C2 (zh) * 1981-07-04 1989-10-19 Volkswagen Ag
JPH11241622A (ja) * 1998-02-24 1999-09-07 Honda Motor Co Ltd エンジン駆動力制御装置
DE19938266A1 (de) * 1999-08-12 2001-02-15 Volkswagen Ag Verfahren und Einrichtung zur elektronischen bzw. elektronisch visuellen Erkennung von Verkehrszeichen
CN1526596A (zh) * 2003-01-30 2004-09-08 沈 小型车辆的轨道交通系统
US20040225434A1 (en) * 2003-05-07 2004-11-11 Gotfried Bradley L. Vehicle navigation and safety systems
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
CN103236177A (zh) * 2013-03-26 2013-08-07 清华大学 车网路多系统融合的智能交互系统及其控制方法
CN103383812A (zh) * 2013-06-27 2013-11-06 姜廷顺 一种精确到秒地发布旅行时间的系统及方法
CN104021675A (zh) * 2014-06-25 2014-09-03 北京易华录信息技术股份有限公司 一种预测快速路未来时刻所需旅行时间的系统及方法
CN205721998U (zh) * 2016-02-18 2016-11-23 华南理工大学 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN106251016A (zh) * 2016-08-01 2016-12-21 南通大学 一种基于动态时间窗的泊车系统路径规划方法
CN106809223A (zh) * 2017-02-16 2017-06-09 常文作 一种智能轨道交通系统
CN108647475A (zh) * 2018-05-25 2018-10-12 东南大学 基于负载均衡的城市离散交通网络设计r语言实现方法
CN108711300A (zh) * 2018-05-25 2018-10-26 深圳市易成自动驾驶技术有限公司 群体智能泊车方法、系统及计算机可读存储介质
CN108804801A (zh) * 2018-05-25 2018-11-13 东南大学 基于目标配流的城市离散交通网络设计r语言实现方法
CN108961784A (zh) * 2018-06-11 2018-12-07 江苏济通智慧科技有限公司 一种自动驾驶下车速与交叉口信号双向控制方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
SUNEET KUMAR SINGH ET AL.: "Impact Analysis of Start-Up Lost Time at Major Intersections on Sathorn Road Using a Synchro Optimization and a Microscopic SUMO Traffic Simulation", 《IEEE》 *
TAKASHI NAGATANI: "Effect of speed fluctuations on a green-light path in a 2d traffic network controlled by signals", 《EL SEVIER》 *
YIMING BIE ET AL.: "Modelling correlation degree between two adjacent signalised intersections for dynamic subarea partition", 《IEEE》 *
保丽霞: "基于信息集成的城市交通流诱导与交通控制协同的关键理论及技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
吴伟 等: "车路协同环境下基于路径的信号协调优化模型", 《吉林大学学报（工学版）》 *
张得志 等: "在时变速度下的车辆出行时刻和路径联合优化", 《铁道科学与工程学报》 *
赵小方: "基于博弈论的交通控制和动态网络均衡组合优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113936452A (zh) * 2020-06-29 2022-01-14 阿里巴巴集团控股有限公司 一种交通控制方法、装置及电子设备
CN115083177A (zh) * 2022-06-28 2022-09-20 浙江大学 一种三车道及以上道路实现智能车辆串联排列的控制方法
CN115083177B (zh) * 2022-06-28 2024-05-10 浙江大学 一种三车道及以上道路实现智能车辆串联排列的控制方法
CN115344972A (zh) * 2022-07-21 2022-11-15 华中科技大学 人机混驾自动驾驶专用道位置与交叉口信号配时优化方法

Also Published As

Publication number Publication date
CN110930691B (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN106875710B (zh) 一种面向网联自动驾驶车辆的交叉口自组织控制方法
CN110930691B (zh) 一种全自动驾驶环境下网络交通流双层控制方法
CN105139668B (zh) 一种基于路段速度区间的城市干线双向绿波控制优化方法
CN107016857B (zh) 一种信控交叉口左转交通组合设计优化方法
CN113947900B (zh) 一种智能网联快速路匝道协同控制系统
CN103714704B (zh) 一种车联网环境下的交叉口交通流微观控制方法
CN101593419B (zh) 一种具有公交优先的城市路网交通流智能协调控制方法
Jabbarpour et al. Green vehicle traffic routing system using ant-based algorithm
CN108399759A (zh) 连续流交叉口左转非机动车交通设计方法
CN105976621A (zh) 一种基于车辆速度诱导策略引导车辆不停车通过交叉口的装置及方法
CN112017439B (zh) 一种自动驾驶交叉口行人过街摆渡车控制方法
CN109887289A (zh) 一种城市交通网络模型的网络车流量最大化方法
WO2014019461A1 (zh) 一种交通干线信号灯优化控制方法和装置
CN109000676A (zh) 一种vanet环境下结合预测信息的路径规划方法
CN107045783A (zh) 一种基于约定出行的道路路网精准行车运行方法和系统
CN104637328B (zh) 一种车辆自组织网络中基于rsu的分布式实时导航方法
CN102982688A (zh) 一种基于主干道协调优先的区域交通信号控制方法
CN113506442A (zh) 一种基于预期收益估计的城市路网交通信号灯控制方法
CN109511123A (zh) 一种基于时间信息的软件定义车辆网络自适应路由方法
CN109238270A (zh) 基于改进的a星算法的智能导航方法
CN112687115A (zh) 一种自动驾驶行人接驳车行驶路径与路段过街控制方法
CN115035724B (zh) 一种基于生态编队的物流车准时化运输车路协同管控方法
CN111429731B (zh) 一种公交多模式调度和沿线交叉口信号配时协同优化方法
CN118471000B (zh) 一种基于Petri网建模的无信号交叉口车辆通行时间预留方法
CN119580509A (zh) 一种考虑速度波动的多路径主干道信号协同控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant