智能网联汽车中心式匝道合流协同控制

　　摘 要：提出了一种面向智能网联汽车的中心式匝道合流协同控制方法. 首先建立了中心式匝道合流协同控制模型，然后通过离散化将其转化为非线性最优化问题，并采用NOMAD算法求解. 进行了100组仿真实验，通过随机设置不同的初始化条件对所提方法的有效性以及车辆油耗影响因素进行了研究，并与其他文献的方法进行对比. 研究结果表明，本文所提方法对不同的初始合流场景有较好的控制效果，与对比文献中的方法相比，可使车辆平均油耗降低42.38%，显著提高了匝道合流过程中车辆的燃油经济性.

　　关键词：智能网联汽车;匝道合流;协同控制;中心式方法;燃油经济性

　　交通擁堵已成为城市发展的痛点问题，匝道合流是造成城市高架道路和高速公路交通拥堵的主要原因之一[1]. 2014年，美国城市地区交通拥堵的总成本估计为1 600亿美元，额外消耗31亿加仑燃料[2].交通拥堵降低了交通效率，增加了碰撞风险[3]，增加了出行时间[4]，给乘客带来不适，导致油耗和排放过多[5-6].实际上，匝道合流操作对于驾驶员来说，必须综合考虑周围环境的各类因素. 通常，试图合流的车辆可能会在入口匝道上先减速，等待合适的合流机会，同时根据对安全间距和主流车辆速度的判断，以确定加速的程度和时间.即使驾驶员最终顺利完成合流，实际的合流过程也不一定是全局最优的，安全性、经济性和舒适性难以兼顾和保证.

　　为解决这一问题，自动匝道合流控制能够通过考虑匝道合流过程中复杂的时空约束，协同组织匝道区域内多个车辆的运动，从而保证顺利完成合流，并大大提高合流过程的安全性、效率与燃油经济性.近年来，智能网联汽车技术快速发展，为实现自动匝道合流控制提供了基础.首先，智能网联汽车能够通过车-车通信(V2V，Vehicle-to-Vehicle)实现合流控制操作中的实时通信;其次，智能网联汽车可通过车-路通信(V2I，Vehicle-to-Infrastructure)接收来自合流区域附近的智能基础设施的信息，进一步提高了车辆合流协同控制的可行性[7-10].

　　智能网联汽车的匝道合流协同控制方法主要可分为中心式方法和分布式方法[11].在中心式方法中，至少有一个任务是由一个中央控制器为所有车辆全局决定的. Jing等人[12]提出了一个基于多人博弈的合作优化框架和算法，在这个框架中，中央控制器从进入合流区域内的车辆中获取信息，并将每辆车视为一个智能体进行全局优化协调，从而最小化车辆行驶时间、油耗和乘客舒适度的全局收益.Malikopoulos等人[13]使用汉密尔顿分析法提供一个可实时求解的解析闭环解，在保证满足防追尾避撞的硬安全约束下实时求解各车辆的最优加减速.Ntousakis等人[14]提出了一种纵向轨迹规划方法，将合流问题表述为有限时域最优控制问题，并对其进行解析求解，在实现安全与效率的同时最小化燃油消耗、乘客不适、加速度及其一阶、二阶导数. Rios-Torres等人[15-16]提出了一种基于燃油经济性的车辆加速曲线在线优化的闭式求解方法，同时避免了在合流区与其他车辆的碰撞. Meng等人[17]提出了一种基于优化的匝道合流协同控制方法，可以综合提升匝道合流中的燃油经济性和安全性.

　　在分布式方法中，每辆车根据从道路上其他车辆接收到的信息来确定自己的控制策略. Uno等人[18]最早在1999年提出了虚拟车辆合流协同控制的概念，这种方法将匝道上的车辆投影到主干道路上生成虚拟车辆，并通过对同一条道路上的真实车辆与虚拟车辆的纵向控制，优化合流过程. Dan等人[19]提出了基于虚拟时隙的交通管理概念，所提出的协同合流控制方法能够提升匝道的吞吐量和平均延迟. Pueboobpaphan等人[20]重点研究了具有不同自动化水平的车辆之间的相互作用，并且保证了人工驾驶车辆能够平滑合流. Cao等人[21]提出了协同合流的概念，其中主道上的车辆调整速度以适应匝道上试图合流的车辆，利用MPC方法对两条单行道上的相关车辆优化生成合流路径. Zhang等人[22]使用一种分布式方法，将硬安全约束下的交叉路口车辆左右转向规划问题构建为优化控制问题进行优化求解. Malikopoulos等人[23]使用求解完整解析解的分布式方法，解决了无明确交通信号情况下的交叉路口通行优化控制问题，在实现交通吞吐量最大化的同时最小化能源消耗. 此外，在与匝道合流协同控制相似的非信控路口协同通行方面，Xu等通过驶近车辆投影变换设计了基于虚拟队列的协同控制方法，可实现多车在非信控路口的分布式无冲突协同通行[24];Bian等设计了非信控路口任务分区架构，融合分布式观测、优化与控制方法，实现了多车的无中心协调式协同通行[25].

　　本文提出了智能网联汽车中心式匝道合流协同控制方法，在合流控制中综合考虑了燃油经济性、安全性等控制目标，可提升匝道合流协同控制的综合性能;其次，本文提出的模型没有对车辆的位置、速度和加速度做出线性或其他形式的运动假设，所计算出的车辆最优运动轨迹更符合实际车辆特性.本文在文献[17]的基础上进一步考虑了随机初始化条件下的匝道控制性能，并评估了协同合流控制对主车道车辆燃油经济性的影响.

　　本文首先确定并分析所研究场景;然后构建车辆状态方程及合流过程约束条件、初始条件、终止条件以及目标函数，进而建立匝道合流协同控制模型;最后通过数值仿真进行方法验证和分析，并与文献[6]中方法进行对比.

　　1 研究场景

　　如图1所示，考虑一种简化的匝道合流场景，主道与匝道均为单车道.实际上，主道道路一般由多车道组成，本文假设车辆在进入控制区之前已经完成了换道操作，而不需要考虑控制区域的车辆换道行为，因此，主道多车道的问题可以简化为单车道问题.此外，在同一条车道上的车辆遵循先进先出(First In First Out，FIFO)规则，不能进行超车.控制区域定义为图1中长度为L的V2I通讯范围，实际上通常是半径为几百米的范围.匝道合流协同控制系统中仅考虑位于控制区内的车辆.合流点定义为主道中心线与匝道中心线的交点.在本文中仅考虑匝道上有一辆车的情景，标记为车0. 主干道上尚未到達合流点的车辆依次标记为车1 ～ 车m，如图1所示.

　　匝道合流需要合流车辆(车0)与主道上的车辆协同完成，在主干道上的车辆负责为合流的车辆制造足够安全的间隙，以便合流车辆进行合流汇入.也就是说，它们需要协同调节各自的车速以适应合流车辆.本文假设每个合流区域中都存在智能路侧单元，如图1所示. 控制区内的每辆车都可以与智能路侧单元进行通信，频繁共享其实时信息并接收控制消息.车辆的共享信息包括车辆编号、车辆长度和宽度、位置、速度、加速度、横摆角等. 其中一些共享信息是常数，其余信息可以通过车载设备(例如GPS、速度计、加速度计和陀螺仪)实时测量和计算. 智能路侧单元收到共享信息后，其内部的数据处理单元将采用本文提出的方法来计算每辆车的最优速度曲线，然后将最优速度曲线发送给各个车辆进行轨迹跟随实现.

　　如上所述，本文假定所有车辆都是智能网联汽车，即完全配备了定位和V2I功能设备并能够自主控制自身速度，在控制误差允许范围内跟随最优速度曲线完成合流过程.

　　2 匝道合流协同控制方法

　　2.1 匝道合流协同控制模型

　　本文提出的中心式匝道合流协同控制方法利用匝道合流协同控制模型来计算每辆车的最优速度曲线.匝道合流协同控制模型由状态方程、状态约束、初始和终止条件以及目标函数四个部分组成，进而得到匝道合流控制最优化问题.

　　2.1.1 状态方程约束

　　假设每辆车都有相同的动力学特性. 对于车辆i，可以容易地推导出以下动力学关系.

　　式中：t∈[t0，tend]，t0表示初始时间，tend表示合流车辆到达合流点的最终时间，Xi(t)表示在时刻t车辆i到合流点的距离，vi(t)和ai(t)分别是车辆i在时间t的速度和加速度.另外，定义距离Xi(t)在车辆i到达合流点之前为正，在车辆i到达合流点之后为负.

　　2.1.2 状态约束

　　首先，所有车辆的速度和加速度应满足边界约束.

　　vmin≤vi(t)≤vmax，i = 0，1，2，…，m (3)

　　amin≤ai(t)≤amax，i = 0，1，2，…，m (4)

　　式中：t∈[t0，tend]，vmin和vmax分别是车速的最小限制值和最大限制值，amin和amax分别是保障舒适性的加速度最小限制值和最大限制值.

　　其次，在整个合流过程中，主干道上的所有车辆均应保持与相邻车辆的安全车距.

　　Xi+1(t)-Xi(t)≥δsafe，i = 1，2，…，m-1 (5)

　　式中：t∈[t0，tend]，δsafe表示最小允许车头间距，即允许的最小安全车距.

　　推荐阅读：民航空中交通管理职称论文要求

期刊VIP网，您身边的高端学术顾问

文章名称： 智能网联汽车中心式匝道合流协同控制

文章地址： http://www.qikanvip.com/jiaotongyunshu/57299.html