第5章 共享相位优化控制方法

第5章共享相位优化控制

方法5.1优化背景共享相位控制是指不存在交通冲突的CAVs与CHVs/HVs利用同一相位通行的信号控制方法。共享相位开启时，所控车道上的CAVs和CHVs/HVs可同时进入交叉口；共享相位关闭时，除右转车外，受控车道上的CAVs和CHVs/HVs均需在停车线后减速停车等待。现有研究提出的方法一般采用传统的相位方案来分离冲突的交通流，主要解决MVMP(Multi-VehicleMotionPlanning)问题，适用于网联交通环境下高交通需求、多车道交叉口的优化控制。至于混合交通流在交叉口进口车道上的通行方式，既有CAVs与CHVs/HVs在全部进口车道上混合通行的(见图5-1(a))，也有同向CAVs与CHVs/HVs在进口车道上分离行驶的(见图5-1(b))，与各个进口的交通需求、CAV渗透率和进口车道条数密切相关。5.2两步优化法所有车辆均为网联车(CAVs和CHVs)，车辆进入交叉口控制范围内的信息可实时获取，如进入的时间、速度、所在车道、转向、车辆属性(CAV/CHV、尺寸、加减速性能)等。所有进口车道均为混合驾驶车道，交叉口控制范围内的车道长度为L，采用的相位方案见图所示。信号控制参数-车辆行驶轨迹两步优化法的核心是DP-SH算法，分两步完成：第一步，考虑改变车辆行驶轨迹与信号配时方案的交互关系，实时评估不同相位时长对车均延误和油耗的影响，采用动态规划法(DynamicProgramming,DP)求解最优的信号配时方案；第二步，基于第一步确立的信号配时方案，采用追击启发式算法(ShootingHeuristic,SH)，设计最佳的车辆行驶轨迹。1.优化原理5.2两步优化法2.优化目标5.2两步优化法3.优化方法(1)自动驾驶车辆SH算法自动驾驶车辆SH算法依次遍历交叉口控制范围内进口道上所有行驶的车辆N，并记录每辆CAV进入控制边界(即位置0处)的状态(tarri,n,varri,n)。基于控制边界的状态和给定的一组参数(af,+,af,-,ab,+,ab,-,v)，SH算法采用分段的二次函数来构建每辆车追击前车的可行行驶轨迹。SH算法能确保同一轨迹中的两个连续二次函数线段彼此相切，每个轨迹在任何地方都是可微的，且不存在任何的速度跳跃。图5-3(a)和(b)分别显示了两种情况下的正向追击过程(ForwardShootingProcess,FSP)。对任意车辆n，FSP首先投射出两个连续的二次函数段，见图5-3(a)。第一段函数自位置0处以该辆车进入边界的状态(tarri,n,varri,n)为基础，按加速度af,+向前伸展，直至目标速度v，0≤v≤vmax。这一过程耗时tn,-=(v-varri,n)/af,+，车辆轨迹行驶至pn,-=varri,n×tn,-+0.5af,+×tn,-2。第二段函数则以恒速v行驶，直至车辆离开交叉口停车线，离开时的时间为：5.2两步优化法3.优化方法5.2两步优化法3.优化方法5.2两步优化法3.优化方法5.2两步优化法3.优化方法5.2两步优化法3.优化方法(3)车辆行驶轨迹优化DP-SH获得最佳信号配时方案后，使用SH作为子程序来优化五个参数(af,+,af,-,ab,+,ab,-,v)。首先，初始化控制变量集送入SH算法生成可行行驶轨迹集P；然后计算控制效益M(P)，并将控制效益指标输入中央优化算法，检查P是否为最优解？若是，返回P作为优化轨迹并输出控制参数(af,+,af,-,ab,+,ab,-,v)；否则，遍历所有的控制变量集，综合对比后输出最优的P和控制参数(af,+,af,-,ab,+,ab,-,v)。5.2两步优化法3.优化方法(4)人工驾驶车辆SH算法CAVs与CHVs/HVs混合行驶时，CAV与CHV进入控制边界的状态(tarri,n,varri,n)可实时采集，而HV可通过在控制边界布设检测器提取其进入时的状态。图5-5显示了人工驾驶车辆的反向追击过程。采用FSP构建人工驾驶车辆的行驶轨迹，如果构建的行驶轨迹落在绿灯相位内，则该行驶轨迹为可行的行驶轨迹(pn,f)；否则，如图5-5中的红色虚线部分，为不可行的行驶轨迹。此时，HD-BSP(Human-drivenVehicleBSP)被激活来修正不可行的行驶轨迹。将停车线之上的轨迹向右水平平移至下一绿灯相位的开始位置，作为反向追击轨迹的初始段(pn,b)。不同于常规的BSP，HD-BSP水平地从下一绿灯相位开始位置到停车点(pn,stop)反向追击，pn,stop由HD-BSP沿行驶轨迹pn,f以正向减速度af,-计算得到。接下来HD-BSP从停车点pn,stop开始以反向减速度-af,-融入行驶轨迹pn,f，由此得到可行的行驶轨迹。5.2两步优化法3.优化方法(4)人工驾驶车辆SH算法当CAV跟随人工驾驶车辆时，在BSP中附加的一个步骤来修正CAV的轨迹，过程如图5-6所示。人工驾驶车辆从点pinit,HD开始减速停车，pmax,HD是人工驾驶车辆离开交叉口以加速度af,+达到目标速度v的行驶轨迹pHD上的点，用数组pmax,HD(tL+v/af,+,L+v2/2af,+)表示。如此一来，CAV因跟驰安全约束将在点pmax,CAV(tL+v/af,++τ,L+v2/2af,+-s)达到目标速度v。如果CAV紧跟人工驾驶车辆，它可能会追上人工驾驶车辆的阴影轨迹，导致一定的安全隐患；与常规SH类似，让CAV以目标速度v通过交叉口停车线，然后追上以恒定速度v行驶的人工驾驶车辆并形成一个队列。pinit,CAV可以解析为pinit,CAV(tL+(v2+2saf,+)/2vaf,++τ,L)，pmax,CAV和pinit,CAV之间的轨迹将被作为BSP的初始段。pinit,HD和pinit,CAV之间损失的绿灯时间tw=(v2+2saf,+)/2vaf,++τ。目标速度v和加速度af,+都是需要优化的变量，用DP-SH算法求解。5.3CAV专用车道控制法1.优化思路所有车辆均为网联车，进入路段后其速度、位置、加速度等信息交叉口控制器可实时获取。在混合驾驶车道上，CAV跟驰前车(CHV或CAV)行驶；在CAV专用车道上，则优化CAVs轨迹实现安全、高效通行。CAV无专用交通信号，绿灯期间，相位内所有CAVs和CHVs均可进入交叉口。进口车道功能指示器用来指示下一相位每条车道的功能。定义L为交叉口所有车道组的集合、Bl

为车道组l∈L中全部车道的集合，Bal、Bhl和Bml各自代表车道组l∈L中全部CAV专用车道、人工驾驶车道、混合驾驶车道的集合。Ibl为车道组l∈L中车道b(b∈Bhl或b∈Bml)上的全部车辆集合、Abl为车道组l∈L中车道b∈Bal上的全部CAV集合。5.3CAV专用车道控制法2.优化目标5.3CAV专用车道控制法2.优化目标(1)CAV专用车道5.3CAV专用车道控制法2.优化目标(2)其它车道5.3CAV专用车道控制法3.轨迹优化模型(1)CAV专用车道为避免启动损失时间，CAVs被控制在距停止线d处的位置排队(见图5-8)，以便在绿灯亮起之前第一辆CAV有足够的加速时间和空间。绿灯亮起后，所有CAVs以目标速度离开停车线(见图5-9)。5.3CAV专用车道控制法3.轨迹优化模型5.3CAV专用车道控制法3.轨迹优化模型5.3CAV专用车道控制法3.轨迹优化模型5.3CAV专用车道控制法4.优化方法(1)基于CAVs行驶轨迹优化相位绿灯时长依次计算车道组l∈L在绿灯启亮时刻tl,k车道b∈Bal上的CAVi与CAVi-1各自到达停车线所需的最短时间，若ρibl(tl,k)-ρi-1,bl(tl,k)≤hbl，则表明能将CAVi与CAVi-1整合成饱和车队，此时绿灯时间延长至ρibl(tl,k)，继续考察CAVi+1与前车能否整合成饱和车队？若ρibl(tl,k)-ρi-1,bl(tl,k)>hbl，表明不能将CAVi与CAVi-1整合成饱和车队，此时考察CAVi是否为另一个饱和车队的头车，若是，只要绿灯时间未达到最大绿灯时长，则绿灯时间延长至ρi+1,bl(tl,k)，然后从CAVi+2开始再依次考察能否整合成饱和车队；若不是，绿灯时间至ρi-1,bl(tl,k)结束，CAVi及其后续车辆安排在下一相位放行。5.3CAV专用车道控制法4.优化方法(2)基于绿灯时长划分CAVs队列5.4适用性分析1.两步优化法(1)该方法要求全部车辆能实施精准的轨迹控制。在人机混合驾驶环境下，网联人工驾驶车轨迹控制困难且可靠性差，存在一定的安全隐患。(2)在轨迹优化过程中，只考虑了单车道情况，忽略了横向变道的过程，在人机混合驾驶环境下，由于人工驾驶车轨迹不受控且难以精确预测，会对CAV的变道过程造成极大干扰，这种做法与实际情况有较大出入。(3)该方法适用于人机混合驾驶环境下多车道等复杂交叉口的信号控制。它采用传统的相位设计，在时间和空间上消除冲突交通流，避免了大规模集中车辆通行的多车运动规划(MVMP)。信号控制参数与车辆轨迹的优化为双向优化，车辆根据现有的相位绿灯时长调整行驶轨迹，同时也反向根据车辆实时的速度和位置信息调整交叉口的信号控制方案。但无论CAV渗透率高低，均没有考虑交叉口优先级服务对象(CAV、CHV)的差异。(4)该方法CAVs与CHVs在所有车道均可混合通行，没有考虑二者对交叉口时空资源利用效率的差异。5.4适用性分析2.CAV专用车道控制法