带随机网络时滞补偿的测功机动态负载模拟

本文研究了控制网络传输时滞影响下测功机加载控制算法。首先,针对一款前驱电动汽车,建立车辆与台架动力学动态耦合模型和服从均匀分布的随机网络诱导延时数学模型。其次,为改善测功机网络控制系统负载模拟性能,提出了一种基于预测控制结构的随机网络诱导延时补偿算法;接着通过系统增广将随机系统跟踪控制问题转化为鲁棒镇定问题,并分析系统H∞性能,通过非线性优化问题得到系统控制增益。最后,进行了防抱死制动控制台架测试的仿真,结果表明:提出的方法可大幅提升测功机负载模拟精度。     

面向交通枢纽的车辆三维真实感实时仿真

为分析和解决城市交通拥挤问题并提高城市道路利用率提供可行的途径,提出了一种面向交通枢纽的车辆运行仿真方法,通过场景、道路与车辆的三维动态建模,实现交通枢纽交通状况的实时真实感仿真.首先,提出了基于道路关键点连接网络模型表示交通枢纽的通行道路.其次,基于粒子系统实现车辆的动态运行实时仿真,并采用基于空间剖分的车辆碰撞检测方法对车辆运动控制算法进行了优化.最终,通过对路段的动态观测和反馈机制实现车辆行驶路线的规划和调度.实验结果表明,本文提出的方法可以生动直观地呈现实际路面的交通状况,并且能以较为流畅的帧速率实现交通场景的动态仿真.     

基于多目标遗传算法的混合电动汽车参数优化

动力系统和控制器参数的同时优化是提高混合电动汽车(HEV)燃油经济性并降低排放的关键。这类优化问题涉及多个相互冲突的优化目标和非线性约束,是典型的多目标优化问题。文中采用多目标遗传算法求解该优化问题的Pareto最优解集,并应用ADVISOR对实际算例的优化结果进行比较分析。结果表明,应用该方法可找到多组可行解,在满足原车动力性要求的前提下能有效提高燃油经济性,降低排放。     

基于预测型路线行程时间的信号控制相位差优化技术研究

相位差是区域信号协调控制的重要参数,其动态优化直接影响通行能力和路网延误。论文考虑交通流诱导与交通信号控制的协同运作,通过研究车队在停车线车头受阻和车尾受阻的不同等待状态,建立了相位差与诱导参数路段行程时间的相关关系,基于诱导控制协同的动态性考虑,提出基于预测型诱导用行程时间的信号控制相位差优化技术,阐述其优化算法流程。论文利用长春市长春大街含3个交叉口的路线进行算例试验,结果表明利用预测型行程时间优化相位差之后干线总行程时间最高节约12.9%左右,延误减少高达51.3%,达到诱导控制信息共享、协同运作提高路网运行效率的目的。     

基于韧性最优的灾后公路网修复调度研究

为有效修复灾后公路网的受损路段从而加快恢复路网畅通,研究以韧性最优为目标的灾后公路网修复调度问题。首先,采用交通需求满足率表示路网性能,并构建路网性能韧性和恢复速度韧性评价指标。其次,构建基于韧性最优的修复调度双层规划模型,其中上层模型是多目标混合整数规划模型,用以确定修复路段的选择和修复先后顺序,下层模型为日变交通流分配模型,模拟修复期间的路网交通流动态演变。然后,采用禁忌搜索算法和Frank-Wolfe算法分别求解上层模型和下层模型,并通过循环迭代得到模型最优解。最后,通过案例分析验证模型和算法的有效性。研究结果表明:在一定数量的修复资金和抢修队约束下,该模型得到的最优修复调度方案能最大限度地提升路网韧性,并且在修复过程中,只有当受灾区域内某线路中的所有受损路段均完成修复后,路网性能才开始呈阶梯式上升,并且路网性能的提升速度表现为先慢后快。对不同参数的敏感性分析表明:修复预算的增加使路网性能韧性和恢复速度韧性分别以15.65%和17.72%的平均速度增长和降低,但当修复预算超过1 800万元后,只增加修复预算不一定能获取更优的修复调度方案;当决策者偏好系数变化时,路网的性能韧性和恢复速度韧性具有相反的变化趋势,且2个韧性指标的平均变化率分别为5.96%和4.48%;增加抢修队数量可提升路网的性能韧性和恢复速度韧性,但增加抢修队数量所产生的边际效益逐步降低,分别由0.11和0.43降至0.01和0.02。     

基于谱聚类算法的城市路网动态分区研究

合理高效的路网分区是交通优化与控制的基础,为适应动态分区的原则并提高分区的效率和划分结果,以谱冈理论为基础结合谱聚类算法进行路网动态分区的研究。分析路网分区的原则并提出路网动态分区的模型框架,根据实时变化的交通流数据和道路交叉口的拓扑结构属性建立谱聚类的相似矩阵,给出结合谱聚类算法的路网分区步骤。通过实际数据验证了算法的实用性。结果表明运用该算法进行路网动态分区可以较好的体现交通流的变化特性,能够得到较为理想的分区结果。     

考虑动态车速的双周期干线信号协调控制多目标优化

干线协调控制通常以干线方向通行效率最大为目标，导致一些小型交叉口次路方向延误较大。针对该问题，基于车路协同环境，研究了车速引导下的双周期干线多目标优化方法。针对上游交叉口饱和交通流与非饱和交通流2种情况，提出了考虑排队消散和相位差的动态车速引导模型。以干线延误、通行能力、停车次数，双周期交叉口次路方向延误为优化目标，构建了车速引导下的双周期干线多目标优化模型，采用遗传算法对模型进行求解。基于COM接口，采用Python和Vissim搭建车路协同仿真环境，以北京市两广路的3个路口为例进行仿真验证。对比了本文模型与原配时方案、无车速引导下双周期干线多目标优化模型的效果，结果表明，本文模型相比于原配时方案和无车速引导下多目标优化模型，干线平均延误分别减少19.6%，8.3%，通行能力分别提升5.6%，8.4%，平均停车次数分别减少11.2%，24.2%，双周期交叉口次路方向平均延误分别减少33.9%，5.8%，表明本文模型将速度引导与多目标优化相结合，提高了双周期干线的通行效率，降低了双周期交叉口次路方向的延误，达到了干线和双周期交叉口共同优化的目的。      

基于竞争循环双Q网络的自适应交通信号控制

为了更加有效且可靠地自适应协调交通流量,以减少车辆的停车等待时间为目标,提出了3DRQN(Dueling Double Deep Recurrent Q Network)算法对交通信号进行控制。算法基于深度Q网络,利用竞争架构、双Q网络和目标网络提高算法的学习性能;引入了LSTM网络编码历史状态信息,减少算法对当前时刻状态信息的依赖,使算法具有更强的鲁棒性。同时,针对实际应用中定位精度不高、车辆等待时间难以获取等问题,设计了低分辨率的状态空间和基于车流压力的奖励函数。基于SUMO建立交叉口的交通流模型,使用湖北省赤壁市交叉口收集的车流数据进行测试,并与韦伯斯特固定配时的策略、全感应式的信号控制策略和基于3DQN(Dueling Double Deep Q Network)的自适应控制策略进行比较。结果表明:所提出的3DRQN算法相较上述3种方法的车辆平均等待时间减少了25%以上。同时,在不同车流量及左转比例的场景中,随着左转比例和车流量的增大,3DRQN算法的车辆平均等待时间会有明显上升,但仍能保持较好效果,在车流量为1 800 pcu·h^-1、左转比例为50%的场景下,3DRQN算法的车辆平均等待时间相比3DQN算法减少约15%,相比感应式方法减少约24%,相比固定时长的方法减少约33%。在车流激增、道路通行受限、传感器失效等特殊场景下,该算法具有良好的适应性,即使在传感器50%失效的极端场景下,也优于固定时长的策略10%以上。表明3DRQN算法具有良好的控制效果,能有效减少车辆的停车等待时间,且具有较好的鲁棒性。     

基于改进粒子群优化算法的多目标自适应巡航控制

跟驰过程中,在保证安全性的前提下为了提升自适应巡航控制(ACC)系统的舒适性和燃油经济性,研究了多目标自适应巡航控制算法。在建立车间纵向运动学模型的基础上,根据模型预测控制理论,设计综合考虑安全性、舒适性、燃油经济性以及车辆自身限制等因素的目标函数和约束条件,并引入松弛因子向量软化硬约束边界解决无可行解问题。进一步在滚动优化环节中,引入具有求解多约束问题能力的改进粒子群优化算法进行求解。通过数值仿真对比分析,结果表明,基于改进粒子群优化算法的多目标自适应巡航控制算法能有效提高燃油经济性和行车舒适性。结合CarSim搭建模型进行联合仿真,验证算法有效。     

车辆导航动态路径规划的研究进展

针对车辆智能导航系统中的交通网络模型、路径规划算法以及交通流预测这三个主要方面的研究现状进行了较为详细的分析。首先着重描述了基于图论的交通路网模型的构建方法;其次分析了Dijkstra算法、Floyd算法、A*算法等经典路径规划算法的性能及研究方向;然后详细介绍了交通流预测方法的研究进展;最后对车辆导航动态路径规划的未来研究方向做了展望。     

信号交叉口自动驾驶左转车辆类人化全局运动轨迹规划

为了提高信号交叉口自动驾驶车辆左转运动规划的适应性、鲁棒性与类人化程度，提出一种考虑多目标需求的自动驾驶类人化全局运动规划方法。首先，基于西安市北大街信号交叉口规格构建结构化场景，结合车辆运动学模型与道路几何规格定义自动驾驶车辆规范化行驶安全域和车辆运动参数约束条件；其次，根据信号灯状态、道路限速与车辆性能约束制定上游阶段车辆不停车通行规则，以行驶安全、燃油消耗、通行效率与驾驶舒适度作为目标性能函数，构建类人化全局多目标优化模型，通过人类驾驶的车辆预转弯行为耦合上游阶段与转弯阶段；再次，针对非线性运动规划模型变量与约束规模化问题，采用粒子群算法与全联立正交配置有限元方法求解不同阶段车辆运动轨迹的最优解；最后，试验建立Prescan与MATLAB/Simulink联合仿真平台，从多目标性能、适应性以及合理性方面验证该模型的综合性能。结果表明：在以信号灯状态和车辆初速度为变量建立的12种工况下，该模型与人类驾驶车辆、混合运动规划模型相比，平均可分别节省燃油消耗63.7%和29.5%，平均通行延时分别降低3、0.9 s，且轨迹曲率更平缓，最大横向加速度与方向盘转角平方和的平均值最小，证明该模型的多目标性能更好；在以路缘石半径与车道数目为变量建立的7种交叉口规格工况下，所提出模型的车辆轨迹平滑，轨迹安全域边界距离始终大于1.4 m，曲率变化符合期望且峰值小于0.22 m^-1，说明该模型具有较好的适应性；在自由/固定终端时刻条件下，该模型规划的车辆空间路径、速度、曲率及航向角的变化与目标权重变化保持一致，验证了模型的合理性。     

基于路面影响因子的轮毂电机驱动车辆自适应转矩控制

为实现轮毂电机驱动越野车辆在附着条件多变、路面起伏不定的复杂环境中动力性和稳定性的多目标优化,提出一种基于路面影响因子的自适应转矩控制策略。以滚动阻力差异、空气阻力归一化比例、坡度阻力归一化比例、路面附着差异方差以及最小路面附着系数5个特征参数作为输入,并基于模糊理论方法搭建路面影响因子五参数辨识模型。基于辨识出的路面影响因子,开发整车动力性和稳定性多目标优化自适应转矩控制策略,构建了三层式控制架构：顶层引入路面影响因子对加速度紧迫程度进行判定,采用模型预测控制算法得到期望总驱动力;中层为目标决策层,以最优滑转率为目标决策驱动防滑力矩,并基于路面行驶阻力,决策期望前馈补偿力矩;下层为转矩分配层,以需求总驱动力及轮胎利用率作为控制目标,引入路面影响因子优化两者权重系数,以多约束条件的混合优化算法对转矩进行自适应控制。利用Matlab/Simulink-CarSim联合仿真平台进行仿真,基于实车进行验证。结果表明,在低附着路面,在0.2 s内快速完成滑转率抑制;在对开路面,侧向位移接近0;在大扭曲路面,避免腾空车轮出现大滑转率,滑转率最高0.2。     

基于粒子群优化的RBF神经网络交通流预测

交通流量预测一直是实时自适应交通控制的关键问题。以城市道路网络中典型的两相邻交叉口为研究对象,提出了基于粒子群优化的RBF神经网络的信号交叉口交通流量预测模型。该模型以RB F神经网络为基础,采用分组优化策略,用粒子群优化算法对基函数的中心、方差和RBF网络权值进行优化,从而提高了网络的预测精度。通过仿真,并与其他算法对比,表明了本文方法的有效性。     

基于类人视觉的多任务交通目标实时检测模型

针对复杂交通场景下单个模型无法同时对可行驶区域和交通目标进行统一检测和检测实时性较差的问题,本文中提出了一种基于类人视觉的多任务交通目标单阶段检测模型,实现了可行驶区域和车辆、行人的实时统一检测。首先建立类人视觉注意力机制进行监督,采用轻量化模型MobileNetV3作为骨架,接着利用特征金字塔的思想对可行驶区域进行检测,最后采用动态注意力算法和anchor-free思想对交通目标进行检测。实验结果表明,引入驾驶员人眼注意力机制明显提升了模型的精度和鲁棒性,模型在实车上平均运算速度达到了12帧/s。     

重度混合动力汽车燃油经济性和排放多目标优化

考虑重度混合动力汽车运行模式切换时发动机频繁起停对油耗的影响,建立了整车动态仿真模型和综合考虑燃油消耗和排放的多目标优化模型,采用简化控制变量的动态规划算法并结合自动变速器经济性换挡规律,在NEDC工况下对多目标优化模型进行仿真.结果表明,发动机的频繁起停对整车燃油消耗有显著影响,采用动态规划算法可全局优化整车燃油经济...     

Providing personalized system optimum traveler information in a congested traffic network with mixed users

The advancement of information and communication technology allows the use of more sophisticated information provision strategies for real-time traffic management in a congested network. This article proposes a personalized system optimum traveler information (PSOI) system under ubiquitous communication, which allows traffic system operators to fully optimize and coordinate individuals' trip plans according to the personal attributes, such as real-time location, value of time, allowable budgets for congestion tolling, and willingness to take detours. We also developed an efficient queue-based evaluation and solution heuristic algorithm using mesoscopic simulation models to solve for near-optimal PSOI strategies—route suggestions for each individual traveler. The simulation optimization algorithm can account for different information users and provide predictive information that robustly accounts for potential decisions of other travelers in real time. Case studies were carried out on a test network and a real-world network, and the proposed heuristic algorithm is proven effective. Also, sensitivity analyses show that PSOI not only is an effective traffic management method in reducing average system travel time, but also potentially provides travelers with reasonable or even shorter travel times compared with other information users. Further, simulation results showed that even in mixed traffic, PSOI is able to shorten travel times for both users without information and users of other information types. Thus, PSOI is recommended by this article as an advantageous way for next-generation advanced information systems and dynamic traffic management.     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。     

Combined power management/design optimization for a fuel cell/battery plug-in hybrid electric vehicle using multi-objective particle swarm optimization

In this paper, the combined power management/design optimization problem is investigated for a fuel cell/Liion battery PHEV. Formulated as a constrained multi-objective optimization problem (MOP), the combined optimization problem simultaneously minimizes the vehicle cost and fuel consumption subject to the vehicle performance requirements. With an emphasis on developing a generic optimization algorithm to find the Pareto front for the synthesized MOP, the Pareto based multi-objective particle swarm optimization (PMOPSO) algorithm is developed, which solely depends on the concept of Pareto dominance. Three approaches are introduced to the PMOPSO method to address the constrained MOP. They are: (i) by incorporating system constraints in the original objective functions, the constrained MOP is transformed to an unconstrained MOP; (ii) to avoid being trapped in local minima, a disturbance operator with a decaying mutation possibility is introduced; (iii) to generate a sparsely distributed Pareto front, the concept of crowding distance is utilized to determine the global guidance for the particles. Finally, under the Matlab/Simulink software environment, simulation results are presented to demonstrate the effectiveness of the PMOPSO in the derivation of the true Pareto front.     

混合小生境遗传-模拟退火算法在动态交通分配中的应用

为了解决已有的动态交通分配模型普遍存在的优化计算时间过长,严重影响网络规模扩展的问题,提出了一种新的动态交通分配优化算法。将模拟退火和隔离小生境技术有机地结合起来,融入到遗传训练过程中形成了一种混合小生境遗传-模拟退火算法,不仅可以有效地避免传统遗传算法可能出现的不收敛现象,加快进化速度,具有更强的全局寻优能力,而且计算速度和算法稳定性也得到提高。将其与Papageorgiou M.提出的动态交通分配模型框架相结合,设计了动态交通分配的快速模拟优化算法,并进行了实例研究。仿真结果表明,新的优化算法显著降低了优化计算时间,大大提高了动态交通分配模型的实用价值。     

基于自动深度学习盾构掘进姿态预测与控制

提出了基于自动深度学习（AutoDL）算法和多目标优化算法的结合可实现数据驱动的姿态偏差控制指导,用于盾构掘进姿态的预测与控制,以解决现有盾构掘进姿态预测中所面临的执行难度高、成本高、效率低等问题,可用于自动精准地预测盾构掘进姿态随着工程进展的动态变化趋势,并针对盾构机施工状态执行多目标优化算法,快速自动搜寻最优策略,实时调整合适的盾构操作参数,减少对于现场操作人员经验和主观判断的依赖。以上海市天然气主干管网崇明岛-长兴岛-浦东新区五号沟LNG站管道工程隧道A线工程为例,展示该算法框架的优越性。研究结果有助于降低深度学习进入盾构智能控制领域的门槛,推动智能盾构发展。