基于深度强化学习的道路交叉口生态驾驶策略研究

在互联和自动驾驶环境下,生态驾驶具有显著的潜力,可提高交通效率并降低能源消耗和排放。本文探讨一种基于深度强化学习算法的生态驾驶策略,该算法可优化互联自动驾驶汽车(CAV)的纵向操纵和横向决策;将状态空间分为与车辆动态特性相关的局部变量,以及与信号交叉口相关的全局变量,确保CAV与环境之间的充分互动;奖励函数综合考虑了车辆的驾驶要求,与信号灯的协同作用以及全局节能激励因素;此外,设计一个典型的城市道路场景训练模型。结果表明,在信号灯和智能体输出协同控制下,本文提出的策略可以实现CAV的生态驾驶,并确保CAV准确驶入目标车道;在动态交通环境下进行仿真显示,通过控制多辆CAV引导人工驾驶车辆,本文方法可将交叉路口的通行能力提高约17.90%,并将交通系统的燃料消耗和污染物排放降低约8.76%。     

考虑二次排队的智能网联车生态驾驶策略

为避免车辆在交叉口的急加减速与启停现象,减少车辆燃油消耗和污染物排放,提出了一种考虑二次排队的智能网联车生态驾驶策略。首先构建了考虑驾驶员反应的交叉口处排队车辆的改进IDM跟驰模型,通过信号配时、车辆排队长度等信息估计排队车辆消散时间;其次,依据交叉口处是否出现车辆二次排队,将生态驾驶策略分类为“前方车辆在绿灯时间清空”和“前方车辆二次排队”两种情况,结合智能网联车与交叉口的距离等信息优化车辆行驶轨迹;最后将提出的生态驾驶策略与自由驾驶在不同排队长度场景下进行对比仿真实验。仿真结果表明：相较于自由驾驶,生态驾驶策略能够有效减少车辆的急加减速与停车行为,随着交叉口排队长度的增加,生态驾驶策略的优化效果更加明显;当排队车辆在第一个绿灯时间消散时,采用生态驾驶策略的车辆的总体油耗降低了9.98%,CO₂、CO、HC、NOx平均排放量分别降低了11.69%、20.14%、1.66%和29.09%;当交叉口处出现车辆二次排队时,采用生态驾驶策略的车辆总体油耗降低了15.0%,CO₂、CO、HC、NOx平均排放量分别降低了15.42%、27.51%、2....     

混行环境下网联信号交叉口车路协同控制方法

为了提高网联信号交叉口车路协同控制对真实交通环境的适应性,以智能网联汽车与网联人工驾驶汽车混行的典型交通应用场景为研究对象,通过构建八相位网联信号交叉口,研究了混行环境下的交通信号和网联车辆轨迹车路协同优化控制方法;在对场景中的网联车辆运动学特性和跟驰行为进行建模的基础上,构建了一种混行车辆编队方法;基于混行车队模型、安全约束与燃油消耗模型,建立了基于滚动优化的交通信号-车辆轨迹协同优化控制方法;基于异步分层优化思路,将该协同控制问题分解为上层交通信号优化与下层车辆轨迹优化两方面,以交叉口车辆行驶延误时间和燃油消耗量为优化目标,利用遗传算法和“三段式”轨迹优化法分别对交通信号优化问题与车辆轨迹优化问题进行求解;对不同稳态车速与智能网联汽车渗透率下构建的混行交通流的稳定性进行了验证,并通过仿真测试分析了所提出的协同优化控制方法的控制效能与关键参数对控制效能的影响。分析结果表明:在不同交通流量与智能网联汽车渗透率下,提出的控制方法均可有效提升交叉口通行效率与燃油经济性;在完全渗透环境下,较固定配时交通信号控制方法最高可分别提升57.3%和13.3%;随着智能网联汽车渗透率的增加,其控制效能不断提高,较无渗透条件最高可分别提升42.0%和14.2%;即使智能网联汽车渗透率仅达到20%,较无渗透条件也可以在交通效率方面实现20.4%的显著改善;较长的交通信号周期与较短的网联人工驾驶汽车驾驶人反应时间有助于协同控制效能的提升。      

新型混合交通交叉口信号与车辆轨迹协同控制方法

新型混合交通环境下的交叉口交通控制可通过信号灯控制与自动驾驶车辆的轨迹控制协同实现,能够极大地优化道路通行资源利用效率。已有研究中,信号配时与车辆轨迹集中优化的控制策略难以应用于车辆自组织控制的现实场景,且往往计算复杂度较高。本文提出一种无中心框架下基于逻辑的交叉口信号与车辆轨迹协同控制方法。基于协同理论中的快慢变量主动伺服控制原理,设计一种交叉口信号配时慢变量与车辆轨迹策略快变量协同框架,并分别提出基于逻辑的信号配时优化和网联自动驾驶车辆轨迹协同控制方法。协同控制方法可以在车辆自主控制的条件下,一方面,实现交叉口信号配时动态适应交通需求;另一方面,实现网联自动驾驶车辆主动优化驾驶速度,高效通过交叉口。而且网联自动驾驶车辆在进口道可引导混合车队高效通过交叉口,降低绿灯启动损失,提高交叉口通行效率。仿真实验表明,本文的协同控制方法相较于传统控制方法可显著降低交叉口车辆平均延误,同时,基于逻辑的决策模型可实现快速求解。通过对网联自动驾驶车辆控制策略关键参数的敏感性分析,进一步讨论新型混合交通流交叉口通行公平性,并比较在不同网联自动驾驶车辆渗透率下的控制效果。     

混合交通环境下网联自动驾驶车辆跟驰模型与优化策略

为进一步提高混合交通环境下车辆的行车效率与交通流的稳定性，在考虑后视效应的基础上，融合多辆前车速度与加速度等状态信息，以指数平滑方式构建了网联自动驾驶车辆(CAV)跟驰模型；在此基础上，研究了前后方车辆数和状态信息完整度对模型稳定性的影响，结合Lyapunov第一方法和线性谐波微扰法进行了线性稳定性分析，并确定了模型最优参数；利用混合交通环境特性，在考虑通信信息丢失的情况下提出了CAV在不同位置和状态下的跟驰策略，并在该策略支撑下进行了不同CAV渗透率的车辆启动、车辆刹车停止、环形道路3个典型场景下的数值仿真。研究结果表明：在刹车停止场景中，全部车辆的停止波速最大提高了26.1%;在车辆启动场景中，启动波速最大提高了15.5%,车辆加速度和速度变化更为平缓；在环形道路场景中，当混合交通流中CAV渗透率由40%提高至100%时，在较大扰动条件下车辆的平均速度波动时间相较于低CAV渗透率场景下降了44.8%,波峰下降了5.7%,波谷上升了19.4%,而CAV渗透率较低时提出的优化策略对混合交通流的改善并不明显。由此可见，在当前构建实际混合交通环境与开展CAV实车试验比较困难的情况下，该跟驰...     

特种CAV优先的集中式匝道合流协同控制方法

为保障无人驾驶环境下特种车辆在典型Y型匝道合流区快速平稳通过,研究了全网联自动驾驶车辆(CAV)集中控制场景中考虑特种车辆优先通行的协同控制方法;通过博弈确定了控制区内合流序列排布,考虑特种CAV任务优先属性与车型特征,分别设计了与加速度关联的特种CAV车道优先属性、与时间关联的车种优先属性和与加速度变化率关联的车型稳...     

面向新型混合交通流的智能交叉口网络布局优化

考虑网联自动驾驶车辆(Connected Autonomous Vehicle, CAV)应用先进的车联网与自动驾驶技术，可以采用智能交叉口的组织形式，大幅提升交叉口的通行效率，为降低CAV与人工驾驶车辆(Human-driven Vehicle, HV)混行条件下城市交通系统的整体出行成本，提出智能交叉口在城 市交通网络中的布局优化问题，建立数学优化模型并求解。首先，基于对两类车辆行驶特性的分析，建立混合用户均衡模型，描述CAV与HV的路径选择行为；其次，从交通规划者的角度，以系统最优为目标，整合混合用户均衡模型，建立面向新型混合交通流的智能交叉口网络布局优化模型，并利用改进的遗传算法求解；最后，选取Sioux-Falls交通网络作为案例分析，验证模型与算法的有效性，并研究CAV渗透率变化对优化结果的影响。研究表明，智能交叉口在城市路网中的合理规划极大地提高了新型混行场景下城市交通系统的出行效率，同时，大幅降低了由于网联自动 驾驶单方面技术优势带来的CAV与HV的出行效率差距，增进了出行公平性。     

智能网联车辆在无信号交叉口的避让策略

智能网联车辆为无信号交叉口的安全和效率提高提供新思路。以双向2车道无信号交叉口为研究对象,提出基于车辆轨迹预测的车车冲突检测算法,在此基础上制定基于车辆优先级、道路交通安全法、道路优先级的三级判定法则,由此提出冲突碰撞避免策略。以典型的交叉口交叉冲突场景为例,对5种避撞策略进行仿真测试。仿真结果表明,各种策略均能实现避撞,但前4种策略车辆延误均有所增加;以单车行程时间为效率指标,前车状态保持不变,后车在距离冲突点50 m处减速的策略为兼顾安全和效率的最优策略。     

基于交通业务特征理解的车路协同可信交互方法

为保障车路协同环境下信息的可信交互，分析了车车、车路协同信息交互流程和不同模式下的交互需求，设计了车路协同可信交互架构；构建了车辆行为状态推演模型与路径扰动因子量化模型，设计了车辆主体可信度计算方法与等级评估规则，实现了车辆主体行为可信认证；通过对交通业务的有效特征理解构建了消息紧急度量化模型，利用低分辨率筛选策略初步过滤了消息报文，基于支持向量机(SVM)对消息内容进行了深度理解，形成了多分辨率交互内容认知方法；使用包含OMNeT++和SUMO仿真模拟器的Veins搭建了仿真测试环境，针对不同网联自动驾驶车辆(CAV)渗透率下的开放道路和交叉口场景开展了仿真试验，对提出的车路协同可信交互方法进行了测试验证。研究结果表明:结合交通业务特征理解能够有效改善车路协同信息交互的可信度判别，提出的方法对信标位置消息的平均认知正确率可以达到90.91%，相比基于时效性检测的可信交互方法提高了8.68%；在安全效率消息可信交互验证试验中，随着恶意车辆比例的增加，传统基于投票机制的车路协同可信交互方法逐渐失效，而提出的方法在保证单次认证时延小于13 ms的条件下，平均正确率达到94.96%，较传统基于反向传播(BP)神经网络的方法提高了3.05%，且CAV渗透率越大，可信交互检测结果的准确率越高，漏报率越低，能够满足车路协同可信交互需求。      

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.      

混合交通下智能网联车借道公交专用车道控制

为研究含人工车的混合交通流下部分智能网联车借道城市公交专用车道的控制问题，以 两个信号交叉口间公交专用车道为研究对象，提出以不妨碍公交车优先通行、满足换道动机和换 道安全条件的智能网联车借道公交车道控制策略。基于公交车道控制预测模块设计智能网联车 进入和离开公交专用道规则，采用改进最小化由换道引起的所有制动模型计算的收益作为智能 网联车换道时激励准则。期望跟随车类型若为人工车时，目标车辆礼让系数取1；妨碍公交优先 必须离开公交道时，满足安全规则即可。通过具体仿真实验予以验证，结果表明：本方法在高交 通需求下，与不允许借道控制方法、基于清空距离公交专用车道控制方法对比，人均延误分别减 少60%和40%，车均延误分别减少65%和32%，渗透率在30%~40%范围内控制效果显著。     

面向高速公路混合交通流的车辆协同合流策略

为提高高速公路匝道合流区的运行效率、减少交通事故的发生,面向网联自动驾驶车辆(Connected and Automated Vehicles, CAV)与人工驾驶车辆(Human Driven Vehicles, HDV)混行的交通场景,提出高速公路匝道分层协作合流框架,该框架集成合流序列调度算法和协作合流算法,并根据车辆类型与车辆状态进行实时调整。首先,提出一种基于启发式规则的高速公路合流序列实时调度算法,优化合流区车辆的合流顺序,解决了传统固定合流序列无法适应HDV驾驶行为随机扰动的问题。然后,根据合流序列调度算法及当前车辆位置,判断协作合流的车辆组及其车辆类型,分别建立CAV-CAV、CAV-HDV和HDV-HDV的协作合流控制算法。通过试验仿真发现：相较于无控制情况和“先进先出”策略,总延误分别降低了21.66%、39.88%;协作控制区长度对燃油经济性存在一定影响,能耗随着距离的增加而减小,并存在一个最小值,即300 m,到达该值后能耗将逐渐增大;车辆之间车头时距的增加,对减小车辆能耗存在一定的影响。其中,HDV之间车头时距的影响大于CAV之间车头时距的影响。     

多前车影响的智能网联车辆纵向控制模型

为了更好地模拟智能网联车辆(CAV)的跟驰特性, 在纵向控制模型(LCM)的基础上考虑V2V环境下多辆前车速度和加速度的影响, 构建了智能网联环境下的纵向控制模型(C-LCM); 对LCM和C-LCM进行稳定性分析, 比较了2个模型的交通流稳定域, 确定了不同通信距离时C-LCM对交通流稳定域的影响; 设计数值仿真试验对加速和减速的常见交通场景进行模拟, 分析了在V2V通信条件下CAV的跟驰行为特征; 仿真分析了CAV不同通信距离以及不同渗透率影响下的交通流安全水平; 构建了包含不同CAV渗透率的混合交通流基本图模型。研究结果表明: 交通流稳定域随着考虑前车数量的增多而增大, 当只考虑1辆前车时, 前车与本车的间隔越远, 车辆速度系数对C-LCM稳定域的影响越大; C-LCM可以提前对多前车的行为做出反应, 更好地模拟CAV的动力学特征, 在减速情景中速度超调量从0.15减少为0.08, 最大速度延迟时间由7.5 s缩短为4.9 s, 在加速情景中速度超调量从0.07减少为0.04, 最小速度延迟时间由3.5 s缩短为2.6 s; 随着CAV渗透率的提升, 交通流的安全水平不断提升, 当通信范围内有4辆CAV时, 交通流的安全性能达到最高, 其TIT和TET指标的最大减少量分别为57.22%和59.08%;随着CAV渗透率的提升, 道路通行能力从1 281 veh·h-1提升为3 204 veh·h-1。可见, 提出的C-LCM可以刻画不同车辆的跟驰特点, 实现混合交通流建模, 并降低混合交通流的复杂性, 为智能网联车辆对交通流的影响分析提供参考。      

基于行车安全场模型的交叉口车辆控制算法

为了提高网联环境无信号交叉口自动驾驶车辆的行车安全与通行效率问题,首先,建立无信号交叉口的行车安全场模型,构建包括车辆动力性能、制动性能以及通行交叉口所有车辆行车风险的目标函数,并设定相应的约束条件;然后,采用模型预测控制方法优化驶向交叉口车辆的行车策略;最后,基于VISSIM、MATLAB和NS3构建联合仿真试验平台,分别以车辆碰撞冲突类型、行车风险改善和道路拥堵程度验证并分析算法性能. 试验结果表明:在车流量和流量容积比大于1.0时,相比于传统的感应控制系统,本文提出的算法在延误时间、行程时间、冲突数目和通行能力的收益率分别大于90%、10%、10%和5%;在通信延迟低于100 ms,数据丢包在35%内,仍能够保证交叉口内车辆的通行效率.      

考虑多车影响的分子动力学智能网联跟驰模型

为研究含智能网联汽车(Connected and Automated Vehicle, CAV)和人工驾驶汽车(Regular Vehicle, RV)混行交通流下CAV跟驰行为的控制问题,考虑前后多车的速度、车头间距、速度差、 加速差等参数,采用分子动力学定量表达不同周边车辆对主体车的影响,得到可用于描述CAV在 混行交通流中的跟驰过程。稳定性分析结果表明,与全速度差模型相比,本文提出的考虑前后多车信息的CAV跟驰模型有利于提高交通流的稳定性。数值仿真与模型验证结果表明,与PATH 实验室的CACC(Cooperative Adaptive Cruise Control)模型相比,本文建立的CAV跟驰模型平均速度最大误差减小了0.19 m∙s-1 ,平均误差减小26.79%,拟合精度提高了0.91%。同时,在CAV和 RV组成的混行交通流中,随着CAV比例的逐渐增加,车队的平均速度和交通流量逐渐增加。迟滞回环曲线表明,与全速度差(Full Velocity Difference, FVD)模型相比,本文提出的CAV模型控制下的交通流稳定性更强。该模型可用于同质流或CAV与人工驾驶车辆等混行环境下的CAV跟驰控制,在目前开展混行实车实验困难的情况下,为混行交通流场景下的车辆控制及交通设施规划设计提供理论依据和模型支持。     

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别，弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足，更好地与HV交互沟通，提出CAV对HV的VHI识别模型.模型包括：灯光感知、光数据处理、VHI识别3个模块，灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH)，采用KLT(Kanade-Lucas-Tomasi Tracking，KLT)和车辆匹配算法定位跟踪发出灯语的HV；光数据处理模块采用光通道增益算法计算光辐射通量变化； VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model，DHMM)辨识VH 闪烁次数和HV行驶状态，实现VHI识别.在3种灯语示意典型场景下的实验结果表明：1 s内 VH感知准确率为96.8%，定位跟踪精度小于1°，VHI识别率为96.6%，满足混行交通环境下 CAV对HV驾驶意图的识别要求，基本保证实时性，为混行交通流中CAV自动驾驶决策提供理论依据.     

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别，弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足，更好地与HV交互沟通，提出CAV对HV的VHI识别模型.模型包括：灯光感知、光数据处理、VHI识别3个模块，灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH)，采用KLT(Kanade-Lucas-Tomasi Tracking，KLT)和车辆匹配算法定位跟踪发出灯语的HV；光数据处理模块采用光通道增益算法计算光辐射通量变化； VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model，DHMM)辨识VH 闪烁次数和HV行驶状态，实现VHI识别.在3种灯语示意典型场景下的实验结果表明：1 s内 VH感知准确率为96.8%，定位跟踪精度小于1°，VHI识别率为96.6%，满足混行交通环境下 CAV对HV驾驶意图的识别要求，基本保证实时性，为混行交通流中CAV自动驾驶决策提供理论依据.