考虑前车状态的智能网联车交叉口行为决策

为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口，在车联网实时获取信号灯和前车状态信息的基础上，建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态，预测得到前方车辆是否要通过交叉口的行为，进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断；将换道加入到驾驶方式中来寻求更高的通行效率，用基于换道时间模型的方法判断智能网联汽车换道后的通过条件；仿真对比分析了所提出模型和现有模型的决策能力，讨论了影响决策过程的关键因素. 研究结果表明:相比于现有模型，综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性，从而进行更合理的行为选择，随着单位绿灯剩余时间的增加，车辆决策通过交叉口的概率可提高20%，当前车道的车辆位置对决策结果影响显著.      

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。      

基于群体决策的多交叉口协同控制方法

基于竞争-合作的群体决策机制，将单点信号优化构建为各相位的交叉口通行权的竞争过程，将多点协同构建为上下游相位之间的协作过程，提出了一种兼顾多交叉口协同效益和单交叉口控制优化的路网信号配时设计方法；利用车路协同环境下路网内车辆路径信息的可感知性，动态精准地量化解析上下游交通耦合关系；在此基础上建立了分层动态决策框架，在单层决策中剥离了上下游交叉口控制决策对本地决策的影响，解耦协同控制模型中路网交通状态和信号控制决策之间的复合关系；设计了基于交叉口内各交通流向竞争力的分布式信号配时决策算法，并通过仿真试验平台比较了群体决策协同控制方法与传统协同控制方法的控制效果。研究结果表明: 相较于传统协同控制方法，群体决策协同控制方法可动态适应路网交通需求，在交通效率和稳定性上具有显著优势，在不同饱和度的交通需求水平下可降低车均延误15%以上；在路网交通饱和度较高的情况下, 群体决策协同控制方法延误降低幅度可达19.2%，控制优势更加明显；由于群体决策协同控制方法可在下游交叉口进口道车辆排队过长时减少上游车辆流出，可降低路网最大排队长度超40%，有效规避路网溢流风险；通过对群体决策协同控制模型的分布式求解，可实现单次决策过程计算时间小于0.01 s，具有应用于大规模复杂路网的实时信号配时决策的潜力。      

基于动态OD预测的区域交通信号控制方法

通过对一种基于动态OD的交通信号控制方法及系统的研究,利用城市智能交通系统积累的OD数据,结合大数据、云计算等信息技术,提出了城市中宏观区域内多个交叉口的协同联动控制策略方法和技术路线,有助于目前大中城市的交通管理和区域联动控制,以提升城市道路交通服务水平。     

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。     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

综合智能交通系统分析

从未来世界的三大流,即人流、物流和数据流的角度出发,提出了综合智能交通系统的 概念.综合智能交通系统进一步可分为城市智能交通系统和区域智能交通系统两个子系统.换 言之,一个国家或一个地区的综合智能交通系统是由若干个城市智能交通系统和区域智能交通 系统构成的.文章描述了两个子系统的基本构成.     

智能网联车环境下交叉口车流轨迹优化模型

在智能网联环境下,车辆可通过相互穿插和协作通过交叉口,无需信号灯控制。为保证车辆安全高效运行,建立车辆到达时序和速度协同优化的交叉口车流轨迹优化模型。提出车辆到达时序优化模型和车辆速度优化模型,建立车辆到达时刻与速度的函数关系;在此基础上,模型以所有车辆在控制区域的行程时间与油耗加权最小为目标,车辆路径、到达时刻和速度等关键参数为决策变量,设计迭代式算法求解,实现同时优化车辆到达时刻和速度且交叉口运行效益最大的目的。实验结果表明,与车辆时序和轨迹分别优化的两阶段模型相比,本文模型降低车均延误 32.1%,减少车均油耗9.9%,说明该模型具有良好的主动性和适应性,在降低车辆延误的同时也节省了油耗。     

基于车联网技术的车路协同系统设计

在全面分析系统功能的基础上,基于车联网技术提出了一种具有感知功能的车路协同系统的设计方案,对系统的物理框架和逻辑框架进行了设计,重点研究了各子系统的组成与功用,分析了系统的智能感知、车路协同通信和智能信息处理等关键技术.研究表明:该系统可以实时、准确地感知和采集车辆、道路环境以及全路网的交通运行状况等信息,有效实现车与...     

智能网联公交信号优先技术决策前评价

针对智能网联公交信号优先控制策略尚未完善的问题,提出两种智能网联公交信号优先技术决策前评价方法.方法一基于车均延误计算模型和人均延误计算公式,提出利用优先前后人均总延误差值进行决策前评价.方法二基于优先前后交叉口人均延误影响因素分析,构建包括优先效益、优先效果、非优先相位影响3个方面共7个指标的智能网联公交优先技术决策前评价指标体系,利用层次分析法(AHP)和熵值法相结合的方法进行指标赋权.对长沙市的两条公交客流走廊(金星路和银杉路)共20个交叉口进行分析,总结评价结果并提出决策建议.