智能网联环境下基于谱聚类的车辆群体牵制控制策略

智能网联环境下通过对车辆群体中部分关键的网联与自动驾驶车辆实施反馈控制,能够间接影响人工驾驶车辆的运行,从而在效率、安全等方面实现对整体交通流的优化。基于此提出了一种基于谱聚类的牵制控制(Spectral Clustering Based Pinning Control, SC-PC)策略,旨在优化智能网联环境下车辆群体的微观控制方法与效果,提升交通流整体运行水平。首先,面向智能网联环境下的车辆群体提出了网络模型的构建与牵制控制的定义。其次,综合考虑网络拓扑静态信息与车辆动力学动态信息,提出了一种基于谱聚类算法的关键控制节点识别方法,用于确定牵制控制的实施对象。然后,以安全和效率等多目标为导向设计了针对牵制节点车辆的反馈控制方法。最后,基于真实场景下车辆跟驰行驶的TOD数据集开展数值仿真试验,对比分析不同牵制节点识别方法与不同牵制率下的牵制控制效果,并对所提SC-PC策略的有效性进行了验证。结果表明:相较于其他牵制控制策略,所提出的SC-PC策略能够更加准确地识别出车辆群体中的关键控制节点,在交通振荡、同步性、安全性指标方面分别至少提升5.3%、11.7%和16.0%,所提方法能够在提高交通流抗干扰性的同时,实现效率与安全性的同步优化,可服务于智能网联环境下交通流优化控制问题中资源投入与控制效果的权衡。

车路协同环境下车辆群体协同决策研究综述

从车路协同环境下车辆群体协同决策机制、协同决策方法与典型应用场景方面分析了国内外车辆群体协同决策的研究现状;考虑车辆群体协同决策机制的不同,系统梳理了集中式和分布式2种决策机制的相关研究;针对车辆群体协同决策方法的多样性,以基于优化和基于启发式2类决策方法为主线,对比分析了不同决策方法的优劣;考虑车辆群体协同决策应用场景的不同,全面分析了匝道、路口、路段和路网等多个应用场景下车辆群体协同决策的相关理论与研究;考虑国内外车辆协同决策典型项目进展,分别梳理了中国、美国、日本和欧洲代表性车辆群体协同决策项目任务、建设与实施情况;从系统结构、普适模型和示范场景3个方面提出了未来车路协同环境下车辆群体协同决策的发展趋势.研究结果表明:集中式车辆群体协同决策机制有助于提升局部区域内的车辆通行性能,分布式车辆群体协同决策机制有助于提升全局范围内的交通运行状态;基于优化的车辆群体协同决策方法在特定场景下可最大程度提升决策效果,基于启发式的车辆群体协同决策方法在大多数场景下可获得可行的决策效果;由于不同场景下车辆群体协同决策问题的复杂性有所不同,需要在统一框架下做针对性建模.研究结果可为车路协同环境下新型混合交通系统的管理与控制提供参考.

车联网环境下自动驾驶车辆动态障碍物协作避让模型

车路协同和车联网的发展为车辆群体之间的协作控制提供了可能。本文关注的是在车联网环境下,自动驾驶车辆群体避让动态障碍物的问题,目标是实现在不损失车辆个体效益的同时,可以达到车辆群体系统最优。本文提出了一种基于深度强化学习算法(DQN)的自动驾驶车辆群体协作避让动态障碍物的模型。模型在学习过程中考虑了车辆的安全性、单个车辆和车辆群体的行驶效率,并加入了车辆的换道协作机制。仿真验证结果表明,与现有的非协作避障模型相比,该模型可以显著地提高整体交通效率,在非常拥堵、比较拥堵和自由流三种给定的不同交通流状态下,车辆行驶效率(车辆平均速度)分别提高5.26%、21.44%、10.38%,整体车流量分别提高8.22%、34.47%、0%。

基于路侧毫米波雷达的群体车辆目标识别与跟踪

为了提升道路交通流检测精度,本文提出了一种基于路侧毫米波雷达的群体车辆识别与跟踪方法。首先,基于预处理后的城市多车道主干路交通流毫米波雷达检测数据,提出了一种基于高斯核距离的带噪声密度空间聚类(DBSCAN)算法,实现对群体车辆所反射有效雷达信号的时空聚类;其次,提出了一种无迹卡尔曼滤波(UKF)和线性高斯混合概率假设密度(GMPHD)融合算法,以提升非线性运动群体车辆的跟踪精度;最后,在仿真和实际环境中进行算法测试,仿真结果验证了UK-GMPHD算法能够精准、稳定地跟踪非线性运动车辆。实测结果表明:基于核距离的DBSCAN算法能够有效改善经典算法特征向量的调参问题;与GMPHD算法对比,UKGMPHD算法对目标跟踪的距离、速度和角度均方根误差分别减少了21.03%、23.41%和20.67%。

城市中观交通仿真的交通流车簇模型

为了解决城市交通仿真模型仿真速度和仿真精确度的平衡问题,针对城市交通流运行特征,同时考虑影响交通流运行的若干因素,如车辆数目、红绿灯控制等,提出一种中观交通仿真车辆群体模法。该模型结合了宏观模型和微观模型的优点,同时对应的交通流配流算法解决了传统模型的不足,城市交通仿真实验结果表明了车辆群体模型和分配算法的合理性和有效性。

面向快速路交通瓶颈的混合交通群体节流控制策略

针对传统人驾车(HV)和网联自动车(CAV)组成混合交通条件下的快速路道路缩减瓶颈问题,从群体控制角度,提出了一种新的速度协调控制策略(简称节流控制策略);基于瓶颈交通状态和Greenshields模型,设计了领航CAV速度控制器;面向CAV节流群体组群过程的控制问题,提出了目标切换下的非线性控制器;构建了CAV节流群体类队列控制器,实现了基于瓶颈交通状态的群体形态与群体速度动态调节,进而联合领航CAV速度控制方法,周期性管控超过每组节流群体的车辆;提出了CAV纵向安全控制器来解决组群和群体演化过程的车辆安全问题。仿真结果表明:在快速路瓶颈路段下,对比传统交通系统,提出的动态节流控制策略CAV渗透率达到5%,在车流量分别为2000、3000、5000、6000 veh·h^(-1)条件下,可对应分别提高通行效率约5.87%、16.97%、11.07%、10.25%;在固定车流量为3000或6000 veh·h^(-1)的快速路混合交通瓶颈路段中,对比传统交通系统,若CAV渗透率分别为10%、20%、30%,受控交通系统的通行效率可提升约24%;通过对车头间距分析,受控CAV在节流全过程中无碰撞事故发生,且可与前车保持9 m以上安全距离。可见,节流控制策略在应对快速路瓶颈问题是有效的。