自动驾驶车辆混行集聚MAS控制模型

随着车路协同技术和自动驾驶技术的不断发展,越来越多的网联自动驾驶车辆(Connected and Autonomous Vehicle, CAV)涌入道路交通,与传统人工驾驶车辆(Human Pilot Vehicle,HPV)形成混合交通流(Mixed Traffic Stream, MTS)。为在提高MTS交通流量的同时保证交通安全,面向未来的混行交通环境,结合交通工程中人、车、路等要素,设计基于多智能体系统的CAV集聚控制模型(Agglomeration Control Model of Connected and Autonomous Vehicle Based on Multi-Agent System, ACMCAV-MAS)。该模型针对CAV的可控性和HPV的随机性,意在通过集聚控制,促使道路中分散行驶的CAV集聚成行驶条件更优的队列。具体以Agent的形式设计与集聚控制相关的底层车辆Agent(CAV-Agent和HPV-Agent两类)和上层管理Agent。同时,针对同质要素间的匹配和异质要素间的风险规避,区别于常规的无集聚(No Agglomeration, NOA)策略,提出车队级集聚(Platoon Level Agglomeration, PLA)和车道级集聚(Lane Level Agglomeration, LLA)2种策略及相关的CAV-Agent集聚控制算法。基于ACMCAV-MAS及元胞自动机模型,在不同交通流密度和不同CAV-Agent渗透率下进行仿真试验。结果表明:集聚策略能在60%的CAV-Agent渗透率下取得最佳效益,同时,在60 veh·km-1密度条件下,车队级集聚策略平均能提升38.14%的交通流量,比车道级集聚的提升效果高9.73%,并能在40~50 veh·km-1的密度范围和50%~70%的CAV-Agent渗透率条件下有效缓解交通拥堵;通过对中高密度交通流下的纵向风险分析,发现2种集聚策略在低CAV-Agent渗透率下的风险发生率无显著差异,且最大风险降低比例都能达到20%以上,然而,在实际交通情况下,集聚策略可能会在一定程度上导致横向碰撞风险的增加。在未来的工作中,将继续探究降低横向碰撞风险的方法,同时着力解决目前仿真框架中对于人工驾驶行为异质性建模不够完善的缺陷,不断优化ACMCAV-MAS,为未来MTS中自动驾驶策略的制定提供理论依据。

智能网联环境下CAV混行车流集聚策略及分析

针对目前的交叉口控制方法无法适应于网联人工驾驶车辆(CHV)与网联自动驾驶车辆(CAV)的混行而导致冲突增多、效率下降的问题,提出了一种适用于主干路交叉口的基于多智能体系统(MAS)的CAV混行车流集聚控制模型(MTF-ACM).构建基于V2V(车对车)技术的混行车流集聚策略,以降低混行车流的随机性.设计虚拟动态预信号,通过时空同步机制对集聚车队进行速度诱导.根据主预信号协同配时策略,使集聚车队以最大可能不停车通过交叉口.研究结果表明:当CAV的市场渗透率(MPR)为60%时MTF-ACM取得通行能力的最佳效益;当交通流量临近饱和状态时,相较于无ACM和CAV-ACM,MTF-ACM平均延误时间和停车次数分别降低30%和50%以上,燃油消耗和CO_(2)排放分别减少20.59%和22.21%.