馬 超,崔建勛

(1.盤錦市交通建設(shè)有限責(zé)任公司,遼寧盤錦124010; 2.哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院,哈爾濱150001)

基于多智能體的多應(yīng)急車輛信號優(yōu)先控制研究

馬 超*1,崔建勛2

(1.盤錦市交通建設(shè)有限責(zé)任公司,遼寧盤錦124010; 2.哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院,哈爾濱150001)

本文對不同進(jìn)口方向的多輛應(yīng)急車輛在同一時段內(nèi)通過同一信號交叉口的協(xié)調(diào)控制問題進(jìn)行研究,提出一種基于多智能體的多應(yīng)急車輛信號優(yōu)先控制系統(tǒng).在該系統(tǒng)中引入了相位智能體和管理智能體,同時采用模糊推理理論實現(xiàn)各類智能體的內(nèi)在邏輯,以及模塊之間的協(xié)調(diào)機(jī)制.基于Starlogo多智能體仿真軟件,針對特定十字交叉口的多應(yīng)急車輛優(yōu)先信號協(xié)調(diào)控制案例進(jìn)行仿真實驗.結(jié)果表明,多應(yīng)急車輛信號優(yōu)先控制策略能實現(xiàn)應(yīng)急車輛在交叉口時間通行權(quán)上的優(yōu)先,同時能夠減少應(yīng)急車輛對其他車輛的干擾,對于提高城市范圍內(nèi)的緊急救援效率,具有一定的實用價值.

智能交通;多應(yīng)急車輛;信號優(yōu)先;多智能體;模糊推理

1 引 言

災(zāi)害事件發(fā)生后,普遍采用的一種交通控制措施是在信號交叉口實行應(yīng)急信號優(yōu)先[1].但這種控制措施只對同一時段內(nèi)單個進(jìn)口方向有應(yīng)急車輛的情況有效.在很多情況下,當(dāng)災(zāi)害較為嚴(yán)重時,應(yīng)急管理部門會派出多輛不同優(yōu)先等級的應(yīng)急車輛前往現(xiàn)場,當(dāng)應(yīng)急車輛前往應(yīng)急現(xiàn)場或者從應(yīng)急現(xiàn)場返回時,往往會出現(xiàn)不同進(jìn)口方向的應(yīng)急車輛需要在同一時段內(nèi)通過交叉口的情況.此時,現(xiàn)有的信號優(yōu)先控制系統(tǒng)就會陷入混亂,交叉口很容易出現(xiàn)大規(guī)模延誤,甚至?xí)斐山煌ㄊ鹿?為解決上述問題,本文提出了基于多智能體的多應(yīng)急車輛信號優(yōu)先控制系統(tǒng).

2 多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)

根據(jù)應(yīng)急情況下多應(yīng)急車輛信號控制的特點并結(jié)合多智能體技術(shù),設(shè)計出多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)體系結(jié)構(gòu)[2]如圖1所示.

圖1 多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)體系結(jié)構(gòu)Fig.1 The framework of multiple emergency vehicles signal priority control

多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)工作過程由兩部分組成,第一部分是相位智能體的信號配時過程;第二部分是管理智能體的相位排序過程.

多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)的工作過程可以簡單描述為:相位智能體的車輛檢測器對各個進(jìn)口道進(jìn)行流量檢測,并對進(jìn)入交叉口的應(yīng)急車輛進(jìn)行檢測和定位.相位智能體對檢測結(jié)果進(jìn)行預(yù)處理,并將處理結(jié)果傳送給相鄰相位智能體及管理智能體.

綠燈相位智能體根據(jù)實時的交通狀態(tài)信息,通過與相鄰的相位智能體之間進(jìn)行信息交互、協(xié)商,決定是否延長、縮短或者終止它的綠燈時間.

當(dāng)相位需要進(jìn)行轉(zhuǎn)換時,管理智能體根據(jù)其所具有的經(jīng)驗知識及接收到的所有相位智能體傳送的信息,從整體的角度對相位智能體的排序策略進(jìn)行推理,制定最優(yōu)相位排序,并將排序結(jié)果傳送給相位智能體,相位智能體無條件執(zhí)行管理智能體的指令,控制紅綠燈燈色.

2.1 相位智能體

根據(jù)相位智能體的功能和特點,采用結(jié)構(gòu)化協(xié)調(diào)的設(shè)計方法[3],設(shè)計的相位智能體結(jié)構(gòu)如圖2所示.

圖2 相位智能體的結(jié)構(gòu)Fig.2 The structure of phase agent

其中,通訊模塊負(fù)責(zé)管理智能體與相位智能體之間、各相位智能體之間及相位智能體與車輛檢測器等外界環(huán)境之間的信息交互.

車輛檢測器將檢測到的車輛信息發(fā)送給相位智能體,相位智能體對信息進(jìn)行預(yù)處理,得出各個車道的車輛占有率及各個相位應(yīng)急車輛的優(yōu)先值,從而得出各個相位紅燈相位的最大急切度及綠燈相位的轉(zhuǎn)換度[4].紅燈相位的急切度表示紅燈相位下等待綠燈通行的車輛的急切程度,當(dāng)紅燈相位排隊車輛數(shù)很多,或者應(yīng)急車輛優(yōu)先級別較高時,其急切度就相對較高,反之則相對較低.綠燈相位的轉(zhuǎn)換度表示正在通行的綠燈相位有必要轉(zhuǎn)換成紅燈相位的程度;當(dāng)放行的綠燈相位中車輛數(shù)很少時,其轉(zhuǎn)換度就相對要高,反之,當(dāng)還有優(yōu)先級別高的應(yīng)急車輛,或者還有很多正在通過的車輛時,其轉(zhuǎn)換度就相對低.詳細(xì)的計算過程參考文獻(xiàn)[4].

相位智能體根據(jù)本相位的狀態(tài)信息,就本相位信號燈色的控制與其他相位智能體進(jìn)行協(xié)調(diào),協(xié)調(diào)過程運(yùn)用模糊推理技術(shù).經(jīng)過協(xié)調(diào),可得出綠燈相位的信號配時方案,然后傳給信號燈,如綠燈時間的延長、縮短或者不變.

2.2 管理智能體

根據(jù)管理智能體的功能特點,設(shè)計管理智能體的結(jié)構(gòu)[3]如圖3所示.

圖3 管理智能體的結(jié)構(gòu)Fig.3 The structure of management agent

其中,管理智能體中的通訊模塊實時接收各相位智能體的相位急切度或轉(zhuǎn)換度信息、各相位的控制狀態(tài)信息,并將各相位的排序信息發(fā)送給各相位智能體,必要時將交通管制人員的指令傳達(dá)給各相位智能體.

管理智能體接收到各相位的急切度和轉(zhuǎn)換度后,根據(jù)各相位的控制狀態(tài)信息,運(yùn)用決策推理模塊對各相位的最優(yōu)排序進(jìn)行決策.決策推理過程運(yùn)用模糊推理,其模糊輸入量分別是紅燈相位的最大急切度、下一相位的急切度及最大急切度相位的等待時間,模糊推理系統(tǒng)根據(jù)事先建立的模糊規(guī)則進(jìn)行模糊推理,得出一個模糊輸出,經(jīng)過反模糊化后,得出是否下一個相位是綠燈相位.如下一相位不合適綠燈相位,則跳至其他相位.

3 模糊推理

模糊推理是本文實現(xiàn)智能體智能化的一個重要途徑,是多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)中的核心部分.模糊推理過程不需要建立被控制對象的精確數(shù)學(xué)模型,其吸收了人工控制時的經(jīng)驗,能模仿人腦的邏輯推理和決策過程,不但使控制過程簡化,而且能滿足實時性和控制精度的要求[5-7].

3.1 車輛優(yōu)先級

信號交叉口實行應(yīng)急車輛信號優(yōu)先時,應(yīng)針對應(yīng)急車輛的情況給予不同的優(yōu)先級別.計算應(yīng)急車輛的優(yōu)先級別主要考慮以下兩個影響因素:應(yīng)急車輛的類型和應(yīng)急車輛所處的位置.單輛應(yīng)急車輛的優(yōu)先級別程度可表示為

式中 F表示不同類型應(yīng)急車輛的緊急指數(shù),應(yīng)急車輛緊急程度越大,值越大;T表示應(yīng)急車輛通過交叉口的估計時間,如果當(dāng)前是綠燈相位,上述時間就是應(yīng)急車輛以當(dāng)前車速通過交叉口的估計時間,如果當(dāng)前是紅燈相位且應(yīng)急車輛已經(jīng)停車,那么上述時間是應(yīng)急車輛啟動和通過交叉口的估計時間;Xi表示其它應(yīng)該考慮的因素,如車道的交通情況、應(yīng)急車輛的利用情況(如應(yīng)急車輛是否為空車)等;a,bi表示不同因素的權(quán)重;δ表示為避免T很小情況而引進(jìn)的參數(shù).

為計算方便,有必要將應(yīng)急車輛優(yōu)先程度進(jìn)行歸一化處理,即將優(yōu)先程度轉(zhuǎn)化為優(yōu)先值.優(yōu)先值在0～1之間,1代表優(yōu)先級別最高,0代表優(yōu)先級別最低,亦即無優(yōu)先的應(yīng)急車輛.應(yīng)急車輛優(yōu)先值為

式中 Ei表示單個車輛的優(yōu)先值;Pi表示信號交叉口單個應(yīng)急車輛的優(yōu)先程度.

得到每輛應(yīng)急車輛的優(yōu)先值后,即可得到每股車流的應(yīng)急車輛優(yōu)先值.在計算車流的總優(yōu)先值時,當(dāng)車流中只有一輛應(yīng)急車輛,總優(yōu)先值就是該應(yīng)急車輛的優(yōu)先值;當(dāng)車流中的應(yīng)急車輛多于一輛時,則只需要對該車流的應(yīng)急車輛進(jìn)行簡單相加即可.

3.2 相位智能體中的模糊推理

在相位智能體中,模糊推理模塊的輸入量為紅燈相位的最大急切度、綠燈相位的轉(zhuǎn)換度,以及綠燈信號時間的剩余率,輸出為綠燈相位的信號配時,如相對先前綠燈時間的延長時間、縮短時間或保持綠燈時間不變.

紅燈相位的急切度與每股車流的總應(yīng)急車輛優(yōu)先值和擁擠度有關(guān),為兩者的加權(quán)求和,權(quán)值的大小根據(jù)實際需要確定,當(dāng)考慮應(yīng)急車輛優(yōu)先更為重要時,可以賦予車流的總應(yīng)急車輛優(yōu)先值一個較大權(quán)值,相應(yīng)地賦予車流的擁擠度一個較小的權(quán)值,但兩者之和必須等于1.當(dāng)計算出相位中各個車流的急切度后,對這些值進(jìn)行比較,取其中較大者作為整個相位的急切度.

綠燈相位的轉(zhuǎn)換度的計算與急切度的計算相似.用1減去各個車流的急切度即可得到各個車流的轉(zhuǎn)化度,然后取其中較小者作為整個相位的轉(zhuǎn)換度[4].

紅燈相位的最大急切度的論域為[0,1],模糊語言項為{很小,小,中等,大};綠燈相位的轉(zhuǎn)換度的論域及模糊語言項與紅燈相位的最大急切度的情況相同;綠燈信號時間的剩余率的論域為[0,1],模糊語言項為{很小,小,中等,大};綠燈相位信號配時的論域為[-11,11],模糊語言項為{很大縮短,縮短,不變,延長,很大延長}.根據(jù)專家經(jīng)驗及模糊集合規(guī)定,各變量的隸屬函數(shù)如圖4所示.

圖4 相位智能體模糊推理模塊中各變量的隸屬函數(shù)Fig.4 Membership functions of fuzzy inference module in phase agent

根據(jù)應(yīng)急情況下交通控制的特點及交通專家經(jīng)驗,得到相位智能體模糊推理過程中的64條模糊規(guī)則庫,如表1所示.

表1 相位智能體模糊推理規(guī)則表Table 1 Rule table of fuzzy inference in phase agent

3.3 管理智能體中的模糊推理

在管理智能體中,模糊推理過程與相位智能體中模糊推理過程相似,只是模糊推理模塊的輸入量為紅燈相位的最大急切度、下一相位的急切度,以及最大急切度相位的等待時間,輸出量為下一個相位次序的變更,即下一相位是否為最佳相位.各個變量的隸屬函數(shù)如圖5所示,推理過程中的模糊規(guī)則庫如表2所示.

表2 管理智能體模糊推理規(guī)則表Table 2 Ruletable of fuzzy inference in management agent

圖5 管理智能體模糊推理模塊中各變量的隸屬函數(shù)Fig.5 Membership function of fuzzy inference module in management agent

4 仿真實驗

為檢驗所提出的多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)的有效性,對現(xiàn)實中某一普通四路交叉口進(jìn)行仿真分析,如圖6所示.

通過設(shè)置不同的信號配時(定時信號控制策略配時、先到先服務(wù)策略配時和多應(yīng)急車輛信號優(yōu)先策略配時),模擬相同車流量、不同信號配時策略的交通狀況;并根據(jù)仿真的運(yùn)行過程,計算出交叉口的普通車輛平均通過時間、應(yīng)急車輛平均通過時間及平均停車次數(shù),以此來評價不同信號配時策略的優(yōu)劣,并判斷多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)是否能實現(xiàn)真正意義上的應(yīng)急車輛優(yōu)先.仿真模型運(yùn)用如下假設(shè):

(1)各個進(jìn)口方向應(yīng)急車輛的到達(dá)服從泊松分布;

(2)在仿真系統(tǒng)中,為簡化模擬過程,省略了對應(yīng)急車輛類型的識別及定位,假設(shè)應(yīng)急車輛的優(yōu)先級系數(shù)已經(jīng)計算完成,即檢測到應(yīng)急車輛的同時,也得到該應(yīng)急車輛的優(yōu)先值.

運(yùn)用仿真軟件Starlogo,并結(jié)合Matlab編寫了仿真程序.通過5次仿真,得出其平均仿真結(jié)果如表3所示.

仿真結(jié)果表明,與定時信號控制策略相比較,雖然普通車輛的平均通過時間增加了3.39%,但應(yīng)急車輛平均通過時間減少了16.40%,同時停車次數(shù)減少了8.21%.這意味著應(yīng)急車輛在時間通行權(quán)上的優(yōu)先是以其他普通車輛延誤的增加為代價的,但是在應(yīng)急情況下這種代價是值得考慮的.

與先到先服務(wù)信號控制策略比較,采用多應(yīng)急車輛信號優(yōu)先控制后,各項評價指標(biāo)均有較大的改善.采用多應(yīng)急車輛信號優(yōu)先控制時,應(yīng)急車輛平均通過時間比先到先服務(wù)信號控制減少10.38%,普通車輛平均通過時間減少18.40%,平均停車次數(shù)減少21.66%.這說明多應(yīng)急車輛信號優(yōu)先控制策略是有效的,同時也說明了先到先服務(wù)控制策略在多應(yīng)急車輛到達(dá)時的控制效果并不理想.此外,先到先服務(wù)控制下車輛過多的啟動、停車行為容易造成交通事故.

由此可知,采用多應(yīng)急車輛信號優(yōu)先控制策略能實現(xiàn)應(yīng)急車輛在交叉口時間通行權(quán)上的優(yōu)先,同時也減少了應(yīng)急車輛對其他車輛的干擾.

表3 仿真結(jié)果分析Table 3 Analysis of simulation results

5 研究結(jié)論

本文以多智能體技術(shù)為支撐,從信號優(yōu)先的角度研究信號交叉口多應(yīng)急車輛優(yōu)先控制問題.通過對多應(yīng)急車輛信號控制問題特點的分析,提出了基于多智能體的多應(yīng)急車輛信號優(yōu)先控制系統(tǒng)結(jié)構(gòu).在該系統(tǒng)中引入相位智能體和管理智能體,兩種智能體分別負(fù)責(zé)信號配時和相位排序,從整體上實現(xiàn)多應(yīng)急車輛的信號優(yōu)先.通過與相同條件下的定時信號控制策略及先到先服務(wù)信號控制策略的仿真對比,驗證了所提出系統(tǒng)是有效的,為實現(xiàn)緊急狀態(tài)下多應(yīng)急車輛信號優(yōu)先控制提供了參考.

[1]Qin X L.Real-time control and optimization of traffic signal timing transition for emergency vehicle preemption[D].Carleton University,2005.

[2]俞崢,李建勇.多智能體在交通控制系統(tǒng)中的應(yīng)用[J].交通運(yùn)輸工程學(xué)報,2001,1(1):55-57.[YU Z,LI J Y.The application of the multi-agent technology on the traffic system control[J].Journal of Traffic and Transportation Engineering,2001,1(1):55-57.]

[3]安實,崔娜,王健,等.基于多智能體協(xié)商的路徑選擇行為仿真研究[J].系統(tǒng)仿真學(xué)報,2010,22(8): 1890-1894.[AN S,CUI N,WANG J,et al.Multiagent negotiation approach to simulate and analyze route choice behavior[J].Journal of System Simulation, 2010,22(8):1890-1894.]

[4]柳祖鵬.交叉口公交優(yōu)先智能信號控制系統(tǒng)研究[D].武漢:武漢科技大學(xué),2005.[LIU Z P. Research on bus priority intelligent signal control system at an intersection[D].Wuhan:Wuhan University of Science and Technology,2005.]

[5]Chou C H,Teng J C.A fuzzy logic controller for traffic junction signals[J].Information Sciences,2006 (143):73-97.

[6]Bingham E.Reinforcement learning in neurofuzzy traffic control[J].European Journal of Operational Research, 2001,131(2):232-241.

[7]Khan S G,Hermann G,Lewis F L,et al.Reinforcement learning and optimal adaptive control:An overview and implementation examples[J].Annual Reviews in Control,2012,36(1):42-59.

Multiple Emergency Vehicles Signal Priority Control Based on Multi-Agent Approach

MA Chao1,CUI Jian-xun2
(1.PanJin Communications Construction Co.,Ltd.,Panjin 124010,Liaoning,China; 2.School of Transportation of Science and Engineering,Harbin Institute of Technology,Harbin 150001,China)

Aiming at the signal priority problem that emergency vehicles from different directions have to pass the same intersections in the certain time period,this paper presents a signal priority control system for multiple emergency vehicles based on multi-agent.It considers the phrase agent and management agent and coordinates the modules of various agents by the fuzzy inference technique.Based on the multi-agent software,Starlogo,a case study of emergency signal control at a typical intersection are conducted.The results show that the emergency control policy presented in this paper can ensure the priority of emergency vehicles and minimize the interferences from other vehicles.The result is helpful to improve the efficiency of emergency rescue in urban areas.

intelligent transportation;multiple emergency vehicles;signal priority;multi-agent; fuzzy inference

U491.4

A

U491.4

A

1009-6744(2013)01-0057-06

2012-06-11

2012-11-23錄用日期:2012-12-07

馬超(1982-),男,遼寧盤錦人,工程師.

*通訊作者:hitmachao2012@163.com