趙祥模,張心睿,王潤(rùn)民,徐志剛,凡海金
(1.長(zhǎng)安大學(xué)信息工程學(xué)院,西安710064;2.長(zhǎng)安大學(xué),車聯(lián)網(wǎng)教育部-中國(guó)移動(dòng)聯(lián)合實(shí)驗(yàn)室,西安710018)
交叉口是城市道路的關(guān)鍵節(jié)點(diǎn),車流在交叉口處交匯、沖突,使交叉口成為城市路網(wǎng)中的交通瓶頸。車聯(lián)網(wǎng)(vehicle to everything,V2X)與智能網(wǎng)聯(lián)汽車(connected and automated vehicle,CAV)的應(yīng)用為提高交叉口交通效率、減少交通排放提供了新的解決思路[1]。V2X技術(shù)實(shí)現(xiàn)將網(wǎng)聯(lián)信號(hào)燈與CAV連接為一個(gè)整體,可以顯著增強(qiáng)車輛與道路的感知控制能力,進(jìn)而實(shí)現(xiàn)網(wǎng)聯(lián)信號(hào)交叉口的交通信號(hào)控制及車輛運(yùn)動(dòng)軌跡的優(yōu)化。
圍繞網(wǎng)聯(lián)信號(hào)交叉口,部分學(xué)者研究從宏觀交通層面進(jìn)行交通效率優(yōu)化,文獻(xiàn)[2]~文獻(xiàn)[5]以停車次數(shù)與交通延誤為優(yōu)化目標(biāo),建立交叉口交通信號(hào)優(yōu)化模型。然而,僅進(jìn)行交通信號(hào)控制優(yōu)化不考慮車輛運(yùn)動(dòng)軌跡,使得車輛頻繁加、減速,難以保證車輛燃油經(jīng)濟(jì)性與駕乘舒適性。部分學(xué)者提出從微觀層面進(jìn)行車輛軌跡優(yōu)化。高志軍等[6]提出一種基于動(dòng)態(tài)距離窗的軌跡規(guī)劃算法,結(jié)果表明該方法可以有效提升交叉口效率,并實(shí)現(xiàn)更小的速度波動(dòng);文獻(xiàn)[7]中提出的車輛到達(dá)時(shí)序優(yōu)化模型和車輛速度優(yōu)化模型可有效降低車輛平均行車延誤和油耗。但上述方法忽略了交通信號(hào)優(yōu)化對(duì)交叉口通行能力的優(yōu)化提升,且存在難以適應(yīng)高密度車流環(huán)境的問(wèn)題。此外,部分學(xué)者開(kāi)展了車輛速度與交通信號(hào)協(xié)同優(yōu)化研究。王云鵬等[8]設(shè)計(jì)了一種遺傳算法-粒子群算法混合求解策略,對(duì)交通信號(hào)與車輛軌跡進(jìn)行雙目標(biāo)協(xié)同優(yōu)化,但車輛軌跡估計(jì)與優(yōu)化計(jì)算相互嵌套,速度規(guī)劃模型可能存在無(wú)解情況;戴榮健等[9]提出一種交通信號(hào)與車輛軌跡協(xié)同優(yōu)化控制方法,僅考慮了交叉口通行效率與車輛停車次數(shù),車輛控制分為加速與減速模型,未考慮對(duì)加速度進(jìn)行優(yōu)化,車輛燃油消耗難以得到優(yōu)化。
針對(duì)現(xiàn)有不足,本文中綜合考慮交叉口通行效率和車輛燃油經(jīng)濟(jì)性,在構(gòu)建一種網(wǎng)聯(lián)信控交叉口協(xié)同控制應(yīng)用場(chǎng)景的基礎(chǔ)上,研究提出一種分層解耦式網(wǎng)聯(lián)交叉口交通信號(hào)-車輛軌跡協(xié)同優(yōu)化控制方法,實(shí)現(xiàn)宏觀交通信號(hào)與微觀車輛軌跡的協(xié)同優(yōu)化。
針對(duì)研究需求,本文設(shè)計(jì)了一種雙向兩車道的典型網(wǎng)聯(lián)信控十字交叉口應(yīng)用場(chǎng)景,如圖1所示,場(chǎng)景中的信號(hào)燈與CAV均具備V2X通信能力,可實(shí)現(xiàn)實(shí)時(shí)交互通信。網(wǎng)聯(lián)信號(hào)燈可以將交通信號(hào)相位及配時(shí)信息向外界廣播,CAV可以將自車速度、位置等狀態(tài)信息發(fā)送給處于其通信范圍的網(wǎng)聯(lián)信號(hào)燈,并實(shí)現(xiàn)與其他車輛的交互連接。交叉口分別有4個(gè)方向交通流:向東直行、向北直行、向西直行和向南直行。
圖1 雙向兩車道的典型網(wǎng)聯(lián)信控十字交叉口場(chǎng)景
(1)智能網(wǎng)聯(lián)汽車假設(shè):假設(shè)場(chǎng)景中所有車輛均為CAV,車輛可根據(jù)控制方案無(wú)延時(shí)地自動(dòng)駕駛。
(2)通信環(huán)境假設(shè):設(shè)定V2X有效通信范圍為400 m[10],其中網(wǎng)聯(lián)信號(hào)的通信范圍以交叉口區(qū)域中心為圓心;同時(shí)設(shè)定V2X通信為實(shí)時(shí)可靠的通信。
(3)車輛運(yùn)動(dòng)行為假設(shè):假設(shè)CAV不存在換道、轉(zhuǎn)向、掉頭等行為,忽略輪胎及路面特性。
交通信號(hào)-車輛軌跡協(xié)同優(yōu)化控制問(wèn)題具有優(yōu)化變量多、模型復(fù)雜的特點(diǎn),針對(duì)構(gòu)建的網(wǎng)聯(lián)交叉口場(chǎng)景,本文提出一種分層解耦的交通信號(hào)-車輛軌跡協(xié)同控制模型,如圖2所示。網(wǎng)聯(lián)交通信號(hào)燈獲取車輛狀態(tài)信息,結(jié)合交通流模型、車輛運(yùn)動(dòng)學(xué)模型,以最小化交叉口交通延誤為優(yōu)化目標(biāo),得到下一個(gè)周期最優(yōu)配時(shí)及相序信息;CAV進(jìn)行車輛軌跡優(yōu)化,即根據(jù)交通信號(hào)優(yōu)化結(jié)果,結(jié)合車輛狀態(tài)信息、車輛能耗模型、車輛動(dòng)力學(xué)模型,以車輛燃油經(jīng)濟(jì)性為優(yōu)化目標(biāo),通過(guò)改變車輛速度和加速度,調(diào)整車輛行駛軌跡。
圖2 網(wǎng)聯(lián)信控交叉口協(xié)同控制模型
2.1.1 臨近交叉口車輛運(yùn)動(dòng)軌跡分析及建模
為降低交通信號(hào)優(yōu)化計(jì)算復(fù)雜度,首先采用DBSCAN聚類算法[11]將車流根據(jù)行駛方向、車間距離進(jìn)行聚類,形成交叉口各入口方向上車隊(duì),車輛分為領(lǐng)航車輛與跟馳車輛,如圖1所示。將車輛運(yùn)動(dòng)至交叉口期間的運(yùn)動(dòng)軌跡劃分為3段[12],車輛在階段1與階段3具有恒定的加速度,在階段2具有恒定速度,記車輛到達(dá)交叉口的時(shí)間為Tarrival,則車輛運(yùn)動(dòng)過(guò)程受式(1)約束:階段1從初始位置開(kāi)始,假設(shè)車輛初始車速為v0,加速度為a1,經(jīng)t1時(shí)間后,行駛距離為d1,車速調(diào)整為v1;階段2車輛以v1勻速行駛t2,行駛距離為d2;階段3車輛以加速度a2運(yùn)動(dòng),經(jīng)t3后,行駛距離為d3,到達(dá)交叉口停止線,此時(shí)將車輛速度記作vf,最優(yōu)情況下vf應(yīng)為道路限速vmax。
式中D為車輛在初始位置時(shí)與交叉口的距離,記車輛最大制動(dòng)加速度為admax,最大加速度為amax,舒適加速度為ac。
(1)領(lǐng)航車輛軌跡分析及建模
領(lǐng)航車輛是車隊(duì)中第一輛車,因此根據(jù)交叉口當(dāng)前交通信號(hào)信息與領(lǐng)航車輛行車狀態(tài),可得到車隊(duì)到達(dá)交叉口的邊界值。本文根據(jù)領(lǐng)航車輛初始位置和速度不同,將其行車軌跡分為以下2種情況。
1)車輛以當(dāng)前車速到達(dá)交叉口,需要停車等待紅燈。為保證車輛到達(dá)交叉口時(shí)恰好為綠燈相位,其進(jìn)入交叉口前需經(jīng)歷減速、勻速、加速3個(gè)階段(每階段時(shí)長(zhǎng)可為0),可細(xì)分為如圖3所示的4種情況:
圖3 領(lǐng)航車輛情況1下的行駛軌跡
情況1-1,車輛距離交叉口很遠(yuǎn),在階段3可緩慢加速,到達(dá)交叉口時(shí)達(dá)到最大車速;
情況1-2,車輛距離交叉口較遠(yuǎn),在階段3以最大加速度加速行駛,到達(dá)交叉口時(shí)可達(dá)到最大車速;
情況1-3,車輛距離交叉口較近,在階段3以最大加速度加速行駛,但到達(dá)交叉口時(shí)仍未達(dá)到最大車速;
情況1-4,車輛距離交叉口很近,只經(jīng)歷階段1減速階段便進(jìn)入交叉口。
圖3 中,綠色實(shí)線為階段1軌跡,黑色實(shí)線為階段2軌跡,藍(lán)色實(shí)線為階段3軌跡,對(duì)應(yīng)的運(yùn)動(dòng)約束條件如表1所示。
表1 領(lǐng)航車輛情況1約束條件
2)車輛以當(dāng)前車速行駛,可在綠燈相位不停車通過(guò)交叉口,但損失了部分綠燈時(shí)間。為減少綠燈損失,車輛進(jìn)入交叉口前需經(jīng)歷加速、勻速以及加速3個(gè)階段(每階段時(shí)長(zhǎng)可為0),可細(xì)分為如圖4所示3種情況:
圖4 領(lǐng)航車輛情況2下的行駛軌跡
情況2-1,在綠燈開(kāi)始前,車輛有充分時(shí)間進(jìn)行軌跡調(diào)整,階段3以舒適加速度加速行駛且進(jìn)入交叉口達(dá)到最大車速;
情況2-2,在綠燈開(kāi)始前,車輛在階段1、3均采用最大加速度加速行駛且進(jìn)入交叉口達(dá)到最大車速;
情況2-3,車輛僅經(jīng)歷階段1,且進(jìn)入交叉口時(shí)未達(dá)到最大車速。
圖4 中,橙色虛線代表車輛以最大加速度行駛軌跡,紅色虛線為車輛以初速度勻速行駛軌跡,黑色實(shí)線為車輛實(shí)際軌跡,約束條件如表2所示。
表2 領(lǐng)航車輛情況2約束條件
基于上述領(lǐng)航車輛軌跡分析,通過(guò)式(1)即可得到不同情況下領(lǐng)航車輛到達(dá)交叉口時(shí)間的邊界值。
(2)跟馳車輛軌跡分析及建模
對(duì)于跟馳車輛,不僅受到交通燈信號(hào)的約束,還受車隊(duì)中前方車輛運(yùn)動(dòng)狀態(tài)的約束。根據(jù)與前車間運(yùn)動(dòng)狀態(tài)關(guān)系,將跟馳車輛行車狀態(tài)劃分成以下2種情況。
1)最優(yōu)跟馳狀態(tài),如圖5中綠色軌跡所示,該狀態(tài)下車輛跟馳行為可采用CACC模型[13-14]進(jìn)行刻畫,此時(shí)跟馳車輛應(yīng)滿足式(2)和式(3)。
圖5 跟馳車輛行駛軌跡
式中:xi為跟馳車輛i的位移;xi-1為跟馳車輛前車i-1的位移;vi為跟馳車輛i的速度;vi-1為跟馳車輛前車i-1的速度;ai為跟馳車輛i的加速度;ai-1為跟馳車輛前車i-1的加速度;T為車頭時(shí)距;e為實(shí)際車間距離與期望車間距離的誤差;k0為前車加速度項(xiàng)權(quán)重系數(shù);k1為車間距誤差項(xiàng)權(quán)重系數(shù);k2為速度差項(xiàng)權(quán)重系數(shù)。
2)自由行駛狀態(tài),如圖5中藍(lán)色軌跡所示,該狀態(tài)下應(yīng)采用最大加速度加速行駛以減少延誤,此時(shí)跟馳車輛應(yīng)滿足式(4)和式(5)。
2.1.2 車輛運(yùn)動(dòng)學(xué)模型
所有車輛應(yīng)滿足式(6)~式(11)所示運(yùn)動(dòng)學(xué)約束。
式中:x(t)、v(t)、a(t)分別為t時(shí)刻車輛行駛的位移、速度和加速度;v0為車輛初始時(shí)刻t0時(shí)速度;l和vf分別為到達(dá)交叉口停止線tf時(shí)車輛行駛的位移與速度。
2.1.3 安全約束
車輛行駛過(guò)程中,須與前車保持安全距離以避免發(fā)生事故。車輛行駛應(yīng)滿足式(12)約束。
式中:xi(t)為第i輛車行駛位移;xi-1(t)為第i-1輛車行駛位移;Δv為第i輛車與第i-1輛車的速度差;τ為最小車頭時(shí)距;s為靜止時(shí)最小車間距離,本文取3 m。
領(lǐng)航車輛受前方車輛隊(duì)列尾車行駛狀態(tài)約束,若領(lǐng)航車輛與前方尾車間距過(guò)近,下次聚類時(shí)將成為前方車輛隊(duì)列的跟馳車輛。
2.1.4 交通信號(hào)控制模型
(1)綠燈時(shí)長(zhǎng)約束
綠燈信號(hào)時(shí)長(zhǎng)gs取值應(yīng)滿足式(13)約束:
式中g(shù)max和gmin分別為最大綠燈時(shí)長(zhǎng)和最小綠燈時(shí)長(zhǎng)。
(2)信號(hào)狀態(tài)約束
定義Gi為第i相位的綠燈時(shí)長(zhǎng),N為相位總數(shù),Y為黃燈時(shí)長(zhǎng),C為周期長(zhǎng)度,信號(hào)燈相位設(shè)計(jì)滿足式(14)約束:
本文設(shè)計(jì)如圖6所示十字型交叉口2相位控制結(jié)構(gòu),相位切換可由狀態(tài)轉(zhuǎn)換圖(圖7)描述,每相位的時(shí)長(zhǎng)由車隊(duì)預(yù)計(jì)通過(guò)時(shí)長(zhǎng)與最大最小綠燈時(shí)長(zhǎng)共同決定,如式(15)所示。
圖6 十字型交叉口2相位控制結(jié)構(gòu)
圖7 相位切換狀態(tài)轉(zhuǎn)換圖
式中g(shù)travel為車隊(duì)通過(guò)交叉口時(shí)長(zhǎng)。
在上述約束條件下,車隊(duì)中跟馳車輛在當(dāng)前優(yōu)化周期如無(wú)法通過(guò)交叉口,可在下個(gè)優(yōu)化周期轉(zhuǎn)變?yōu)轭I(lǐng)航車輛,與其后方車輛形成新的車隊(duì)。
2.1.5 交通信號(hào)優(yōu)化模型
由上述分析可得到網(wǎng)聯(lián)信號(hào)燈通信范圍內(nèi)所有車隊(duì)的狀態(tài)(車隊(duì)到達(dá)時(shí)間、通過(guò)交叉口所需時(shí)長(zhǎng)、車隊(duì)平均速度以及車隊(duì)車輛數(shù))。將這些信息作為交通信號(hào)優(yōu)化輸入初始狀態(tài)數(shù)據(jù),以相序和綠燈分配時(shí)長(zhǎng)作為交通信號(hào)優(yōu)化控制變量進(jìn)行優(yōu)化。將所有車隊(duì)視為“作業(yè)”,優(yōu)化問(wèn)題轉(zhuǎn)化為作業(yè)調(diào)度問(wèn)題,因此建立以最小化交通延誤為目標(biāo)函數(shù)的優(yōu)化模型,如式(16)所示。
式中:J表示交叉口總延誤;dij為第i個(gè)進(jìn)道口第j個(gè)車隊(duì)的延誤;Ωi為第i個(gè)進(jìn)道口車隊(duì)集合;ttravel為實(shí)際旅行時(shí)間;Li/vmax為自由流下旅行時(shí)間。
約束條件如式(1)~式(15)所示。
在交通信號(hào)優(yōu)化的基礎(chǔ)上,形成一個(gè)周期的交通信號(hào)配時(shí)方案。車輛軌跡優(yōu)化控制問(wèn)題可等價(jià)為在固定最優(yōu)配時(shí)方案下最小化車輛燃油消耗的車輛軌跡控制問(wèn)題。
2.2.1 車輛動(dòng)力學(xué)模型
由文獻(xiàn)[15]可知,汽車的驅(qū)動(dòng)力Ft需要平衡的行駛阻力包括滾動(dòng)阻力Ff、空氣阻力Fw、坡度阻力Fi以及加速阻力Fj,因此汽車行駛方程表示為
式中:Ttq表示發(fā)動(dòng)機(jī)輸出的轉(zhuǎn)矩;ig和i0分別為變速器和主減速器的傳動(dòng)比;ηT表示傳動(dòng)系的機(jī)械效率;r表示車輪半徑;G表示車輛重力;f表示滾動(dòng)阻力系數(shù);CD表示空氣阻力系數(shù);A表示迎風(fēng)面積;ρ為空氣密度;v表示車速;δ表示汽車質(zhì)量換算系數(shù);m為汽車質(zhì)量。
2.2.2 車輛能耗模型
本文采用文獻(xiàn)[16]中所述的燃油消耗模型
式中α0、α1和α2為油耗模型系數(shù)。
根據(jù)汽車功率平衡方程式,可以得到輸出功率P(t):
2.2.3 車速最優(yōu)控制模型
由于跟馳車輛受到領(lǐng)航車輛約束,因此在保證交通通行延誤最小的情況下,調(diào)整領(lǐng)航車輛運(yùn)動(dòng)軌跡就可以實(shí)現(xiàn)整個(gè)車隊(duì)燃油經(jīng)濟(jì)性的提升。固定交通信號(hào)配時(shí)下的車輛軌跡優(yōu)化控制即轉(zhuǎn)化為最小化領(lǐng)航車輛燃油消耗的優(yōu)化問(wèn)題。建立以最小化領(lǐng)航車輛油耗為目標(biāo)函數(shù)的優(yōu)化模型:
約束條件為式(1)~式(12)、式(17)~式(20)。
2.3.1 基于遺傳算法的交通信號(hào)優(yōu)化問(wèn)題求解
遺傳算法是模擬生物基因遺傳的做法,對(duì)群體個(gè)體按照環(huán)境適應(yīng)度加以操作,實(shí)現(xiàn)優(yōu)勝劣汰的進(jìn)化過(guò)程,具有計(jì)算時(shí)間少、魯棒性高的特點(diǎn)。因此本文采用遺傳算法對(duì)交通信號(hào)優(yōu)化問(wèn)題進(jìn)行求解。設(shè)計(jì)優(yōu)化算法流程如圖8所示,步驟如下。
圖8 遺傳算法流程圖
(1)種群初始化。本文采用數(shù)字符號(hào)編碼方式,將優(yōu)化前交叉口所有車隊(duì)排列順序表示一條染色體,隊(duì)列個(gè)數(shù)n表示染色體長(zhǎng)度。
(2)適應(yīng)度函數(shù)計(jì)算。本文中選擇目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)度函數(shù)。
(3)選擇操作。選擇輪盤賭法完成選擇操作。記群體大小為s,其中個(gè)體i的適應(yīng)度為fi,則i被選擇的概率為
概率pi反映了個(gè)體i的適應(yīng)度在整個(gè)群體的個(gè)體適應(yīng)度總和中所占的比例。
(4)交叉操作。隨機(jī)選擇兩個(gè)個(gè)體,在對(duì)應(yīng)位置交換基因片段,同時(shí)保證每個(gè)個(gè)體依然是1-n的隨機(jī)排列,防止進(jìn)入局部收斂。
(5)變異操作。隨機(jī)選擇個(gè)體,同時(shí)隨機(jī)選取個(gè)體的兩個(gè)基因進(jìn)行變換以實(shí)現(xiàn)變異操作。
(6)終止條件判斷。如果滿足終止條件,輸出最優(yōu)個(gè)體,即下一周期優(yōu)化方案。
2.3.2 車輛軌跡優(yōu)化問(wèn)題求解
如2.1.1節(jié)所述,本文將領(lǐng)航車輛軌跡分成3段,因此式(21)可改寫成式(24),此時(shí)車輛軌跡優(yōu)化問(wèn)題轉(zhuǎn)化為包括5個(gè)變量的非線性優(yōu)化問(wèn)題。本文使用python最優(yōu)化算法SOPT庫(kù)進(jìn)行求解。
本文基于SUMO仿真軟件搭建如圖9所示的仿真環(huán)境,基本仿真參數(shù)如表3所示。
圖9 仿真場(chǎng)景
表3 基本仿真參數(shù)
3.2.1 測(cè)試方案設(shè)計(jì)
(1)控制方法有效性測(cè)試方案
本文采用文獻(xiàn)[17]中所述交通流量強(qiáng)度描述車流量大小,交通流量強(qiáng)度在0.6~2.0之間為不飽和狀態(tài),在3.0~4.0之間為過(guò)飽和狀態(tài),車流量隨交通流量強(qiáng)度增大而增大。為驗(yàn)證不同車流量及分布情況下提出的協(xié)同優(yōu)化控制方法的有效性,設(shè)計(jì)以下測(cè)試方案。
1)測(cè)試工況1——不同交通流量工況:交叉路口各方向車流量相等,分別在0.6、1.0、2.0、3.0和4.0 5種交通流量強(qiáng)度工況下開(kāi)展測(cè)試,以驗(yàn)證所提出方法在低交通流量到高交通流量的交通環(huán)境下的性能表現(xiàn)。
2)測(cè)試工況2——不均衡交通流量工況:將交叉路口支路劃分為干線與支線,以東西方向?yàn)楦删€,南北方向?yàn)橹Ь€。設(shè)置干線與支線交通流量比例為1∶1、1.2∶0.8、1.4∶0.6和1.6∶0.4 4種工況,在不同工況下驗(yàn)證所提出方法的性能表現(xiàn)。
本文選擇定時(shí)交通信號(hào)控制(fixed time control,F(xiàn)TC)、固定配時(shí)下的綠波車速引導(dǎo)(green light optimal speed advisory,GLOSA)和信號(hào)配時(shí)自適應(yīng)控制(adaptive green light control,AGLC)方法作為對(duì)比參照。其中FTC中的交通信號(hào)按紅燈33 s、綠燈30 s、黃燈3 s的方案運(yùn)行;對(duì)于GLOSA,網(wǎng)聯(lián)車輛獲取信號(hào)燈數(shù)據(jù),根據(jù)自身位置計(jì)算一個(gè)建議車速,并按照此車速行駛;AGLC根據(jù)采集車輛信息自適應(yīng)調(diào)整信號(hào)配時(shí)。
(2)控制方法敏感性測(cè)試方案
為進(jìn)一步分析本文提出的協(xié)同控制方法的敏感性,在不同最小綠燈時(shí)長(zhǎng)及不同V2X通信范圍條件下對(duì)本文提出的協(xié)同優(yōu)化控制方法穩(wěn)定性的影響進(jìn)行仿真測(cè)試。
1)測(cè)試工況1——最小綠燈時(shí)長(zhǎng)影響測(cè)試:將最小綠燈時(shí)長(zhǎng)設(shè)置為5、6、7和8 s,在交通流量強(qiáng)度為0.6和3.0兩種工況下,驗(yàn)證不同最小綠燈時(shí)長(zhǎng)對(duì)所提出方法的影響。
2)測(cè)試工況2——V2X通信范圍影響測(cè)試:將V2X通信范圍分別設(shè)置為500、800和1 000 m,在交通流量強(qiáng)度為0.6和3.0兩種工況下,驗(yàn)證不同V2X通信范圍對(duì)所提出方法的影響。
3.2.2 評(píng)價(jià)指標(biāo)選取
(1)平均旅行時(shí)間延誤(average travel time delay,ATTD):指一次仿真中,自車輛進(jìn)入仿真場(chǎng)景起,通過(guò)交叉口并駛出的所有車輛旅行時(shí)間延誤的平均值,其中,延誤是指車輛在通過(guò)交叉口時(shí)由于信號(hào)控制或交通擁堵等狀況導(dǎo)致的時(shí)間延誤。
(2)平均燃油消耗(average fuel consumption,AFC):指一次仿真中,由車輛進(jìn)入仿真場(chǎng)景起,通過(guò)交叉口并駛出的所有車輛的燃油消耗量的平均值。
3.3.1 不同交通流量下的測(cè)試結(jié)果與分析
均衡交通流量工況下的測(cè)試結(jié)果如圖10和圖11所示。由圖可知,在不同交通流量下,本文提出的協(xié)同控制方法的ATTD和AFC值均最低:在交通流量強(qiáng)度為0.6時(shí),較FTC方法,其ATTD和AFC分別下降約33%和6%;較GLOSA方法,其ATTD和AFC下降約25%和1.5%;較AGLC方法,其ATTD和AFC下降約8%和0.9%。在交通流量強(qiáng)度為4時(shí),較FTC方法,其ATTD和AFC分別下降約35%和11.8%;較GLOSA方法,其ATTD和AFC分別下降約20.3%和4%;較AGLC方法,其ATTD和AFC分別下降約34%和11.4%。因此可以認(rèn)為,在不同的交通流量場(chǎng)景下,本文提出的協(xié)同控制方法均可以有效提升交叉口通行效率和車輛燃油經(jīng)濟(jì)性,特別是在高交通流量下,其控制效果更顯著。
圖10 不同交通流量下的ATTD
圖11 不同交通流量下的AFC
3.3.2 不均衡交通流量下的測(cè)試結(jié)果與分析
不均衡交通流量下的測(cè)試結(jié)果如圖12和圖13所示。隨著干、支線道路交通流量比例差距增大,本文提出的協(xié)同控制方法優(yōu)勢(shì)愈加顯著,其ATTD和AFC較FTC方法分別下降約65%和24%;較GLOSA方法分別下降56%和21%;較AGLC方法分別下降46%和11%。測(cè)試結(jié)果表明,F(xiàn)TC和GLOSA方法難以適應(yīng)實(shí)際車輛到達(dá)情況,造成大量綠燈時(shí)間的浪費(fèi);而AGLC方法則缺少對(duì)車輛軌跡的優(yōu)化,優(yōu)化性能不佳;本文提出的協(xié)同控制方法依賴車輛到達(dá)信息的精細(xì)化感知,進(jìn)行精準(zhǔn)合理配時(shí)和行車軌跡調(diào)整,可實(shí)現(xiàn)交通效率和燃油經(jīng)濟(jì)性的顯著提升。
圖12 不均衡交通流量下的ATTD
圖13 不均衡交通流量下的AFC
由3.3節(jié)測(cè)試結(jié)果可知,在多種交通條件下,本文提出的協(xié)同控制方法可顯著提升交通效率和車輛燃油經(jīng)濟(jì)性,且在高密度、交通流量不均衡的交叉口環(huán)境下提升效果更加顯著,表明本文提出的協(xié)同控制方法是有效的。
3.4.1 最小綠燈時(shí)長(zhǎng)的影響分析
最小綠燈時(shí)長(zhǎng)的影響測(cè)試結(jié)果如圖14所示,隨著最小綠燈時(shí)長(zhǎng)的增大,ATTD和AFC減小幅度不斷變小,即協(xié)同控制方法的性能受到最小綠燈時(shí)長(zhǎng)的影響。最小綠燈時(shí)長(zhǎng)由5增大到8 s,且交通流量強(qiáng)度為0.6工況下,ATTD和AFC的減小幅度分別由29.87%和18.7%下降到18%和11.6%;交通流量強(qiáng)度為3.0工況下,ATTD和AFC的減小幅度分別由16.11%和13.5%下降到7.8%和7.9%。分析原因在于較小的最小綠燈時(shí)長(zhǎng)可避免由于交通流的波動(dòng)產(chǎn)生綠燈時(shí)長(zhǎng)浪費(fèi),有效提高交叉口通行效率??梢灶A(yù)見(jiàn),若最小綠燈時(shí)長(zhǎng)為0,即在一個(gè)周期內(nèi)僅有一個(gè)方向?yàn)榫G燈相位,另一相位跳過(guò),可能會(huì)大幅度提升交通效率與燃油經(jīng)濟(jì)性,但這種在某一行駛方向不分配通行權(quán)的策略,違背交通公平性原則,將造成少數(shù)車輛過(guò)長(zhǎng)時(shí)間等待,因此建議最小綠燈時(shí)長(zhǎng)設(shè)置為5 s。
圖14 最小綠燈時(shí)長(zhǎng)對(duì)方法影響結(jié)果
3.4.2 V2X通信范圍的影響分析
V2X通信距離的影響測(cè)試結(jié)果如圖15所示,隨著V2X通信距離的增加,ATTD和AFC減小幅度不斷增大,即提出方法性能受V2X通信距離的影響。交通流量強(qiáng)度為0.6工況下,提出的協(xié)同控制方法的ATTD和AFC減小幅度分別由9.8%和3.3%增加到18.7%和6.9%;交通流量強(qiáng)度為3.0工況下,ATTD和AFC的減小幅度分別由14%和6.7%增加到26.7%和14.7%。分析原因在于隨著V2X通信距離的增大,車輛將擁有更加充分的時(shí)間進(jìn)行軌跡調(diào)整,從而提高交叉口通行效率和燃油經(jīng)濟(jì)性。對(duì)于有效通信距離的設(shè)計(jì),不僅要考慮設(shè)備自身性能約束,還需考慮復(fù)雜交通環(huán)境的影響。但從圖15可以發(fā)現(xiàn),當(dāng)V2X通信距離由800增加至1 000 m時(shí),ATTD和AFC減小幅度不明顯,因此認(rèn)為設(shè)計(jì)V2X通信距離為800 m,可實(shí)現(xiàn)較優(yōu)的交通效率和燃油經(jīng)濟(jì)性協(xié)同控制。
圖15 通信距離對(duì)方法影響結(jié)果
為了提升交叉口通行效率與車輛燃油經(jīng)濟(jì)性,構(gòu)建了一種網(wǎng)聯(lián)信控交叉口協(xié)同控制應(yīng)用場(chǎng)景,并提出了一種分層解耦的網(wǎng)聯(lián)信控交叉口交通信號(hào)-車輛軌跡協(xié)同優(yōu)化控制方法,將交叉口協(xié)同控制問(wèn)題轉(zhuǎn)化為交通信號(hào)和網(wǎng)聯(lián)車輛行車軌跡的分層協(xié)調(diào)優(yōu)化。采用“作業(yè)調(diào)度”和遺傳算法對(duì)交通優(yōu)化問(wèn)題進(jìn)行求解;采用分段優(yōu)化方法實(shí)現(xiàn)車輛軌跡優(yōu)化簡(jiǎn)化處理?;赟UMO仿真平臺(tái)的測(cè)試結(jié)果顯示:本文提出的方法在均衡與不均衡的交通流量強(qiáng)度下,均可有效提升交通效率和車輛燃油經(jīng)濟(jì)性,且在高密度不均衡工況下對(duì)交通效率和燃油經(jīng)濟(jì)性提升更為顯著;在合理的范圍內(nèi),最小綠燈時(shí)長(zhǎng)越小,V2X通信范圍越大,協(xié)同控制方法的效果就越好。未來(lái)交通環(huán)境下,CAV與人工駕駛汽車混行將是一個(gè)長(zhǎng)期的過(guò)程。混合交通流下,人工駕駛汽車受駕駛員駕駛行為的影響,會(huì)對(duì)協(xié)同優(yōu)化的執(zhí)行結(jié)果產(chǎn)生影響,因此后期有必要開(kāi)展面向混合交通流的交叉口交通信號(hào)-車輛軌跡協(xié)同優(yōu)化方法的研究。此外在現(xiàn)實(shí)情況下,V2X通信并非理想化,丟包、時(shí)延等不可靠的通信可能造成交通信號(hào)與車輛執(zhí)行較期望規(guī)劃存在偏差,因此需要進(jìn)一步深入研究在不可靠通信環(huán)境下的網(wǎng)聯(lián)信控交叉口協(xié)同控制方法。