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）

前言

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。

1 網(wǎng)聯(lián)信控交叉口協(xié)同控制應(yīng)用場(chǎng)景

1.1 網(wǎng)聯(lián)信控交叉口場(chǎng)景設(shè)計(jì)

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

1.2 假設(shè)條件

（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。

2 交通信號(hào)-車輛軌跡協(xié)同控制模型

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 基于V2I的交通信號(hào)優(yōu)化控制

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。

2.2 車輛軌跡優(yōu)化控制

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 交通信號(hào)-車輛協(xié)同優(yōu)化問(wèn)題求解

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。

3 仿真測(cè)試與結(jié)果分析

3.1 仿真環(huán)境構(gòu)建與參數(shù)配置

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 測(cè)試方案設(shè)計(jì)及評(píng)價(jià)指標(biāo)選取

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 控制方法有效性測(cè)試結(jié)果與分析

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 控制方法敏感性測(cè)試結(jié)果與分析

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

4 結(jié)論

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。