趙紅專　陳智振 代 靜

一種基于雙層模糊控制的匝道合流區(qū)協(xié)同控制方法

趙紅專陳智振 代 靜

（桂林電子科技大學(xué)，廣西 桂林 541000）

為了提高匝道合流區(qū)的交通通行效率，降低匝道合流區(qū)的車輛平均延誤，采用雙層模糊控制方法，對(duì)匝道合流區(qū)主線車輛和匝道車輛進(jìn)行協(xié)同控制。建立面向匝道合流區(qū)的換道決策模糊控制器，設(shè)計(jì)其輸入和輸出變量，并確定模糊規(guī)則。根據(jù)第一層雙模糊控制器決策結(jié)果，得到以車輛通行數(shù)優(yōu)先的和以平均延誤最低的換道決策率，并通過(guò)第二層模糊控制生成實(shí)際換道率，以車輛通過(guò)量和平均延誤為評(píng)價(jià)指標(biāo)，在相同條件下對(duì)無(wú)模糊控制，部分模糊控制以及完全模糊控制進(jìn)行仿真。結(jié)果表明，部分模糊控制及完全模糊控制相對(duì)于無(wú)模糊控制，平均延誤分別降低7.669 s和48.746 s。文章所提出的關(guān)于匝道合流區(qū)的模糊控制為匝道合流區(qū)協(xié)同控制提供了一種新的方式。

匝道控制；模糊控制；自動(dòng)駕駛；換道決策

引言

快速路的通行順暢是城市交通有序運(yùn)行的關(guān)鍵所在，對(duì)城市系統(tǒng)的高效運(yùn)轉(zhuǎn)和交通安全具有重要意義，而匝道合流區(qū)作為典型的瓶頸路段嚴(yán)重影響著快速路的通行效率。解決匝道合流區(qū)的通行問(wèn)題成為了一個(gè)急需解決的問(wèn)題。隨著科技的不斷發(fā)展，智能控制的出現(xiàn)給交通管理帶來(lái)了新的解決方案，模糊控制作為智能控制的一個(gè)重要部分，不依賴于被控對(duì)象的精確數(shù)學(xué)模型，能根據(jù)交通量的實(shí)時(shí)變化調(diào)節(jié)控制參數(shù)，能夠模擬人的思維，將客觀經(jīng)驗(yàn)轉(zhuǎn)化為控制語(yǔ)句，進(jìn)而實(shí)現(xiàn)對(duì)匝道合流區(qū)域的高效控制。

在匝道合流區(qū)域研究中，西方國(guó)家最早提出了交通管控技術(shù)且在不斷完善，并從傳統(tǒng)的匝道合流管控向結(jié)合智能控制的新匝道合流管控不斷過(guò)渡。在傳統(tǒng)匝道合流區(qū)控制研究中主要是通過(guò)基礎(chǔ)設(shè)施優(yōu)化設(shè)計(jì)[1-3]和匝道控制策略優(yōu)化[4,5]兩種方式來(lái)提升匝道合流區(qū)的通行效率。Chen等[6]以路網(wǎng)通行效率最大為控制目標(biāo)，平衡主線與匝道控制策略，提出一種主線與匝道車輛行程時(shí)間的均衡控制模型，實(shí)現(xiàn)路線行程時(shí)間和延誤時(shí)間減少。劉暢等[7]通過(guò)考慮能效與舒適性，構(gòu)建入口匝道的最優(yōu)車速控制問(wèn)題，結(jié)合先進(jìn)先出的合流次序，提出一種高速匝道入口多智能網(wǎng)聯(lián)車協(xié)同合流控制方法。Cao等[8]通過(guò)對(duì)合流區(qū)主線車輛和匝道車輛進(jìn)行最優(yōu)控制并結(jié)合模型預(yù)測(cè)控制的方法生成了智能網(wǎng)聯(lián)車輛的行駛軌跡。Rios Torres等[9,10]以車輛最小加速度為優(yōu)化目標(biāo)來(lái)解決匯入軌跡規(guī)劃問(wèn)題，采用古典法或二次控制法來(lái)獲取優(yōu)化控制時(shí)間等相應(yīng)變量，提出了一種高速公路智能網(wǎng)聯(lián)車輛的協(xié)同匯入控制策略。

已有研究將主線與匝道合流區(qū)劃分為換道區(qū)和合流區(qū)，提出主線和匝道的協(xié)同最優(yōu)控制策略，但是卻缺乏對(duì)實(shí)際道路條件的考慮，在換道決策時(shí)沒(méi)有將主線車輛換道納入控制策略，控制策略抗干擾性差，本文通過(guò)設(shè)置換道區(qū)間，在主線車輛進(jìn)入合流區(qū)前，提前完成換道，給匝道車輛匯入時(shí)提供合流空間，減少車輛延遲，并結(jié)合設(shè)置雙層模糊控制結(jié)構(gòu)，通過(guò)根據(jù)車輛到達(dá)量和車輛換道延誤率來(lái)分別進(jìn)行換道概率決策，再將兩個(gè)控制器的決策結(jié)果進(jìn)行擬合從而生成一個(gè)準(zhǔn)確的換道概率。仿真結(jié)果表明，在相同交通條件下，該方法能明顯提升車輛通過(guò)效率，減少車輛延誤。

2 匝道合流區(qū)場(chǎng)景和雙層模糊控制策略構(gòu)建

2.1 場(chǎng)景和行駛條件描述

如圖1所示，本文以主線有兩條車道分別為車道1和車道2，匝道車道為單車道的匝道合流區(qū)為例，主線車輛根據(jù)主線道路交通流量和匝道匯入車流量，在主干線引導(dǎo)區(qū)提前完成換道，換道只允許車道1車輛換道到車道2，在合流區(qū)內(nèi)不允許主線車輛換道，匝道車輛在匝道內(nèi)保持匝道限制速度行駛，在進(jìn)入合流區(qū)時(shí)根據(jù)主線車流量判斷換道或者停車等待。在主干線引導(dǎo)區(qū)和匝道匯入點(diǎn)以及合流區(qū)末端設(shè)置車輛檢測(cè)器，以檢測(cè)車輛是否到達(dá)或者離開(kāi)。

圖1 入口匝道合流區(qū)場(chǎng)景圖

2.2 入口匝道合流區(qū)模糊控制器結(jié)構(gòu)

模糊控制主要靠設(shè)置模糊控制器來(lái)實(shí)現(xiàn)，其主要包括模糊化、模糊推理和解模糊三個(gè)部分，通過(guò)制定的模糊規(guī)則將輸入變量進(jìn)行模糊推理，并輸出變量，最后通過(guò)解模糊得到具體的輸出變量。過(guò)程如圖2所示。

圖2 模糊控制器結(jié)構(gòu)圖

本文采用了雙層模糊控制的結(jié)構(gòu)，建立了以車輛到達(dá)率和車輛平均延誤為輸入變量，車輛換道率為決策目標(biāo)的多重決策的匝道合流區(qū)控制方法。首先，模糊控制器采用雙輸入單輸出的結(jié)構(gòu)。第一層模糊控制采用兩個(gè)模糊控制器，模糊控制器1和模糊控制器2，模糊控制器1的輸入變量分別為主路到達(dá)車輛數(shù)和匝道到達(dá)車輛數(shù)，輸出變量為以車輛通過(guò)數(shù)為優(yōu)先的換道概率；模糊控制器2輸入變量為主路采集間隔內(nèi)平均延誤和匝道采集間隔內(nèi)平均延誤，輸出變量為以車輛平均延誤為優(yōu)先的車輛換道率，完成該控制方法的第一層決策。第二層模糊控制，以第一層的模糊控制器中根據(jù)車輛到達(dá)數(shù)和車輛平均延誤進(jìn)行決策產(chǎn)生的換道率為輸入變量，進(jìn)行模糊推理生成實(shí)際換道概率。并通過(guò)實(shí)際換道概率，執(zhí)行換道信息發(fā)布，雙層模糊控制的結(jié)構(gòu)能夠提升換道決策的準(zhǔn)確性。雙層模糊控制器結(jié)構(gòu)如圖3所示。

圖3 雙層模糊控制結(jié)構(gòu)圖

2.2.1 入口匝道合流區(qū)控制變量模糊化

根據(jù)專家經(jīng)驗(yàn)對(duì)模糊論域及模糊子集進(jìn)行劃分：

主路到達(dá)車輛數(shù)、匝道到達(dá)車輛數(shù)（V1,V2）：

V1、V2的基本論域?yàn)閇0,30]，劃分為5個(gè)模糊子集，即{很小，小，中等，大，很大}，簡(jiǎn)記為{HX,X,Z,B,HB}。

以車輛通過(guò)數(shù)優(yōu)先的換道決策率（C）：

C的基本論域?yàn)閇0,1]，劃分為6個(gè)模糊子集，即{很小，小，中等，大，很大，非常大}，簡(jiǎn)記為{HX,X,M,B,HB,VB}。

主路采集間隔內(nèi)平均延誤及匝道采集間隔內(nèi)平均延誤（L1,L2）：

L1、L2的基本論域?yàn)閇0,300]，劃分為5個(gè)模糊子集，即{沒(méi)有，小，中等，大，很大}，簡(jiǎn)記為{N,S,Z,D,HD}。

以平均延誤最低的換道決策率（Y）：

Y的基本論域?yàn)閇0,1]，劃分為6個(gè)模糊子集，即{很小，小，中等，大，很大，非常大}，簡(jiǎn)記為{HX,X,M,B,HB,VB}。

以車輛通過(guò)數(shù)優(yōu)先的換道決策率及以平均延誤最低的換道決策率（T1,T2）：

T1、T2的基本論域?yàn)閇0,1]，劃分5個(gè)模糊子集，即{很小，小，中等，大，很大}，簡(jiǎn)記為{HR,R,M,Q,HQ}。

實(shí)際換道率（P）：

P的基本論域?yàn)閇0,1]，劃分為6個(gè)模糊子集，即{沒(méi)有，很小，小，中等，大，很大}，簡(jiǎn)記為{N,HX,X,Z,D,HD}。

2.2.2 入口匝道合流區(qū)隸屬度函數(shù)設(shè)置

本文根據(jù)專家經(jīng)驗(yàn)對(duì)隸屬度函數(shù)進(jìn)行設(shè)計(jì)。采取了三角形隸屬函數(shù)。隸屬函數(shù)值越接近1，其變量屬于該模糊集合的程度越強(qiáng)；反之，隸屬函數(shù)值越接近0，其變量屬于該模糊集合的程度越弱。輸入變量為主路到達(dá)車輛數(shù)（V1）及匝道到達(dá)車輛數(shù)（V2）、主路采集間隔內(nèi)平均延誤（L1）及匝道采集間隔內(nèi)平均延誤（L2）、以車輛通過(guò)數(shù)優(yōu)先的換道決策率（T1）及以平均延誤最低的換道決策率（T2），如圖4所示。輸出變量為以車輛通過(guò)數(shù)優(yōu)先的換道決策率（C）、以平均延誤最低的換道決策率（Y）、實(shí)際換道率（P），如圖5所示。

圖5 輸出變量隸屬度函數(shù)

2.2.3 入口匝道合流區(qū)控制模糊規(guī)則

模糊推理是模糊控制器的核心部分，類似于人的大腦，其表達(dá)方式為“IF…THEN…”的形式。本文采用“IF A and B THEN C”的形式設(shè)定模糊規(guī)則，以Mamdani方法進(jìn)行模糊推理。具體描述為當(dāng)主路到達(dá)車輛數(shù)（V）且匝道到達(dá)車輛數(shù)（V）很小時(shí)，以車輛通過(guò)數(shù)優(yōu)先的換道決策率（D）為?。╔）。具體模糊規(guī)則如表1、表2、表3所示。

表1 控制器1的模糊語(yǔ)言值

表2 控制器2的模糊語(yǔ)言值

表3 控制器3的模糊語(yǔ)言值

在MATLAB中輸入隸屬度函數(shù)得到的模糊規(guī)則圖如圖6所示。

2.2.4 入口匝道合流區(qū)控制變量解模糊

在實(shí)際過(guò)程中，往往需要輸出具體而精確的值才能實(shí)現(xiàn)控制，因此需要對(duì)車輛到達(dá)換道率，平均延誤換道率和實(shí)際輸出換道率進(jìn)行解模糊。

為了探究入口匝道合流區(qū)主線車輛換道決策率與入口匝道合流區(qū)車輛通過(guò)量和車輛延誤之間的關(guān)系。本文采用重心法在MATLAB自帶的Fuzzy工具箱得到模糊控制器的輸入輸出曲面，及相對(duì)應(yīng)的換道率的精確控制量。通過(guò)上述模糊控制規(guī)則，得到控制效果圖如圖7所示，(a)中以車輛到達(dá)數(shù)為優(yōu)先的換道決策率隨著快速路車輛到達(dá)數(shù)增加而減小，隨著匝道車輛到達(dá)數(shù)的增加而增加，因?yàn)橹骶€的車流量遠(yuǎn)大于匝道車流量，所以在主線車流量不多，而匝道車流量過(guò)多的情況下要及時(shí)采取提前變道的措施；(b)中以車輛平均延誤為優(yōu)先的換道決策率，隨著主線車流的平均延誤增大而減小，隨著匝道車流平均增大而增大，由于主線車輛優(yōu)先，所以主線車輛延誤較大時(shí)不宜采取換道措施；(c)中實(shí)際換道決策率隨著兩個(gè)決策換道率的增大而增大。

圖7 入口匝道合流區(qū)模糊控制三維關(guān)系圖

3 仿真分析

通過(guò)使用VISSIM仿真軟件分別對(duì)無(wú)自動(dòng)駕駛環(huán)境、滲透率為50%的自動(dòng)駕駛環(huán)境，純自動(dòng)駕駛環(huán)境的3種匝道合流區(qū)場(chǎng)景進(jìn)行控制仿真，3種場(chǎng)景的具體方案設(shè)計(jì)如下：

方案1：不采取任何控制。

方案2：采取本文所提出的雙層模糊控制方法，設(shè)置滲透率為50%的自動(dòng)駕駛環(huán)境，由于非自動(dòng)車輛無(wú)法實(shí)時(shí)接收信息，模糊控制只對(duì)自動(dòng)駕駛車輛有效。

方案3：設(shè)置滲透率為100%的自動(dòng)駕駛環(huán)境，即純自動(dòng)駕駛環(huán)境。

3.1 參數(shù)設(shè)置

采用設(shè)計(jì)參數(shù)的方式進(jìn)行仿真。為了實(shí)現(xiàn)本文所提入口匝道合流區(qū)控制方法，以濟(jì)南市某一快速路合流區(qū)為研究對(duì)象如圖8所示，通過(guò)實(shí)際場(chǎng)景條件和車輛行駛規(guī)范對(duì)仿真參數(shù)進(jìn)行了設(shè)計(jì)。主線路段為單向雙車道，入口匝道為單車道，在車輛換道點(diǎn)處設(shè)置了一個(gè)檢測(cè)器，在主線車輛匯入點(diǎn)和匝道車輛匯入點(diǎn)各設(shè)置了一個(gè)檢測(cè)器，檢測(cè)周期設(shè)置為30 s（檢測(cè)周期太短，可能會(huì)導(dǎo)致頻繁決策，會(huì)增大車輛行駛延誤，影響通行效率；檢測(cè)周期太長(zhǎng)，可能會(huì)導(dǎo)致決策不及時(shí)，錯(cuò)過(guò)最佳決策時(shí)間，造成匝道車輛停車等待次數(shù)增多，影響通行效率）。自動(dòng)駕駛車輛駕駛行為遵守IDM模型，非自動(dòng)駕駛車輛駕駛行為遵守widemann74模型，為了研究所提入口匝道合流區(qū)控制方法在不同交通需求條件下的控制效果，將總仿真時(shí)長(zhǎng)設(shè)置為10 800 s，步長(zhǎng)為1800 s（對(duì)應(yīng)一種交通需求，交通需求按交通量步長(zhǎng)遞增）。具體仿真參數(shù)如表4所示。

圖8 仿真路段圖

表4 參數(shù)設(shè)置表

3.2 實(shí)驗(yàn)結(jié)果分析

將三種方案仿真后得到數(shù)據(jù)如表5所示。

表5 仿真結(jié)果數(shù)據(jù)表

由表5可以看出當(dāng)采取部分模糊控制，匝道合流區(qū)的平均延誤時(shí)間從54.57 s減少到46.901 s，減少了7.669 s，平均停車次數(shù)減少0.576次，平均速度提升2.694 km/h，平均停車延誤減少1.595 s；當(dāng)采取完全模糊控制時(shí)，平均延誤減少48.746 s，平均停車次數(shù)減少3.293次，平均速度提升34.869 km/h，平均停車延誤減少8.243 s。結(jié)果表明，本文提出的基于雙層模糊控制的匝道合流區(qū)協(xié)同控制方法能夠有效地降低車輛延誤時(shí)間，減少停車次數(shù)，提高車輛通行速度，從而大幅提升匝道合流區(qū)道路通行能力。

4 結(jié)論

本文以匝道合流區(qū)為主要研究對(duì)象，并通過(guò)建立雙層模糊控制結(jié)構(gòu)，將第一層控制決策結(jié)果進(jìn)行擬合輸出更為精準(zhǔn)的第二層控制決策，使得決策結(jié)果更加精確，以車輛通過(guò)數(shù)以及平均延誤和停車次數(shù)為評(píng)價(jià)指標(biāo)進(jìn)行分析。為了驗(yàn)證其有效性，通過(guò)對(duì)無(wú)模糊控制場(chǎng)景、部分模糊控制場(chǎng)景、完全模糊控制場(chǎng)景進(jìn)行VISSIM仿真，仿真結(jié)果表明，在同等交通環(huán)境下，該模糊控制方法能夠有效提升匝道合流區(qū)通行效率。本文提出的基于雙層模糊控制的匝道合流區(qū)控制方法給匝道合流區(qū)協(xié)同控制提供了一種新的控制形式。

[1]SCARINCI R, HEYDECKER B. Control concepts for facilitating motorway on-ramp merging using intelligent vehicles[J]. Transport Reviews, 2014, 34(6): 775-797.

[2] LI Z, LI L. Computational method of acceleration lane length in expressway merging area[J]. Journal of Southeast University (Natural Science Edition), 2016, 4: 36.

[3] CI Y, WU L, LING X, et al. Operation reliability for on-ramp junction of urban freeway[J]. Journal of Central South University of Technology, 2011, 18(1): 266-270.

[4] PAPAGEORGIOU M, PAPAMICHAIL I. Overview of traffic signal operation policies for ramp metering[J]. Transportation Research Record, 2008, 2047(1): 28-36.

[5] CARLSON R C, PAPAMICHAIL I, PAPAGEORGIOU M, et al. Optimal motorway traffic flow control involving variable speed limits and ramp metering[J]. Transportation Science, 2010, 44(2): 238-253.

[6] CHEN X, LI T, MA Z, et al. Integrated mainline and ramp signal control for expressway on-ramp bottleneck with unequal lane-setting[J]. Journal of Intelligent Transportation Systems, 2021, 26(1): 100-115.

[7] 劉暢，莊偉超，殷國(guó)棟，等. 高速匝道入口多智能網(wǎng)聯(lián)車協(xié)同合流控制[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2020，50(5): 965-972.

[8] CAO W, MUKAI M, KAWABE T, et al. Cooperative vehicle path generation during merging using model predictive control with real-time optimization[J]. Control Engineering Practice, 2015, 34: 98-105.

[9] RIOS-TORRES J, MALIKOPOULOS A A. Automated and cooperative vehicle merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18(4): 780-789.

[10] RIOS-TORRES J, MALIKOPOULOS A A. A survey on the coordination of connected and automated vehicles at intersections and merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18(5): 1066-1077.

A Coordinated Control Method of Ramp Confluence Area Based on Two-Layer Fuzzy Control

In order to improve the traffic efficiency in the ramp confluence area and reduce the average delay of vehicles in the ramp confluence area, a two-layer fuzzy control method is used to control the main line vehicles and ramp vehicles in the ramp confluence area. A fuzzy controller for lane change decision-making in ramp merging area is established, its input and output variables are designed, and the fuzzy rules are determined. According to the decision-making results of the first layer of dual fuzzy controllers, the lane change decision rate with priority to the number of vehicles and the lowest average delay is obtained, and the actual lane change rate is generated through the second layer of fuzzy control. Taking the vehicle throughput and average delay as the evaluation indicators, the non-fuzzy control, partial fuzzy control and complete fuzzy control are simulated under the same conditions. The results show that the partial fuzzy control and the complete fuzzy control relative to non-fuzzy control, the average delay is reduced by 7.669s and 48.746s respectively. The proposed fuzzy control of ramp confluence area provides a new way for the collaborative control of ramp confluence area.

ramp control; fuzzy control; automated driving; lane change decision

U491

A

1008-1151(2022)12-0009-05

2022-09-19

基于NB-IOT環(huán)境下智慧泊車誘導(dǎo)系統(tǒng)關(guān)鍵技術(shù)研究（2362022YCXS228）；柳州市重大專項(xiàng)（2021CAA0101）。

趙紅專（1985－），男，廣西桂林人，桂林電子科技大學(xué)建筑與交通工程學(xué)院副教授，研究方向?yàn)橹悄芙煌ㄏ到y(tǒng)、智能網(wǎng)聯(lián)技術(shù)等領(lǐng)域。