龔 勇 張海民

(1.宣城職業(yè)技術(shù)學(xué)院 信息工程系，安徽 宣城 242000；2.安徽信息工程學(xué)院 計(jì)算機(jī)與軟件工程學(xué)院，安徽 蕪湖 241000)

隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，其為交通運(yùn)輸方面也帶來(lái)了巨大改變，實(shí)現(xiàn)了通過(guò)對(duì)行駛路段周圍環(huán)境信息進(jìn)行獲取，進(jìn)而完成對(duì)車輛的控制，更加全面順應(yīng)車流控制過(guò)程中車輛的行駛速度、車輛間距等車流特性[1]，提高駕駛的安全性和舒適性。目前，關(guān)于車路協(xié)同智能車流控制可分為目標(biāo)車道前后車加減速協(xié)同和多車道多車換道協(xié)同兩類，其中后者即為在多車道多車情景下多車同時(shí)換道的協(xié)同行為。

對(duì)于車路協(xié)同智能車流控制已有部分學(xué)者做了相關(guān)研究，其中，韓直[2]等人為提升車輛通行效率，以預(yù)測(cè)型誘導(dǎo)策略為基礎(chǔ)，以排隊(duì)長(zhǎng)度作為交通誘導(dǎo)的約束條件，利用小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通量預(yù)測(cè)預(yù)知路段堵死事件發(fā)生路段，建立廣域誘導(dǎo)模型；引入基于路徑尺度的Logit路徑選擇模型作為誘導(dǎo)路徑選擇方法，通過(guò)流量迭代分配方法實(shí)現(xiàn)路網(wǎng)負(fù)載均衡。通過(guò)實(shí)例驗(yàn)證，該誘導(dǎo)方法能有效地緩解道路交通擁堵，提高路網(wǎng)通行效率；岳昊[3]等人為克服利用傳統(tǒng)靜態(tài)交通流分配模型分析擁堵道路網(wǎng)絡(luò)交通流分配問(wèn)題的不足，提出交通擁堵狀態(tài)下靜態(tài)擁堵交通流均衡分配模型。提出道路網(wǎng)靜態(tài)擁堵交通流分配的用戶均衡與系統(tǒng)最優(yōu)原理，并構(gòu)建道路網(wǎng)靜態(tài)擁堵交通流用戶均衡與系統(tǒng)最優(yōu)分配模型，求解用戶均衡模型的迭代加權(quán)求解算法。結(jié)果表明擁堵用戶均衡分配模型與擁堵系統(tǒng)最優(yōu)分配模型可以合理描述擁堵用戶均衡原理與系統(tǒng)最優(yōu)均衡原理，且擁堵用戶均衡分配模型可以合理描述路網(wǎng)處于全擁堵狀態(tài)下各路段實(shí)際通過(guò)流量。

基于此，本文提出一種基于滾動(dòng)優(yōu)化策略的車路協(xié)同智能車流控制方法。在對(duì)車路協(xié)同條件下車流特性分析的基礎(chǔ)上，分別從車路控制過(guò)程中的稀疏縱向間距階段和換道階段進(jìn)行研究，并根據(jù)不同時(shí)刻的最佳參數(shù)變化情況，對(duì)控制模型進(jìn)行滾動(dòng)優(yōu)化，完成對(duì)模型控制性能的不斷更新，并通過(guò)仿真實(shí)驗(yàn)對(duì)所提方法進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，在對(duì)同向雙車道進(jìn)行車流控制過(guò)程中具有較高的平緩性及安全性，對(duì)于車流控制研究具有一定的參考價(jià)值。

1 車路協(xié)同條件下的車流特性分析

車路協(xié)同實(shí)現(xiàn)了車-車、車-路之間的實(shí)時(shí)數(shù)據(jù)交換，這也成為正確及時(shí)調(diào)整駕駛行為的主要依據(jù)?；诖吮疚氖紫葘?duì)車路協(xié)同整體結(jié)構(gòu)與功能進(jìn)行了研究，總結(jié)了其在數(shù)據(jù)采集方式上存在的特點(diǎn)，并對(duì)車流中關(guān)鍵微觀參數(shù)進(jìn)行分析，研究車路協(xié)同條件下車流三要素之間的關(guān)系。

1.1 車路協(xié)同結(jié)構(gòu)

車路協(xié)同(CVIS)主要是通過(guò)將車流的各個(gè)組成部分，也就是駕駛?cè)?、車輛、路況、行駛環(huán)境這四方面因素，通過(guò)現(xiàn)代通訊技術(shù)進(jìn)行感知，利用互聯(lián)網(wǎng)等技術(shù)完成對(duì)采集到的信息進(jìn)行交互，以此實(shí)現(xiàn)車流大環(huán)境的整體協(xié)調(diào)與聯(lián)動(dòng)[4]。

在車路協(xié)同系統(tǒng)中，其各組成單元包括車載單元、路側(cè)單元、中心服務(wù)器、視屏監(jiān)控系統(tǒng)、信號(hào)控制系統(tǒng)，主要是通過(guò)4G網(wǎng)絡(luò)進(jìn)行連接。路側(cè)單元(RUS，Road Side Unit)主要負(fù)責(zé)對(duì)車路協(xié)同系統(tǒng)的自身狀態(tài)進(jìn)行檢測(cè)，同時(shí)感知行駛車輛周圍的環(huán)境信息，包括周圍行駛車輛的信息、道路特性信息、行駛路面異常事件信息等；車載單元(OUS，On Board Unit)主要負(fù)責(zé)對(duì)自身駕駛車輛狀態(tài)信息進(jìn)行獲取，同時(shí)感知車輛周圍其他障礙物的信息采集，包括車輛、固定障礙物、行人等，并根據(jù)感知到的數(shù)據(jù)結(jié)果進(jìn)行車輛安全預(yù)警，通過(guò)車載界面為駕駛員提供車載控制參考，為駕駛員操作提供判斷依據(jù)；中心服務(wù)器主要負(fù)責(zé)整個(gè)系統(tǒng)的控制，包括信息通訊、環(huán)境監(jiān)控等。

1.2 車流數(shù)據(jù)采集環(huán)境

車路協(xié)同環(huán)境下，由于獲取信息的方式為動(dòng)靜結(jié)合，信息采集范圍更廣，不僅可以獲取自身車輛狀態(tài)數(shù)據(jù)，還可以對(duì)周圍環(huán)境等信息進(jìn)行感知[5]，車路協(xié)同對(duì)于車流數(shù)據(jù)的采集具有以下特點(diǎn)：

(1)連續(xù)：每輛車在其存在過(guò)程中都會(huì)在時(shí)間和空間上形成連續(xù)的“運(yùn)行軌跡”。

(2)多維：對(duì)于數(shù)據(jù)的采集不再局限于“停止”或者“運(yùn)動(dòng)”狀態(tài)的判斷，可以通過(guò)路側(cè)單元實(shí)時(shí)獲得周圍車輛在t時(shí)刻的完整信息，包括所在位置、運(yùn)行速度、加減速、出發(fā)地與目的地等。

(3)全覆蓋：全樣本量、全路程、全時(shí)間。

(4)多樣：獲取的信息包含交通信號(hào)配時(shí)、行駛道路實(shí)時(shí)路況，以及其他環(huán)境信息。

基于車路協(xié)同的這種信息采集特點(diǎn)，極大地提高了信息的高效性，使車流信息更具可靠性，為智能車流控制提供基礎(chǔ)。

1.3 車流基本參數(shù)關(guān)系分析

在車流數(shù)據(jù)中主要包含3個(gè)基本參數(shù)，即流量Q，速度V，密度α。其基本關(guān)系可以表示為Q=αV，但需要注意的是，作為實(shí)際道路的車流數(shù)據(jù)，Q、V、α都是存在極值的，也就是道路所能承載的最大容量，因此，本文在此基礎(chǔ)上對(duì)三者關(guān)系進(jìn)行如下分析。

首先，對(duì)速度-密度的關(guān)系進(jìn)行分析。格林希爾茲(B.D.Greenshields)在1955年提出速度、密度的關(guān)系，并且說(shuō)明了其之間存在著線性關(guān)系，表達(dá)式如式(1)所示：

在確定速度-密度關(guān)系之后，就可以通過(guò)車流三要素的基本關(guān)系Q=αV對(duì)速度-流量關(guān)系進(jìn)行分析。通過(guò)推導(dǎo)，不難得出速度-流量關(guān)系，如式(2)所示：

從式(2)中可以看出，在Q達(dá)到道路承載極限，也就是Qmax之前，V是隨著車流密度增大而減小，而與之相反，流量隨著密度增大而增加；當(dāng)Q=Qmax后，速度和流量都會(huì)出現(xiàn)隨著密度的增大而下降的現(xiàn)象。

在上述基礎(chǔ)上，推導(dǎo)出流量-密度關(guān)系，如式(3)所示

從式(3)中可以看出，在Q達(dá)到道路承載極限之前，車流密度與流量成正比，密度越大流量越大，而當(dāng)Q達(dá)到道路承載極限后，密度與流量成反比，密度越大流量越小。

2 基于滾動(dòng)優(yōu)化策略的車路協(xié)同智能車流控制

在分析車路協(xié)同特點(diǎn)以及道路三要素基本關(guān)系的基礎(chǔ)上，為實(shí)現(xiàn)安全、高效的車路協(xié)同智能車流控制，本文建立了多目標(biāo)協(xié)調(diào)控制模型，并引入滾動(dòng)優(yōu)化策略，為模型進(jìn)行優(yōu)化。首先將車流控制過(guò)程分為稀疏縱向間距階段和換道階段。在稀疏縱向間距階段使車流具有足夠稀疏空間；換道階段有了足以實(shí)現(xiàn)車流控制的安全距離，可以降低對(duì)避免沖突的約束要求，降低計(jì)算難度。同時(shí)對(duì)車流控制過(guò)程中存在的局部極值問(wèn)題進(jìn)行分析，引入了滾動(dòng)優(yōu)化策略[6]，解決該問(wèn)題。

基于滾動(dòng)優(yōu)化策略的車路協(xié)同智能車流控制系統(tǒng)架構(gòu)如圖1所示。首先通過(guò)對(duì)車輛運(yùn)行狀態(tài)和周圍環(huán)境進(jìn)行實(shí)時(shí)數(shù)據(jù)采集，根據(jù)數(shù)據(jù)分析結(jié)果制定車流控制參數(shù)[7]，在車輛控制過(guò)程中，通過(guò)隨控制效果的實(shí)時(shí)反饋結(jié)果，調(diào)節(jié)油門開度、制動(dòng)壓力和轉(zhuǎn)向盤轉(zhuǎn)角，實(shí)現(xiàn)安全、高效的智能車流控制。

圖1 車路協(xié)同智能車流控制系統(tǒng)架構(gòu)

2.1 稀疏縱向間距階段

在得到車路協(xié)同條件下采集的路況信息基礎(chǔ)上，首先對(duì)是否需要進(jìn)行換道處理進(jìn)行判斷，當(dāng)判斷結(jié)果為需要換道時(shí)，則進(jìn)行以下車路協(xié)同智能車流控制流程。

在換道開始前，首先要對(duì)換道車輛與前后車之間的縱向間距進(jìn)行調(diào)整，確保其之間存在足夠的安全距離進(jìn)行其他車輛控制處理。在這里假設(shè)每輛車都是完全對(duì)稱的矩形，且僅當(dāng)車輛的4個(gè)拐角都不與障礙物發(fā)生碰撞時(shí)，才允許進(jìn)行換道，如圖2所示。

圖2 車輛運(yùn)動(dòng)學(xué)示意圖

根據(jù)已有的對(duì)于任意放置的不同矩形間避免碰觸的條件，建立將車流控制過(guò)程中車輛約束公式

式中：SΔ為三角區(qū)域面積；SX為矩形區(qū)域面積；P∈{Aj，Bj，Cj，Dj}，j=1，2，…。

并對(duì)自身車輛SV、換道前車道的前車LV和換道后車道的前車ALV，以及換道后車道的后車AFV分別進(jìn)行加速度分析，將判斷誤差最小化，保證在車輛縱向駕駛過(guò)程中車內(nèi)人員的舒適性，該階段目標(biāo)函數(shù)可以表示為：

式中：N為對(duì)周圍環(huán)境動(dòng)態(tài)因素的預(yù)測(cè)時(shí)間范圍；為車輛的狀態(tài)參數(shù)；為對(duì)應(yīng)參數(shù)的權(quán)重因子；amin、amax分別為控制車輛內(nèi)乘車人員可接受加速度極值；aSV=aSV(t+i+1|t)-aSV(t+i|t)則為車輛換道過(guò)程中加速度的變化率；根據(jù)不同時(shí)刻的可接受的最小、最大舒適加速度數(shù)據(jù)變化，對(duì)車流已有數(shù)據(jù)進(jìn)行更新，基于此完成車流控制參數(shù)的滾動(dòng)優(yōu)化，根據(jù)優(yōu)化結(jié)果為下一次的車流控制提供參考；aT為駕駛員可接受的最大舒適縱向加速度變化率。

2.2 換道階段

第2階段由稀疏隊(duì)形開始，因?yàn)樵诘?階段已經(jīng)對(duì)碰撞因素進(jìn)行約束，因此，在該階段不必再單獨(dú)考慮碰撞因素，實(shí)現(xiàn)了減小模型求解難度的目的。

首先分別對(duì)駕駛車輛與周圍車輛的加速度、車輛間距進(jìn)行分析，并通過(guò)約束加速度的取值范圍對(duì)車輛換道模型進(jìn)行約束，優(yōu)化控制結(jié)果，其目標(biāo)函數(shù)可以表示為

式中：T為換道過(guò)程中橫向移動(dòng)所需時(shí)間；Lh為換道寬度，即換道過(guò)程中的總橫向位移。根據(jù)換道過(guò)程中橫向位移的變化如式(10)所示

當(dāng)橫向位移與車道寬度Lh相等時(shí)，即視為完成換道?；跐L動(dòng)優(yōu)化策略的車路協(xié)同智能車流控制系統(tǒng)工作流程如圖3所示。

圖3 基于滾動(dòng)優(yōu)化策略的車路協(xié)同智能車流控制系統(tǒng)流程圖

首先獲取車輛狀態(tài)參數(shù)和道路信息參數(shù)，分析換道行為對(duì)車流狀況是否存在車流優(yōu)化效果；當(dāng)存在換道的必要時(shí)，建立對(duì)應(yīng)的多目標(biāo)協(xié)調(diào)優(yōu)化車路協(xié)同智能車流控制模型；根據(jù)換道過(guò)程中獲取的不同時(shí)刻各協(xié)作車輛的可接受的舒適車流控制參數(shù)極值，對(duì)控制參數(shù)進(jìn)行滾動(dòng)優(yōu)化，對(duì)模型進(jìn)行更新，通過(guò)輸入期望控制參數(shù)，完成基于滾動(dòng)優(yōu)化策略的車路協(xié)同智能車流控制。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)參數(shù)及設(shè)置

為對(duì)所提方法的性能進(jìn)行測(cè)試，本文選用Matlab/Simulink進(jìn)行仿真實(shí)驗(yàn)，用CarSim作為車輛動(dòng)力學(xué)仿真軟件，搭建了多車協(xié)同駕駛Simulink-CarSim聯(lián)合仿真平臺(tái)。設(shè)計(jì)實(shí)驗(yàn)路段長(zhǎng)度為1 000m，Lh車道寬度為3.6米，權(quán)重因子εσ為0.15，權(quán)重因子εy為0.2，amin和amax分別為-4m/s2和4m/s2。為對(duì)比所提方法在車流控制方面的有效性，分別采用文獻(xiàn)[2]方法和文獻(xiàn)[3]方法對(duì)比組進(jìn)行實(shí)驗(yàn)。

假設(shè)道路上有四輛網(wǎng)聯(lián)式駕駛車輛行駛在2條車道線內(nèi)，每條車道2輛，分別采用本文所提方法，以及文獻(xiàn)[2]和文獻(xiàn)[3]方法將四輛自主駕駛車輛匯聚成一維編隊(duì)。

3.2 仿真實(shí)驗(yàn)對(duì)比

在控制過(guò)程中，不同方法控制下車輛的速度與車輛間距分別如圖4、圖5所示。

圖4 車流速度-時(shí)間曲線

圖5 車流距離-時(shí)間曲線

從圖4可以看出，在進(jìn)行車輛換道控制過(guò)程中，采用本文方法控制時(shí)，車輛的速度變化在整個(gè)過(guò)程中未出現(xiàn)加速度絕對(duì)值大于極值加速度的情況，且在完成換道后，車輛速度逐漸回歸至初始速度，而文獻(xiàn)[2]、文獻(xiàn)[3]方法均出現(xiàn)不同程度的速度激增和驟降情況，對(duì)于安全性和舒適性均造成一定程度的負(fù)面影響。本文方法因?yàn)樵趯?duì)車流進(jìn)行控制的過(guò)程中，根據(jù)采集到的數(shù)據(jù)對(duì)控制輸入進(jìn)行滾動(dòng)優(yōu)化，提高了控制效果。

從圖5可以看出，在初始階段未進(jìn)行換道之前，車間距穩(wěn)定在15m，換道后車輛間距逐漸加大，本文方法在換道過(guò)程中車間距未出現(xiàn)較大波動(dòng)，而文獻(xiàn)[2]、文獻(xiàn)[3]方法相對(duì)變化較大，這主要是因?yàn)楸疚姆椒▽?duì)實(shí)現(xiàn)換道過(guò)程中的速度穩(wěn)定性控制，在相對(duì)穩(wěn)定的運(yùn)行狀態(tài)下，未造成大幅度的車輛間距變化。仿真過(guò)程中，障礙車輛在車輛行駛100m時(shí)出現(xiàn)，控制車輛方向盤轉(zhuǎn)角如圖6所示。從圖6可以看出，在整個(gè)車流控制過(guò)程中沒有因?yàn)榭刂颇繕?biāo)的變化造成方向盤急打，保障了駕駛舒適性，且本文所提控制方法下，變道軌跡規(guī)劃逐漸平緩，軌跡誤差最終收斂，這一特性可以保證車流運(yùn)行軌跡逐漸最優(yōu)，提升了車流控制過(guò)程中避障策略的平順性。

圖6 控制車輛方向盤轉(zhuǎn)角曲線

4 結(jié)論

本文基于車路協(xié)同系統(tǒng)所具備的全面實(shí)時(shí)的路況信息采集性能，分析了車流控制過(guò)程中自身及周圍車輛的數(shù)據(jù)信息，提出基于滾動(dòng)優(yōu)化策略的車路協(xié)同智能車流控制方法，將整個(gè)換道過(guò)程劃分為稀疏縱向距離階段和換道階段兩個(gè)部分，并引入滾動(dòng)優(yōu)化策略對(duì)控制過(guò)程中的輸入?yún)?shù)進(jìn)行更新，減小了優(yōu)化控制模型的求解難度，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。但受時(shí)間和條件限制，研究尚存不足，在之后的研究中，可以引入多車道車流控制實(shí)驗(yàn)，同時(shí)條件允許情況下進(jìn)行實(shí)際實(shí)驗(yàn)，驗(yàn)證其他環(huán)境因素對(duì)控制方法是否存在影響。