关键词:智能交通;车速规划;多信号灯路口
引言
车速规划问题的本质是最优控制,多信号灯路口的时空约束增加了优化问题描述的复杂度,使得前人的研究难以兼顾计算成本和求解的最优性。本研究提出了一种分层优化方法,以实现智能车辆通过多信号灯交叉口的节能速度规划。上层负责提供初始解和缩小问题约束范围,通过随机撒点方式,基于车辆油耗模型构建加权有向无环图,选取最佳绿灯通行区间,并采用三次样条插值模型对无环图最优解进行轨迹平滑;下层将车速规划最优控制问题转化为非线性优化问题,利用上层平滑后的轨迹作为初始迭代值进行内点法优化,进一步提高收敛速度
1、交通冲突区域
据统计6.5%的交通事故发生在市区的街道上,大多数情况下甚至是其他公路的5至6倍。为此,道路交叉口车辆之间的协作交通已成为智能交通领域优先处理和研究的问题,对于降低事故率和提高通行速度至关重要。近年来,国内外智能交通专家引入了基于大数据、块状链、传感器等技术环境的智能交通系统,为解决城市道路交通问题奠定了理论基础。随着智能交通系统的发展,道路/汽车技术也得到了改善,车辆之间数据通信的准确性也大大提高。短期通信技术:确保车辆碰撞、安全驾驶和接入效率。智能网络化车辆的出现缓解了城市道路交通问题,为城市道路交通发展开辟了新的途径。基于云计算、人工智能和传感器控制等技术的智能网络化车辆可在网络化环境中实现高效、安全和准确的自动驾驶。因此,考虑城市道路、十字路口、车辆和交通工具,是车辆智能、网络化的未来。
2、分布式车辆控制策略
对于分散的高级学习练习,每辆车都自动收集数据,作为智能车所有智能系统都将收集到的数据收集到经验缓冲区中,以获得最终的策略。因为智能体只需要局部状态信息来做出决策,所以所有智能体都会同时做出决策。因此,这一战略被称为分布式行车策略。本节介绍如何将分布式高级学习算法应用于道路交通控制场合中。并阐述了算法的具体定义和网络结构。对于高级学习算法的3个元素,即。已定义状态区域、操作区域和奖励功能。在任何时候,智能体都会通过观察来捕获环境的状态,并将该状态用作其策略网络的输入。然后,它会根据其当前策略执行操作,然后移动到下一个状态并向Smart Slice返回元组。元组作为示例存储在经验缓冲区中。收集足够的样本后,将它们传递给优化程序以计算新策略。
3、车辆通过红绿信号灯路口预判系统的组成与原理
3.1车速采集模块
带着一个地磁线圈。为了对到达十字路口的车辆提供有效的预警,必须在路口停车线之前检查车辆速度到路口停车线之前一定距离。接地分析由车辆探测器、圆形线圈、MCU等组成。对每条车道的两个车辆探测器中的频率不断进行监测,以确定车辆是否通过。MCU根据时间和两个线圈之间的固定距离计算转速,并及时将转速传输到控制模块。MCU选择arm STM 32 f103芯片,并通过CAN总线将转速数据发送到控制模块。地圈测量是我国目前广泛应用的速度检测方法。该系统通过选择一个可选的接地导体前端采集单元作为自动传感模块,改进了整个系统的可重复复制性。由于交叉口附近的车辆不允许改道,且各车道的线圈独立运行,因此车辆提取模块的工作原理是稳定的。
3.2控制模块
C51单片机是控制核心,51单片机设计用于实现简单功能的控制模块。单台计算机实时通过ZigBee接收当前绿灯的剩余秒数T2。当道路车辆进入正弦波探测范围时,速度数据传输到单个模块进行计算,计算后,假设车辆以当前速度继续行驶在交点处,时间T1,以进一步确定T1是否小于T2。如果发生小于这种情况,模块将随工作一起启动。否则,它不会响应。各车道的控制模块、执行模块和控制模块相互独立工作,简化控制算法,提高整个系统的稳定性。控制模块的程序设计包括:主编程、过程设计、延迟编程、中断编程和图形设计。
3.3电源管理模块
电源管理模块包括太阳能电池、带有速度模块的工作电源、电源指示灯、单个电路和外围设备电路。线内模块由太阳能光伏电池供电,这是一个特殊的充电电路。除其他外,这提供了清洁电源等优点,并存在不合格的危险。转速模块通过变压器将直流转变为交流电源,驱动环形线圈;控制单元板工作电压较低,通常为5V。
3.4仿真结果对比分析
由距离-时间图可知,未配备车速规划功能的M-IDM算法轨迹波动较大,且出现在红灯相位怠速的情况,不利于油耗的降低。且由车速-距离图可知,M-IDM急剧的车速变化不仅增加了车辆的能耗消耗同时降低乘坐舒适性。
M-IDM计算时间最快,但油耗高于DP和本文提出的方法25%左右。DPM算法实现了节能最优,但计算时间成本较高,计算时间接近1h。值得注意的是,DPM比本文方法耗费更多的能耗,因为dpm-functon函数中的运行成本函数采用网格点之间的线性插值计算,如果网格数够多将会计算出更好的结果,但与此同时也会耗费更多的计算时间。与M-IDM相比,所提算法节省了25%的能耗。同时,本文算法计算效率有所提升,DPM的计算时间是所提算法的近270倍。综上所述,本文算法较好的平衡了计算时间与能耗之间的关系,同时保持了最优性和高效性。
3.5参数化函数构建
根据冲击波理论,信号灯路口的排队长度由上游路段的车流状态和信号灯的红灯时长决定。LWR模型描述了稳态车流的车流量、车速、车流密度之间的关系。应用LWR模型和冲击波理论计算排队长度时,需将路段划分为路段微元,以保证每个路段微元内部的车流状态稳定。这种方法需要获取各个路段微元的车流状态,对道路的智能化水平要求较高。根据通用近似定理,神经网络可以对任意的函数关系进行拟合。相比于反向传播神经网络,径向基神经网络具有更好的泛化性能,且具备全局逼近能力,是一种性能优越的前馈神经网络。文中采用径向基神经网络函数,对路口排队长度和路口上游车流量、车速、红灯时长之间的函数关系进行拟合.获得不稳定车流情况下,路口排队长度的计算函数式。具体步骤为:首先,构建用于路口排队长度估计的径向基神经网络。径向基神经网络是一种具有“局部映射”特性的前馈网络,由输入层、隐含层和输出层构成。
结束语
本研究采用分层优化的方法实现智能车辆通过多信号灯交叉口的速度规划,该方法满足节能性要求。针对长距离交通场景的应用需求,基于车辆参数信息、信息分别搭建车辆油耗模型及信号灯模型。利用上层得到的解作为内点法优化的初始迭代值,将上层所选区间作为优化问题的约束条件,节省了计算时间。
参考文献:
[1]胡林,钟元兴,黄晶,等.考虑信号交叉口延时的最优车辆路径规划算法[J].汽车工程,2018,40(10):103-109,133.
[2]安实,姚焓东,姜慧夫,等.信号交叉口绿色驾驶车速控制方法[J].交通运输系统工程与信息,2015,15(5):53-59.
[3]孟竹,邱志军.节能导向的信号交叉口生态驾驶策略研究[J].交通信息与安全,2018,36(2):76-84,92.
[4]博,郭戈,王丽媛,等.基于信号灯状态的燃油最优车速规划与控制[J].自动化学报,2018,44(3):461-470.
[5]甄晓阳.国内智能网联汽车概况及发展建议[J].汽车工程,2018,260(12):14-17.