基于分层架构的智能网联编队-信号联动耦合控制与优化方法

摘要

为克服现有交通控制方法在处理智能网联车辆（intelligent connected vehicles,ICV）与人工驾驶车辆（human-driven vehicles,HDV）混合流时，难以有效协同车辆编队控制与信号配优的局限，研究了1种“车辆-信号”分层协同控制架构，旨在通过下层ICV跟驰控制与上层信号优化的动态联动，实现道路时空资源的一体化高效分配。在下层控制中，为提升编队行驶的稳定性与鲁棒性，对经典智能驾驶人模型（intelligent driver model,IDM）进行了队列式改进，构建了改进的队列式智能驾驶人模型（platoon IDM, PIDM）。引入了1种多前车状态反馈机制，即跟随车的加速度不仅取决于其前车（immediate predecessor）的状态，同时融合了领头车（leader）的速度与间距信息作为前馈补偿项。该机制通过1个可调权重系数k予以实现，有效抑制了由波传播效应引发的编队串扰震荡。通过李雅普诺夫稳定性理论，严格证明了即使在单车发生短时加速/减速故障而偏离平衡状态时，该反馈机制也能确保整个车队系统渐近恢复至稳定行驶平衡点。在上层控制中，设计了1种与下层编队状态动态耦合的信号优化策略。该策略实现了“ICV专用相位”与弹性绿波协调算法的结合：(1)为ICV车队提供专属通行时间窗；(2)基于PIDM实时输出的编队平均速度与到达时间预测，动态调整相序与相位差，生成1条穿越多个路口的不停车“绿波带”，从而最小化ICV车队及后续HDV的停车延误。仿真实验表明：本文的PIDM控制模型可在ICV车队发生短时加速或减速故障并使车队运行状态偏离稳定状态时，使其逐渐恢复至原来的平衡状态。当反馈权重系数k的取值范围为[0.075,0.125]时，PIDM具有较好的控制效果；当响应延误时间T为0 s时，PIDM可以获得理想的控制效果。随着车队模型中响应延误时间T的增加，系统控制量的振幅与频率均增大，但依然能够维持车队系统的稳定运行。此外，在ICV渗透率80%的场景下，协同控制方案较无专用相位方案提升交叉口总通行能力14.16%,ICV专用道容量提升14.78%。研究结果验证了分层架构在保障HDV通行效率的同时，显著提升ICV时空资源利用率的有效性

关键词

智能交通 / 分层协同控制 / 智能网联车队控制 / 信号优化 / 李雅普诺夫稳定性

基金资助

国家重点研发计划项目（2022YFB2503202）资助