基于編隊和動態優先級的混合路口通行策略

吳易　王慶芝

摘要： 在包含自動駕駛車輛和人工駕駛車輛的混合路口中，傳統通行策略下的車輛平均速度慢，停車等待時間長，通行效率低。為解決這一問題，根據車輛間距建立編隊，為不同類型領導者的編隊制定不同的通行邏輯與通行優先級計算方法，有效地防止了自動駕駛車輛為形成編隊而減速，保證了路口通行的公平性。實驗結果表明，隨著自動駕駛車輛滲透率的提高，所提策略在交通承載能力、平均速度、平均等待時間、平均油耗等方面均優于對比傳統策略。

關鍵詞： 混合路口；自動駕駛；車輛編隊；通行策略

中圖分類號： U491.4；O231文獻標識碼： A

A Traffic Strategy for Mixed Intersections Based on Platoon and Dynamic Priority

WU Yi，WANG Qingzhi

（College of Automation，Qingdao University，Qingdao 266071，China）

Abstract：In a mixed intersection composed of autonomous and manual vehicles， the traditional traffic strategy leads to slow traffic， long waiting time， and low efficiency. To solve the problem， in this paper， platoons of vehicles are formed based on the distance between vehicles. The platoons with autonomous and manual vehicles are controlled by different traffic strategies and priorities， which effectively prevents the traffic efficiency reduction of autonomous vehicles and ensures the fairness of traffic at intersections. Simulations show that with the increase of penetration rate， the proposed strategy is superior to the traditional strategies in terms of the average speed， the average waiting time， and the average fuel consumption.

Keywords： mixed intersection； autonomous vehicles； platoon of vehicles； traffic strategy

0 引言

隨著人工智能技術的快速發展，自動駕駛汽車逐漸進入人們的視野，以自動駕駛為基礎的車車協同、車路協同將是未來智能交通的發展方向［1］。傳統交通信號燈管理策略顯然不能充分利用自動駕駛車輛信息交互的優勢，因而需要設計適用于自動駕駛和人工駕駛混合交通場景的路口調度策略［2］。目前，該領域已有不少研究成果。例如Yuan等［3］基于元胞自動機模型和跟馳模型在混合路口仿真環境中進行實驗，發現自動駕駛車輛的引入能提高交通流的穩定性，且隨著自動駕駛車輛比例的增加，交通穩定性將進一步提高。Zhao等［4］考慮了車輛編隊，并令自動駕駛車輛引領人工駕駛車輛，以編隊作為調度單位通過路口，通行效率明顯提升。Feng等［5］通過計算車輛的延誤時間和車道的排隊長度來確定車道通行優先級。但這些研究并沒有考慮到以下問題：1）用交通燈來控制混合路口的全部車輛，可能導致自動駕駛車輛規劃的停車位置更為靠前，減速也會提前，不能實現最優控制；2）如果只用自動駕駛車輛作為領導者，會導致為了形成編隊而犧牲自動駕駛車輛通行效率。

為解決此類問題，本文改進了編隊機制，不再規定只有自動駕駛車輛能成為領導者，給不同領導者的車輛編隊賦予不同的調度邏輯，使編隊機制更為自由，解決了只有自動駕駛車輛做領導者影響通行效率的問題；另外本文借鑒基于延誤時間模型確定通行優先級的思路，設計了一種基于編隊和動態優先級的路口通行策略，除延誤時間外，還把車輛運動狀態和編隊信息加入通行優先級的計算之中，使優先級的計算邏輯更適合以編隊作為調度單位的場景，最終實現提高通行效率的目的。

1 交通場景描述

考慮同時包含自動駕駛車輛與人工車輛的混合路口交通場景?；旌下房诘耐ㄐ锌刂葡到y主要由自動駕駛車輛的車載控制模塊、路側信息感知單元、交通燈系統和路側基站構成，其中路側信息感知單元負責采集場景內所有車輛的位置、速度等信息，并發送至基站；基站負責接收其他模塊發送的信息，經決策處理后，發送運動控制指令給自動駕駛車輛的車載控制模塊，發送顏色變更指令給交通燈，由此實現對路口的實時控制。

本文中混合路口滿足設定：1）路口為一平面，各車道在地理上都定義為東西或南北走向；2）各車道中車輛運行軌跡存在若干交叉點，定義為沖突點，如圖1a所示；3）道路為雙向三車道，每條車道只有左轉、直行或右轉功能，因為只有直行和左轉車道有沖突點，所以本文忽略右轉車道的車輛調度；4）所有車輛沿固定軌跡行駛；5）以轉彎起始位置為界的路口定義為沖突區，三車道的直行部分按照距離沖突區從近到遠分別定義為停車區、編隊區和通行區，如圖1b所示。

2 車輛編隊管理與通行策略設計

傳統策略［6］大多以單車為單位進行調度，在車流量較大的路口難免會出現穿插，影響通行效率，增加安全隱患。本文以編隊為單位進行調度，有效避免了上述問題。本文場景中車輛行駛路線固定，比較適合基于距離進行編隊，即當前后兩車距離小于某個閾值時，可以合并為一個編隊，前車（或者前車所在編隊的領導者）為新編隊的領導者。

已有的關于混合路口通行策略的研究中，大多以自動駕駛車輛為編隊領導者［7］。自動駕駛車輛經常為等待后方人工車輛加入而減速，車流密度和滲透率（所有車輛中自動駕駛車輛所占比例）越低，這種情況越明顯。這種策略對于自動駕駛車輛顯然是不公平的。

在本文策略中，兩種車輛都可以作為領導者。當有未編隊車輛Vi即將離開編隊區時，以其為領導者建立編隊Qi。根據前述距離編隊原則，在編隊區范圍內尋找車輛加入Qi。完成編隊后開始計算車輛編隊在各個沖突點的優先級。首先，車輛的速度越快，通過路口的時間越短，減速停車對效率的損失也就越大，所以領航者的速度vi與優先級正相關；其次，在其他條件相同的情況下，距離沖突點更近的和長度更長的車隊優先級更高，這樣可以減少其他車的等待時間并鼓勵車輛編隊。因此，把車隊長度qi和領航者與沖突點距離di加入優先級的計算。最后，車輛在場景中的停留時間，即當前時間減去車輛進入編隊區的時間t-tenteri越長，優先級越高，提高通行的公平性。

基于以上考慮，定義優先級計算公式為

其中，Lpc為停車區與編隊區交界處到最遠沖突點的距離，加入計算公式防止PRi出現負數；由于在不同的交通場景中，路口的尺寸以及車輛的限速也不同，為了保證該優先級計算方法的普適性，在式（1）中加入系數a=2Lcvmax作為vi的權重，其中Lc為沖突區長度，vmax為場景最大限速；當領導者為人工駕駛車輛時，需要在停車區等待，相比于自動駕駛車輛為領導者的車隊，減速或停車位置更加靠前，在優先級計算中處于劣勢，因此對兩種車隊設定不同的系數b以保證公平性：當領航者為自動駕駛車輛時，b=1；當領航者為人工駕駛車輛時，b=diLs+di，Ls為停車區長度，di為停車區與沖突點的距離。這樣的優先級計算方式，既延續了經典的基于車輛延誤時間的思路，也融入了對編隊長度、停車造成的損失等方面的考量，更加適合復雜交通場景。

具體通行策略：1）若領導者為自動駕駛車輛：忽略交通燈，由算法控制其運動狀態以實現最優的通行策略。每個周期動態更新優先級，直至其通過沖突區；2）若領導者為人工駕駛車輛且沖突車道無優先級更高的車隊：交通燈為綠燈，每個周期動態更新優先級，直至其通過沖突區；3）若領導者為人工駕駛車輛且沖突車道有優先級更高的車隊：交通燈為黃燈，提醒車輛注意減速。前面的車隊最后一輛車駛離停車區時切換為紅燈，動態更新當前車隊優先級，直至車道變為綠燈后車隊通過沖突區。

3 自動駕駛領導者編隊的運動控制

當車隊的領導者為人工車輛時，由駕駛員根據交通信號燈做出相應的駕駛行為；當領導者為自動駕駛車輛時，可以進一步對其駕駛行為進行精確的控制。本節將介紹如何在給定約束條件下，計算最優的車輛控制策略。

本策略中選擇模型預測控制算法［8］，通過解優化問題來控制自動駕駛車輛。算法可以看作上下兩層，上層算法在一維運動中做規劃，得到車輛在預測時域內沿軌跡的參考位移、速度和加速度。上層算法的結果映射在二維平面后，輸入到下層的模型預測控制算法中，實現對車輛運動規劃結果的跟蹤。

3.1 沿軌跡的一維運動規劃

設離散時間系統的周期為T，規劃時域為Np。從當前時刻開始，車輛Vi在規劃時域內的一維位置、速度、加速度為sik，vik，aik，k=0，1，…，Np-1，其中位置和速度的初始值si0=s*i，vi0=vi分別為車輛的參考一維位置和實際速度，其中參考一維位置為路徑上距當前車輛最近的點在路徑中的位置。將一維運動控制寫成如下二次規劃問題：

目標函數分為兩部分，第1部分表示在Np步內使車輛行駛最遠的距離，第2部分是為了避免數值較大的加速度，增加車輛乘坐舒適度的同時也能降低油耗。

約束條件中，式（3）（4）為一維的運動學方程；式（5）（6）初始狀態約束；式（7）～（10）為車輛運動時的速度和加速度邊界限制；式（11）表示不同車道的編隊在沖突點的避碰。當優先級高的車隊最后一輛車通過沖突點時，優先級低的車應未到沖突點且與沖突點距離大于二分之一車長。CQi為尚未通過與車隊Qi的沖突點，且優先級高于車隊Qi的所有車隊Qj的集合，di，j為車隊Qi和Qj的沖突點在車隊Qi軌跡中的位置，L為車身長度，ki，jj，Nj為車隊Qj中的最后一輛（即第Nj輛車）通過兩車隊沖突點的時間。第10式表示同一車道前后兩車的跟車距離不小于Δs。Pri為與車輛Vi在同一車道且優先級高于Vi的車輛合集，Δs為同一車道前后兩車的安全距離。

求解此二次規劃問題可以得到車輛Vi在規劃時域Np步內沿軌跡的參考位移、速度和加速度si，rk，vi，rk，ai，rk，k=0，1，…，Np-1。將一維運動規劃結果映射到二維平面中，可以得到對應的二維平面內車輛的參考運動狀態，并以此為跟蹤目標，通過MPC求解出車輛實際的控制信息。

3.2 基于MPC的二維運動控制

本文采用基于阿克曼轉向的車輛運動模型，車輛在二維平面內連續時間運動學模型為

經二次規劃求解器對上式求解后，得到軌跡跟蹤的最優控制序列u（k）=ak，δ（k）T，k=0，1，2，…，Np-1。此時車輛執行該序列的第一個指令，即u（0）=a0，δ（0）T，車輛的位置和狀態發生變化后，下一時刻重新求解優化問題，得到新的控制量，循環進行，直到車輛駛離交通路口。

本文所提策略，即基于編隊和動態優先級的混合路口通行策略，完整算法總結：

4 仿真實驗與結果分析

4.1 實驗方案設計

本文實驗使用SUMO［9］作為仿真平臺，在CUP型號為R7－5750g，內存為16g的電腦上運行。仿真的離散時間周期T=0.1 s，規劃時域Np=20個周期，控制時域Nc=5個周期，權重Q=5In，R=2In。實驗中參數如表1所示。

設置從圖像上方開始順時針4個方向的來車數量比例為1∶2∶2∶3，以固定時間間隔進入場景。車流量由兩部分構成：1）自動駕駛車輛，調用traci接口，用章節3中的模型預測方法進行控制；2）人工駕駛車輛，采用軟件內的SUMO Krauss模型進行控制，并設置失誤率參數，從而模擬真人駕駛員的駕駛邏輯。為了增加隨機性，車輛進入場景的初始速度為不超過最大速度1/5的隨機值。車輛的油耗統一采用SUMO中的PC_G_EU4標準。最終計入統計結果的數據為5次實驗的平均值。

對比算法中選擇傳統的交通燈策略［10］和基于車輛延誤模型的交通燈策略［1112］。其中傳統的交通燈策略為固定時間相位進行切換。由于兩個直線方向的最大車流密度比例為2∶3，所以兩方向交通燈時間設定為同樣的比例，實驗中分別設定為40 s和60 s，其中直行和左轉各占一半時間?；谲囕v延誤模型的交通燈策略是一種自適應相位的策略，根據道路的通行能力建立延誤模型，以場景中現有的車輛數來估算總延誤時間，再根據延誤時間來優化交通燈的配時方案，以此提高總體的通行效率。

4.2 實驗結果與分析

選擇傳統的交通燈策略和基于車輛延誤模型的交通燈策略作對比，兩種對比策略幾乎不受滲透率影響。在場景中測試兩種對比策略和不同滲透率下本文策略在不同交通流壓力下的平均速度、平均等待時間和平均油耗。實驗結果如圖2所示，其中橫坐標為場景圖頂部方向單車道每小時總車流量，縱坐標為相應指標。

基于實驗可得：1）傳統交通燈的通行策略，無論在交通流承載能力、通行效率還是能源消耗方面，都和其他策略有明顯差距；2）基于車輛延誤模型的策略，在滲透率為0.3和0.5時，低車流密度下的一些表現與本文策略相當或者更好。當滲透率達到0.7，才會在各類場景中的表現都明顯落后于本文策略；3）自動駕駛汽車滲透率的增加，將提升通行效率。當滲透率為0.3，單車道車輛達到每小時220輛，路口會出現堵塞現象，而同樣密度的車流在滲透率為0.5和0.7時可以順暢通行。車輛平均油耗方面，同樣也是高滲透率的場景更低。

上述實驗結果出現的原因：相比于人工駕駛車輛，自動駕駛車輛在場景中停車的概率會低很多，也很少會有大幅的加減速，所以本策略在高滲透率的場景中表現更好；相比于傳統策略，本策略優勢體現在自由編隊方法和與編隊匹配的優先級機制，使各個車輛能夠以平穩的速度通過路口；合理的優先級機制，則保證了路口各個方向車輛調度的公平性，使各條道路減少排隊擁堵。

5 總結與展望

為了提高混合交通路口的通行效率，同時減少能源消耗，提出了一種基于編隊和動態優先級的通行策略，根據領航車輛速度、車輛停留時間和編隊長度等因素制定優先級通行機制，在一定程度上改善了傳統策略以及其他混合路口策略普適性弱、編隊機制破壞公平性等問題。SUMO仿真表明，本策略在滲透率或車輛密度提高到一定程度時，交通承載能力、通行效率和能源消耗方面均優于傳統交通燈策略和基于車輛延誤的通行策略。

本文策略仍存在一定局限性，例如沒有考慮特殊車輛、行人等其他交通對象；自動駕駛車輛的低滲透率會導致策略缺乏優勢；跟隨者可以采用其他跟馳算法代替MPC以節省算力等。未來將在上述方面繼續開展工作。

參考文獻：

［1］SU Z， HUI Y， YANG Q. The next generation vehicular networks：a content-centric framework［J］. IEEE Wireless Communications， 2017， 24（1）： 60－66.

［2］劉卓， 盧凱明， 何佳，等.面向人機混駕環境的交叉口車輛通行控制策略［J］. 北京工業大學學報， 2022， 48（6）： 608－621.

LIU Z， LU K M， HE J， et al. Control strategy for the mixed traffic flow of CAV and HV in intersection［J］. Journal of Beijing University of Technology， 2022， 48（6）： 608－621.

［3］YUAN Y M， JIANG R， HU M B， et al. Traffic flow characteristics in a mixed traffic system consisting of ACC vehicles and manual vehicles： a hybrid modelling approach［J］.Physica A： Statistical Mechanics and Its Applications， 2009， 388（12）： 2483－2491.

［4］ZHAO W， NGODUY D， SHEPHERD S， et al. A platoon based cooperative eco-driving model for mixed automated and human-driven vehicles at a signalised intersection［J］. Transportation Research Part C： Emerging Technologies， 2018， 95： 802－821.

［5］FENG Y， HEAD K L，KHOSHMAGHAM S， et al. A real-time adaptive signal control in a connected vehicle environment［J］. Transportation Research Part C： Emerging Technologies， 2015， 55： 460－473.

［6］栗紅強. 城市交通控制信號配時參數優化方法研究［D］. 長春： 吉林大學， 2004.

LI H Q. Study on the optimization methods of signal timing parameters of urban traffic control［D］. Changchun： Jilin Univercity， 2004.

［7］陳超義. 混合交通環境下交叉路口信號燈—車輛協同控制方法［D］. 北京： 清華大學， 2019.

CHEN C Y. Cooperativecontrol of traffic signal and connected vehicles at intersections in the mixed traffic environment［D］. Beijing： Tsinghua University， 2019.

［8］BORHAN H， VAHIDI A， PHILLIPS A M， et al. MPC-based energy management of a power-split hybrid electric vehicle［J］. IEEE Transactions on Control Systems Technology， 2011， 20（3）： 593－603.

［9］CODEC L， FRANK R， FAYE S， et al. Luxembourg sumo traffic （lust） scenario： traffic demand evaluation［J］. IEEE Intelligent Transportation Systems Magazine， 2017， 9（2）： 52－63.

［10］ GB 14886－2016， 道路交通信號燈設置與安裝規范［S］.

GB 14886－2016， Specifications for road traffic signal setting and installation［S］.

［11］ Olszewski P. Overall delay， stopped delay， and stops at signalized intersections［J］. Journal of Transportation Engineering， 1993， 119（6）： 835－852.

［12］ 周鍵. 基于多傳感器技術的實驗室智能安全監測系統研究［J］. 智庫時代，2021（41）：118－120.

ZHOU J. Research on laboratory intelligent safety monitoring system based on multi-sensor technology ［J］. Think Tank Era， 2021（41）：118－120.

（責任編輯 李 進）

收稿日期： 20221110；修回日期： 20230106

基金項目： 國家自然科學基金青年基金（61903212）

第一作者： 吳易（1993），男，河北唐山人，碩士研究生，主要研究方向為智能交通。

通信作者： 王慶芝（1988），女，山東濟寧人，博士，副教授，主要研究方向為間歇控制、多智能體、切換系統、T-S模糊系統。