车路协同环境下的高速公路匝道区域控制关键技术研究
发布时间：2020-12-27 20:28
随着我国社会经济的快速发展以及交通需求的持续增加,道路拥堵,交通安全,环境污染,运输效率低下等问题日益突出。多项研究表明,入口匝道附近的区域是高速公路的瓶颈和事故易发地段。若不对该区域进行控制,极易导致交通拥堵与事故,使高速公路的交通环境进一步恶化,降低路网交通的整体效益。现有的主动交通管控方法,包括可变限速控制和匝道控制方法,能够对匝道瓶颈区的交通流起到明显的调节作用,是缓解高速公路拥堵最有效的控制方式。目前,上述方法主要通过模型预测控制或反馈式控制对交通流进行优化。模型预测控制能够预测交通状态并提前进行控制,但是对建模的精度要求比较高,较难在工程实践中运用。反馈式控制不依赖于模型,但是有滞后性并可能增加交通流的波动。强化学习近年来成为交通领域的研究热点,如果把强化学习和交通主动管理策略相结合,可以使交通控制效果明显提升。但是目前基于强化学习的交通控制研究仍较为初步,只能解决局部优化控制问题。另一方面,车路协同技术作为一种新兴的ITS(Intelligent Transportation System)技术,近年来受到世界各国学者的广泛重视。通过该技术能实时获取更精确稳定的实时宏观交...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
论文技术路线图
和国外情况类似,我国在车路协同技术方面的研究也集中在交叉口的车路协同控制关键技术、车路协同仿真等方面。例如,杨晓光、朱彤等对道路交叉口车路协调实验平台的逻辑框架和物理框架进行了设计,实现了包括GPS定位信息采集、交通信号控制系统、路侧/车载处理单元、短程无线通信[29]在内的多种系统功能,并建立了车路协同实验系统。在车路协同实验平台研究方面,姚佼等建立了基于全息信息的车路协调协调试验平台[30],该实验平台分智能车载单元、智能路侧信号控制单元和车路无线通信系统三大部分,车载端作为处理器,车尾装有高精度雷达,车路通信采用WIFI,为研究车路协调环境下城市道路驾驶员行为以及下一代城市交通控制提供了条件。同济大学的姚佼等深入分析了车路协同环境下城市道路交通信号控制的所面临的机遇,同时对其所要克服的理论难点和关键技术进行了分析,并在此基础上,建立了车路协同环境下城市交通信号控制的模型[31]。王祺、胡坚明等提出了基于车载自组织网络技术的车路协同原型系统(IVICS)[32],并利用交通仿真软件Paramics进行二次开发,进行大规模路网搭建动态信号控制,利用Network Simulator和Paramics建立了车路协同一体化仿真平台。Yang、Yudi等人在车路协同环境双向通信的条件下,提出了一种车辆时空瞬时轨迹和相关信号配时参数下的车辆引导模型[33],并在上海曹安公路上进行了该算法对通行能力和效率的评价,结果表明相对于定时协调控制,该算法的平均延误和停车次数都下降29%。李鹏凯等在车路协同环境下实时车车、车路通信,以交叉口车辆停车时间最小化为优化目标,排队长度、车辆位置、加速度等参数为变量,提出单车车辆引导机制与模型[34],利用VISSIM仿真软件及其COM接口对车路协调下的交叉口车辆控制延误进行了仿真分析,并对不同比例的试验车(probe car)下车辆控制延误误差进行了分析,为下一步进行信号灯参数优化提供了理论基础。李鹏凯、吴伟等以单车车辆引导为基础,以信号交叉口总体效益最大化为优化目标,提出车路协同环境下信号交叉口多车协同车辆引导模型[35],以期尽可能降低道路交叉口车辆平均延误和平均停车次数,提高绿灯时间的有效利用率,多车协同速度引导可适应不同饱和度下的交通流状态,且可有效降低交叉口车辆平均延误和平均停车次数。张存保等引入滑动时间窗预测方法,对交叉口信号控制优化流程进行了改进;以相位饱和度表征信号控制效果建立了车路协同环境下道路交叉口信号控制优化方法和模型[36],通过VISSIM软仿真对模型进行了实验验证,结果表明其方法优于传统感应控制方法,能够有效降低交叉口平均延误和平均停车次数。东南大学冉斌教授团队在总结现有智能网联交通技术发展现状及趋势的基础上,提出了三维一体的智能网联交通技术的发展架构,如图2-1所示[37]。该架构明确阐述了智能网联交通需要解决的三类关键技术问题以及他们之间的关系。三类关键技术即车辆自动化技术、网络互联化技术以及系统集成化技术。根据每类技术的发展情况,可以再细分为4-5级。同时,冉斌等将智能网联交通系统分为2个发展方向,即智能网联汽车和智能网联道路。目前世界上主要的自动驾驶技术路线以车为智能主题的解决方案,通过多种车载感知设备的融合,配合人工智能技术,将车辆打造为聪明的移动智能体。该类技术路线的主要问题在于车载设备昂贵从而增加了用户的购车成本,不利于车联网技术的普及与发展。此外,基于单车的自动驾驶技术缺乏大范围的交通优化能力,只能达到局部优化的作用。冉斌等首次提出从“聪明的路,普通的车”逐步过渡到“聪明的路,聪明的车”的方案,即让一部分原先需要车辆实现的功能通过路侧功能实现,并且通过多级交通控制体系解决全局交通优化问题。这样不仅降低了单车成本,也可以通过路侧控制达到全局优化的效果,为未来智能网联系统的发展指明了方向。
高速公路获取交通状态的困难之处在于布设的交通检测器(例如线圈检测器)的覆盖范围有限,并且测量结果包含多种误差,因而不能够准确反映高速公路的真实情况[39]。因此,不仅未被交通检测器覆盖的路段需要进行交通状态估计,有检测器覆盖的路段也需要通过交通状态估计算法修正检测误差,使测量结果更接近真实值。在线交通状态估计方法,即根据实时检测数据以及交通模型,即时估计高速公路各路段的交通状态的方法。如图2-2所示,交通状态估计方法不仅可以用在无交通检测器覆盖路段,在检测器覆盖路段也可以用于修正随机误差。现有的在线交通状态估计方法可以被划分为两类,一类是数据驱动的交通状态估计方法,另一类是模型驱动的交通状态估计方法。模型驱动的方法主要通过构建交通流模型描述路段交通状态,并使用其他算法优化模型参数。数据驱动方法主要通过对获取的检测数据进行统计分析来估计道路交通状态。数据驱动方法有时间序列方法[40][41]、回归方法[42]、自适应平滑方法[43]等。总体而言,大多数数据驱动方法属于线性估计方法,该类方法易于实现,但是不能够较好地描述交通系统的随机性以及非线性特性。因此,这类方法的交通状态估计和预测结果不是非常精确。从另一方面来看,模型驱动方法更为精确,可以较好地刻画交通系统的非线性特性,并且一些算法已经通过了现场实验,可以取得较好的估计效果。Wang和Papageorgiou等人系统研究了基于二阶交通流模型以及扩展卡尔曼滤波(Extended Kalman Filter,EKF)方法的交通估计算法[44][45],他们把研究成果应用于慕尼黑附近高速公路的工程实践中,并且给出了模型校准,算法初始参数选择以及边界条件的处理方法。其他研究主要集中在寻找新的算法对估计效果进行改善。Ngoduy等[46]提出了一种无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的估计方法,可以有效解决扩展卡尔曼滤波带来的线性估计误差。Mihaylova等[47]将高速公路视为一种随机混杂系统,提出一种基于聚集态交通模型和集计变量观察模型的粒子滤波算法。Hegyi等[48]对几类滤波算法进行了比较,包括经典的卡尔曼滤波算法、EKF算法、UKF算法以及PF算法。比较结果表明基于EKF和UKF算法的交通状态估计结果差别不大,UKF算法略优于EKF算法。因而,基于二阶交通流模型以及EKF优化的交通估计方法仍不失为是一种有效的交通估计手段。
【参考文献】：
期刊论文
[1]智能网联交通技术发展现状及趋势[J]. 冉斌,谭华春,张健,曲栩. 汽车安全与节能学报. 2018(02)
[2]基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 刘钊,杜威,闫冬梅,柴干,郭建华. 公路交通科技. 2017(05)
[3]车联网通信技术发展现状及趋势研究[J]. 任开明,李纪舟,刘玲艳,宋文颖. 通信技术. 2015(05)
[4]车路协同仿真场景设计与实现[J]. 崔琳娜,吴克寿. 厦门理工学院学报. 2015(01)
[5]基于CANoe.car2x和Aurix的车联网仿真及其实现[J]. 王小静. 电子技术与软件工程. 2014(19)
[6]智能车路协同系统发展现状与趋势[J]. 贾鹏,冯明月,张志超. 军事交通学院学报. 2014 (02)
[7]车路协同下道路交叉口信号控制优化方法[J]. 张存保,冉斌,梅朝辉,张培岭. 交通运输系统工程与信息. 2013(03)
[8]车路协同环境下多车协同车速引导建模与仿真[J]. 李鹏凯,吴伟,杜荣华,杨应科. 交通信息与安全. 2013(02)
[9]车路协同环境下信号交叉口车速引导建模与仿真[J]. 李鹏凯,杨晓光,吴伟,杨熙宇. 交通信息与安全. 2012(03)
[10]基于仿真的IEEE802.11p在车路协同中的适应性研究[J]. 黄罗毅,吴志周,杨晓光,王吟松. 交通信息与安全. 2011(03)
博士论文
[1]快速道路可变限速控制技术[D]. 李志斌.东南大学 2014
硕士论文
[1]VISSIM交通仿真适用性研究[D]. 王志彪.北京交通大学 2007
本文编号：2942431
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
论文技术路线图
和国外情况类似,我国在车路协同技术方面的研究也集中在交叉口的车路协同控制关键技术、车路协同仿真等方面。例如,杨晓光、朱彤等对道路交叉口车路协调实验平台的逻辑框架和物理框架进行了设计,实现了包括GPS定位信息采集、交通信号控制系统、路侧/车载处理单元、短程无线通信[29]在内的多种系统功能,并建立了车路协同实验系统。在车路协同实验平台研究方面,姚佼等建立了基于全息信息的车路协调协调试验平台[30],该实验平台分智能车载单元、智能路侧信号控制单元和车路无线通信系统三大部分,车载端作为处理器,车尾装有高精度雷达,车路通信采用WIFI,为研究车路协调环境下城市道路驾驶员行为以及下一代城市交通控制提供了条件。同济大学的姚佼等深入分析了车路协同环境下城市道路交通信号控制的所面临的机遇,同时对其所要克服的理论难点和关键技术进行了分析,并在此基础上,建立了车路协同环境下城市交通信号控制的模型[31]。王祺、胡坚明等提出了基于车载自组织网络技术的车路协同原型系统(IVICS)[32],并利用交通仿真软件Paramics进行二次开发,进行大规模路网搭建动态信号控制,利用Network Simulator和Paramics建立了车路协同一体化仿真平台。Yang、Yudi等人在车路协同环境双向通信的条件下,提出了一种车辆时空瞬时轨迹和相关信号配时参数下的车辆引导模型[33],并在上海曹安公路上进行了该算法对通行能力和效率的评价,结果表明相对于定时协调控制,该算法的平均延误和停车次数都下降29%。李鹏凯等在车路协同环境下实时车车、车路通信,以交叉口车辆停车时间最小化为优化目标,排队长度、车辆位置、加速度等参数为变量,提出单车车辆引导机制与模型[34],利用VISSIM仿真软件及其COM接口对车路协调下的交叉口车辆控制延误进行了仿真分析,并对不同比例的试验车(probe car)下车辆控制延误误差进行了分析,为下一步进行信号灯参数优化提供了理论基础。李鹏凯、吴伟等以单车车辆引导为基础,以信号交叉口总体效益最大化为优化目标,提出车路协同环境下信号交叉口多车协同车辆引导模型[35],以期尽可能降低道路交叉口车辆平均延误和平均停车次数,提高绿灯时间的有效利用率,多车协同速度引导可适应不同饱和度下的交通流状态,且可有效降低交叉口车辆平均延误和平均停车次数。张存保等引入滑动时间窗预测方法,对交叉口信号控制优化流程进行了改进;以相位饱和度表征信号控制效果建立了车路协同环境下道路交叉口信号控制优化方法和模型[36],通过VISSIM软仿真对模型进行了实验验证,结果表明其方法优于传统感应控制方法,能够有效降低交叉口平均延误和平均停车次数。东南大学冉斌教授团队在总结现有智能网联交通技术发展现状及趋势的基础上,提出了三维一体的智能网联交通技术的发展架构,如图2-1所示[37]。该架构明确阐述了智能网联交通需要解决的三类关键技术问题以及他们之间的关系。三类关键技术即车辆自动化技术、网络互联化技术以及系统集成化技术。根据每类技术的发展情况,可以再细分为4-5级。同时,冉斌等将智能网联交通系统分为2个发展方向,即智能网联汽车和智能网联道路。目前世界上主要的自动驾驶技术路线以车为智能主题的解决方案,通过多种车载感知设备的融合,配合人工智能技术,将车辆打造为聪明的移动智能体。该类技术路线的主要问题在于车载设备昂贵从而增加了用户的购车成本,不利于车联网技术的普及与发展。此外,基于单车的自动驾驶技术缺乏大范围的交通优化能力,只能达到局部优化的作用。冉斌等首次提出从“聪明的路,普通的车”逐步过渡到“聪明的路,聪明的车”的方案,即让一部分原先需要车辆实现的功能通过路侧功能实现,并且通过多级交通控制体系解决全局交通优化问题。这样不仅降低了单车成本,也可以通过路侧控制达到全局优化的效果,为未来智能网联系统的发展指明了方向。
高速公路获取交通状态的困难之处在于布设的交通检测器(例如线圈检测器)的覆盖范围有限,并且测量结果包含多种误差,因而不能够准确反映高速公路的真实情况[39]。因此,不仅未被交通检测器覆盖的路段需要进行交通状态估计,有检测器覆盖的路段也需要通过交通状态估计算法修正检测误差,使测量结果更接近真实值。在线交通状态估计方法,即根据实时检测数据以及交通模型,即时估计高速公路各路段的交通状态的方法。如图2-2所示,交通状态估计方法不仅可以用在无交通检测器覆盖路段,在检测器覆盖路段也可以用于修正随机误差。现有的在线交通状态估计方法可以被划分为两类,一类是数据驱动的交通状态估计方法,另一类是模型驱动的交通状态估计方法。模型驱动的方法主要通过构建交通流模型描述路段交通状态,并使用其他算法优化模型参数。数据驱动方法主要通过对获取的检测数据进行统计分析来估计道路交通状态。数据驱动方法有时间序列方法[40][41]、回归方法[42]、自适应平滑方法[43]等。总体而言,大多数数据驱动方法属于线性估计方法,该类方法易于实现,但是不能够较好地描述交通系统的随机性以及非线性特性。因此,这类方法的交通状态估计和预测结果不是非常精确。从另一方面来看,模型驱动方法更为精确,可以较好地刻画交通系统的非线性特性,并且一些算法已经通过了现场实验,可以取得较好的估计效果。Wang和Papageorgiou等人系统研究了基于二阶交通流模型以及扩展卡尔曼滤波(Extended Kalman Filter,EKF)方法的交通估计算法[44][45],他们把研究成果应用于慕尼黑附近高速公路的工程实践中,并且给出了模型校准,算法初始参数选择以及边界条件的处理方法。其他研究主要集中在寻找新的算法对估计效果进行改善。Ngoduy等[46]提出了一种无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的估计方法,可以有效解决扩展卡尔曼滤波带来的线性估计误差。Mihaylova等[47]将高速公路视为一种随机混杂系统,提出一种基于聚集态交通模型和集计变量观察模型的粒子滤波算法。Hegyi等[48]对几类滤波算法进行了比较,包括经典的卡尔曼滤波算法、EKF算法、UKF算法以及PF算法。比较结果表明基于EKF和UKF算法的交通状态估计结果差别不大,UKF算法略优于EKF算法。因而,基于二阶交通流模型以及EKF优化的交通估计方法仍不失为是一种有效的交通估计手段。
【参考文献】：
期刊论文
[1]智能网联交通技术发展现状及趋势[J]. 冉斌,谭华春,张健,曲栩. 汽车安全与节能学报. 2018(02)
[2]基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 刘钊,杜威,闫冬梅,柴干,郭建华. 公路交通科技. 2017(05)
[3]车联网通信技术发展现状及趋势研究[J]. 任开明,李纪舟,刘玲艳,宋文颖. 通信技术. 2015(05)
[4]车路协同仿真场景设计与实现[J]. 崔琳娜,吴克寿. 厦门理工学院学报. 2015(01)
[5]基于CANoe.car2x和Aurix的车联网仿真及其实现[J]. 王小静. 电子技术与软件工程. 2014(19)
[6]智能车路协同系统发展现状与趋势[J]. 贾鹏,冯明月,张志超. 军事交通学院学报. 2014 (02)
[7]车路协同下道路交叉口信号控制优化方法[J]. 张存保,冉斌,梅朝辉,张培岭. 交通运输系统工程与信息. 2013(03)
[8]车路协同环境下多车协同车速引导建模与仿真[J]. 李鹏凯,吴伟,杜荣华,杨应科. 交通信息与安全. 2013(02)
[9]车路协同环境下信号交叉口车速引导建模与仿真[J]. 李鹏凯,杨晓光,吴伟,杨熙宇. 交通信息与安全. 2012(03)
[10]基于仿真的IEEE802.11p在车路协同中的适应性研究[J]. 黄罗毅,吴志周,杨晓光,王吟松. 交通信息与安全. 2011(03)
博士论文
[1]快速道路可变限速控制技术[D]. 李志斌.东南大学 2014
硕士论文
[1]VISSIM交通仿真适用性研究[D]. 王志彪.北京交通大学 2007
本文编号：2942431
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2942431.html
