網(wǎng)聯(lián)環(huán)境下信號(hào)交叉口車速控制策略及優(yōu)化

劉顯貴，王暉年，洪經(jīng)緯，郝雷

(廈門理工學(xué)院，機(jī)械與汽車工程學(xué)院，福建廈門361024)

0 引言

車輛產(chǎn)生的能耗排放對(duì)交通環(huán)境產(chǎn)生重大影響。在信號(hào)交叉口頻繁出現(xiàn)的車輛怠速和啟停工況，使交叉口成為道路交通網(wǎng)絡(luò)中能量消耗和污染物排放的重點(diǎn)區(qū)域[1-3]，因此，對(duì)交叉口區(qū)域的車輛能耗排放進(jìn)行優(yōu)化研究具有重要意義。通過車-車、車-路間通信，車輛可以根據(jù)車輛位置、運(yùn)行狀態(tài)信息及交叉口信號(hào)相位配時(shí)信息，得到減少車輛停車次數(shù)和能耗排放，提升通行效率的運(yùn)行策略[4-5]。國內(nèi)外學(xué)者研究了信號(hào)交叉口節(jié)能減排的生態(tài)駕駛車速控制策略，KAMAL 等[6]對(duì)有人駕駛車輛與自動(dòng)駕駛車輛混行交通環(huán)境，提出根據(jù)前方交叉口信息和對(duì)前方車輛的預(yù)測(cè)確定車輛最優(yōu)速度策略，驗(yàn)證策略有效性的同時(shí)發(fā)現(xiàn)生態(tài)駕駛車輛的存在提升了交通流整體效率。孟竹[7]提出通過車輛狀態(tài)與前方信號(hào)燈信息分析車輛運(yùn)動(dòng)軌跡，以油耗最小為目標(biāo)函數(shù)求最優(yōu)車速引導(dǎo)軌跡，仿真表明，可使燃油消耗減少10%以上。

當(dāng)前，對(duì)于車聯(lián)網(wǎng)環(huán)境下信號(hào)交叉口處速度控制策略的研究主要集中在考慮交叉口信號(hào)狀態(tài)和車輛自身運(yùn)行狀況[8]，通過經(jīng)驗(yàn)以減少停車次數(shù)為目標(biāo)，而對(duì)車輛實(shí)際通過交叉口時(shí)油耗排放的綜合效益，以及路網(wǎng)中其他車輛與受控車輛間相互影響的研究鮮有報(bào)道[9]。本文基于交通流中車輛的相互影響，優(yōu)化控制場(chǎng)景劃分方法，利用多目標(biāo)遺傳算法得到使能耗排放及通行時(shí)間最小的目標(biāo)車速；進(jìn)行VISSIM和MATLAB聯(lián)合仿真；使用微觀排放模型MOVES測(cè)算排放；并利用底盤測(cè)功機(jī)結(jié)合排放測(cè)試系統(tǒng)完成實(shí)車實(shí)驗(yàn)，驗(yàn)證誘導(dǎo)優(yōu)化具有較好的實(shí)際效果。

1 基于目標(biāo)車速關(guān)聯(lián)的油耗排放模型建立

本文交通環(huán)境為有人駕駛車輛與自動(dòng)駕駛車輛混行，網(wǎng)聯(lián)車輛通過車聯(lián)網(wǎng)通信系統(tǒng)獲得路網(wǎng)中車輛位置、運(yùn)動(dòng)狀態(tài)及信號(hào)燈相位配時(shí)信息。設(shè)立以下假設(shè)：

(1)研究范圍為單一交叉口區(qū)域，不受相鄰交叉口影響；

(2)無超車和變道行為；

(3)受控車輛在安全的情況下完全遵循控制策略的引導(dǎo)軌跡；

(4)路面平坦，忽略坡度對(duì)車輛的影響。

生態(tài)駕駛控制系統(tǒng)架構(gòu)如圖1所示。本文控制方法為對(duì)交通流中的車輛速度軌跡進(jìn)行逐一控制，車輛控制階段選用基于速度-加速度的VTMicro 模型測(cè)算油耗排放。VT-Micro 模型在進(jìn)行能耗排放測(cè)算時(shí)使用單位效率(Measure of Effectiveness，MOE)概念，MOE計(jì)算公式為

式中：MOEe為t時(shí)刻的車輛能耗(L ·s-1)或排放率(m g·s-1)；i為速度冪指數(shù)；j為加速度冪指數(shù)；v為t時(shí)刻的車輛速度(km·h-1)；a為t時(shí)刻的車輛加速度(m ·s-2)；為速度冪指數(shù)為i、加速度冪指數(shù)為j時(shí)的回歸系數(shù)，取值參考文獻(xiàn)[10]。

圖1 生態(tài)駕駛控制系統(tǒng)架構(gòu)示意Fig.1 Schematic diagram of eco-driving control system architecture

將信號(hào)交叉口路段分為速度控制路段和速度恢復(fù)路段。生態(tài)駕駛車輛通過信號(hào)交叉口示意如圖2所示。

圖2 生態(tài)駕駛車輛通過交叉口示意圖Fig.2 Schematic diagram of ecological driving vehicle passing through intersection

通過測(cè)算交叉口路段(總長為S)車輛油耗排放，評(píng)估控制策略對(duì)車輛在整個(gè)交叉口路段的影響。

勻速通過場(chǎng)景下油耗Fb為

式中：Tb為車輛以初始速度勻速通過交叉口路段所用時(shí)間，即

式中：v0為車輛進(jìn)入控制路段時(shí)的初始速度(m·s-1)。

根據(jù)文獻(xiàn)[10]擬合的CO2、NOX排放MOE 回歸系數(shù)，求得勻速通過場(chǎng)景下CO2排放量ECO2,b和NOX排放量ENOx,b。

加速通過場(chǎng)景包括：獲取引導(dǎo)速度后的加速階段，達(dá)到引導(dǎo)速度后的勻速階段，通過交叉口后的速度恢復(fù)階段，以及行駛完交叉口路段的勻速階段?？偼ㄐ袝r(shí)間Ta為

式中：ta為加速階段時(shí)間；tc1為交叉口上游的勻速階段時(shí)間；td為速度恢復(fù)段時(shí)間；tc2為交叉口下游的勻速階段時(shí)間；vc為目標(biāo)車速(m·s-1)；d為速度控制路段長度(m)；aa為加速度，值為正；ad為減速度，值為負(fù)。

加速通過交叉口區(qū)域的總油耗Fa為

根據(jù)文獻(xiàn)[10]擬合的CO2、NOX排放MOE 回歸系數(shù)，求得加速通過場(chǎng)景下的CO2排放量ECO2,a和NOX排放量ENOx,a。

同理可得，減速通過場(chǎng)景下總通行時(shí)間Td為

減速通過交叉口區(qū)域的總油耗Fd為

根據(jù)文獻(xiàn)[10]擬合的CO2、NOX排放MOE 回歸系數(shù)，求得減速通過場(chǎng)景下的CO2排放量ECO2,d和NOX排放量ENOx,d。

2 生態(tài)駕駛誘導(dǎo)控制策略構(gòu)建

當(dāng)車輛進(jìn)入速度控制路段時(shí)，車輛根據(jù)各類信息判斷以何種方式通過交叉口。假設(shè)最低引導(dǎo)車速為vmin，道路最高限速為vmax，t0為對(duì)車輛進(jìn)行引導(dǎo)的時(shí)刻，tg,k為第k個(gè)信號(hào)周期綠燈開始時(shí)刻，tr,k為第k個(gè)信號(hào)周期紅燈開始時(shí)刻，k=1,2,3,…,∞，即一個(gè)信號(hào)周期內(nèi)tg,k～tr,k時(shí)間段為綠燈。

車輛以初始速度從進(jìn)入控制路段勻速行駛至交叉口停車線的時(shí)間為

車輛加速、減速通過交叉口時(shí)，首先調(diào)整車速至引導(dǎo)車速，再勻速行駛。故從進(jìn)入控制路段到停車線的時(shí)間為

式中：vc為目標(biāo)車速(m·s-1)。

交通流優(yōu)化軌跡如圖3所示。

圖3 交通流優(yōu)化軌跡示意Fig.3 Schematic diagram of traffic flow optimization trajectory

圖3(a)為基于前方車輛優(yōu)化軌跡示意圖。前方車輛可能會(huì)對(duì)生態(tài)駕駛車輛產(chǎn)生阻礙作用，迫使生態(tài)駕駛車輛停車怠速或二次減速。因此，存在前方車輛干擾時(shí)優(yōu)化參數(shù)如下。

(1)行駛距離。交叉口前存在排隊(duì)隊(duì)列及前方減速車輛時(shí)，車輛行駛距離將改變?yōu)閺目刂凭€到車隊(duì)隊(duì)尾距離。因此，存在前方車輛時(shí)，車輛通過控制線時(shí)刻到可通行時(shí)刻行駛的距離為

式中：nq為排隊(duì)車輛數(shù)；l為車輛停車距離與車輛長度之和(m)；nd為前方減速通過車輛數(shù)；dn為跟車距離(m)。

(2)可通行時(shí)間。存在前方排隊(duì)車輛時(shí)，信號(hào)燈變?yōu)榫G燈相位后，還需等待排隊(duì)車輛消散才可通行，即可通行時(shí)間為

式中：tx為每輛車起步消散的時(shí)間。

圖3(b)為基于后方車輛優(yōu)化軌跡示意圖。引導(dǎo)車輛加速通過時(shí)，可能被前車阻礙，使車輛被迫減速無法在當(dāng)前綠燈相位通過交叉口。因此，當(dāng)阻礙后方車輛時(shí)參數(shù)優(yōu)化如下。

(1)行駛距離。當(dāng)存在阻礙后方車輛的情況時(shí)，車輛應(yīng)為后方車輛預(yù)留一定的空間用于在紅燈亮前通過路口。

式中：da為車輛通過控制線時(shí)刻到紅燈開始時(shí)刻行駛的距離(m)；nh為后方受阻礙的車輛數(shù)。

(2)到達(dá)停車線時(shí)間。當(dāng)存在阻礙后方車輛時(shí)，車輛應(yīng)將到達(dá)停車線時(shí)間提前為

考慮前后車輛影響后，將基于交通流優(yōu)化的引導(dǎo)場(chǎng)景劃分為以下4種。

(1)勻速通過。勻速行駛到達(dá)停車線時(shí)信號(hào)燈為綠燈相位，排隊(duì)車輛已消散，不存在阻礙后車情況，則引導(dǎo)車輛勻速通過。

(2)加速通過。當(dāng)不滿足勻速通過條件，而加速行駛可使受控車輛不停車通過停車線，則引導(dǎo)車輛加速通過。

(3)減速通過。當(dāng)不滿足勻速、加速通過條件，而減速行駛可使車輛在綠燈相位且排隊(duì)車輛消散后到達(dá)停車線，則引導(dǎo)車輛減速通過。

(4)停車等待。以上3種條件均不滿足時(shí)，車輛無法通過速度調(diào)整不停車通過交叉口，車輛將繼續(xù)行駛到停車線停車等待。

將交通流優(yōu)化參數(shù)代入式(8)和式(9)，結(jié)合信號(hào)燈配時(shí)信息，得到引導(dǎo)場(chǎng)景劃分?jǐn)?shù)學(xué)模型如表1所示。

表1 引導(dǎo)場(chǎng)景劃分?jǐn)?shù)學(xué)模型Table 1 Mathematical model of guiding scene partition

3 基于多目標(biāo)遺傳算法優(yōu)化

本文以油耗、排放和通行時(shí)間最小化為目標(biāo)進(jìn)行多目標(biāo)優(yōu)化。目的是在單車效率和系統(tǒng)效率之間進(jìn)行權(quán)衡。為更好體現(xiàn)各優(yōu)化目標(biāo)優(yōu)化效果，將勻速通過場(chǎng)景定義為基準(zhǔn)場(chǎng)景。建立的目標(biāo)函數(shù)為

式中：f1、f2、f3分別為與油耗、排放和通行時(shí)間相關(guān)的目標(biāo)函數(shù)；F(vc)為加速或減速通過交叉口區(qū)域的油耗；ECO2(vc)為加速或減速通過交叉口區(qū)域的CO2排放量；ENOx(vc)為加速或減速通過交叉口區(qū)域的NOX排放量；T(vc)為加速或減速通過交叉口區(qū)域的通行時(shí)間；w1、w2為權(quán)重系數(shù)，取值均為0.5。

多目標(biāo)優(yōu)化生態(tài)駕駛目標(biāo)車速時(shí)，除保證車速滿足交通法規(guī)要求外，還需要保證車輛能夠盡量不停車通過交叉口，故在加速引導(dǎo)場(chǎng)景下的約束條件為

減速引導(dǎo)場(chǎng)景下的約束條件為

多目標(biāo)問題與單目標(biāo)問題的一個(gè)不同點(diǎn)是由于存在多個(gè)相互沖突的目標(biāo)函數(shù)，獲得的解無法直接進(jìn)行優(yōu)劣判定。多目標(biāo)遺傳算法具有遺傳算法的優(yōu)點(diǎn)，在多目標(biāo)優(yōu)化問題中將得到一個(gè)滿足所有約束條件和各個(gè)目標(biāo)函數(shù)的Pareto解集。NSGA-II(Non-dominated Sorting Genetic Algorithm II)算法采用快速支配排序法，根據(jù)個(gè)體在種群中的支配關(guān)系對(duì)種群進(jìn)行循環(huán)分層，通過支配層序號(hào)進(jìn)行個(gè)體間優(yōu)劣度評(píng)估，使計(jì)算的復(fù)雜度大大降低；通過擁擠度的計(jì)算和比較，使非支配解均勻分布在Pareto前沿上；引入精英策略，保留歷代中的優(yōu)良個(gè)體，有助于加快收斂速度?；贜SGA-II 算法的信號(hào)交叉口目標(biāo)車速求解步驟如下。

Step 1 輸入能耗排放模型相關(guān)參數(shù)，能耗排放計(jì)算公式、約束條件及遺傳算法運(yùn)行相關(guān)參數(shù)。

Step 2 確定種群大小，初始化種群P。

Step 3 求解目標(biāo)函數(shù)適應(yīng)度值。將種群中每個(gè)個(gè)體在目標(biāo)函數(shù)上對(duì)應(yīng)的值求出，不滿足約束條件的個(gè)體將目標(biāo)函數(shù)值極大化，使之成為劣解，在后續(xù)操作中被淘汰。

Step 4 對(duì)種群中個(gè)體進(jìn)行非支配排序，確定每個(gè)個(gè)體的非支配層，對(duì)同一非支配層中的個(gè)體進(jìn)行擁擠度計(jì)算。

Step 5 根據(jù)非支配排序和擁擠度計(jì)算結(jié)果，選擇精英個(gè)體進(jìn)行交叉變異操作，產(chǎn)生子代種群。

Step 6 將父代種群與子代種群合并，形成新種群，再根據(jù)非支配排序和擁擠度選擇個(gè)體成為新一代父代種群。

Step 7 通過遺傳操作產(chǎn)生新一代種群，循環(huán)運(yùn)行Step 6、Step 7，直到達(dá)到結(jié)束條件，保存當(dāng)前Pareto非支配解集。

Step 8 從解集中選擇1 個(gè)精英個(gè)體作為全局最優(yōu)解，完成車輛通過信號(hào)交叉口目標(biāo)車速優(yōu)化。

NSGA-II算法流程如圖4所示。圖中，Gen為進(jìn)化代數(shù)。

圖4 NSGA-II算法流程Fig.4 Flow chart of NSGA-II algorithm

4 仿真分析

以VISSIM2020為仿真平臺(tái)，利用MATLAB連接VISSIM-COM進(jìn)行VISSIM二次開發(fā)。MATLAB通過COM接口可獲取VISSIM路網(wǎng)中的仿真、評(píng)價(jià)信息，通過控制策略計(jì)算出相應(yīng)的目標(biāo)引導(dǎo)速度并輸出到路網(wǎng)中的期望速度決策點(diǎn)，實(shí)現(xiàn)對(duì)路網(wǎng)中車輛的控制，并將VISSIM仿真輸出的逐秒速度、加速度等數(shù)據(jù)整理輸入至MOVES模型，評(píng)估系統(tǒng)能耗排放。仿真平臺(tái)示意如圖5所示。

圖5 仿真平臺(tái)搭建示意Fig.5 Schematic diagram of simulation platform construction

仿真參數(shù)設(shè)定如下：研究路段為一車道直行路段，在道路中設(shè)置若干車輛計(jì)數(shù)器。信號(hào)周期設(shè)置為60 s，黃燈期間車輛可通行。跟車模型采用Wiedemann74模型。搭建不同道路飽和度、算法滲透率和控制策略場(chǎng)景進(jìn)行仿真實(shí)驗(yàn)，根據(jù)城市交叉口通行能力計(jì)算公式得到本文綠信比下的道路通行能力約為500 veh·h-1。3種不同控制策略為：①不采用控制策略，即0 算法滲透率，②不考慮交通流的控制策略；③基于交通流優(yōu)化控制策略。在600仿真秒后開始記錄數(shù)據(jù)。每組仿真采用不同隨機(jī)種子運(yùn)行5 次，試驗(yàn)結(jié)果為5 次仿真平均值。其他仿真參數(shù)如表2所示。

表2 仿真參數(shù)Table 2 Simulation parameters

為更好表達(dá)生態(tài)駕駛控制策略實(shí)施效果，仿真結(jié)果數(shù)據(jù)為速度控制路段及速度恢復(fù)路段共450 m道路的車輛數(shù)據(jù)。其中平均速度仿真結(jié)果最大方差約為1.2，表明各次重復(fù)仿真實(shí)驗(yàn)結(jié)果較為接近。不同交通場(chǎng)景及控制策略下的車輛平均速度，如圖6所示。

由圖6可知，在中、高滲透率場(chǎng)景下，生態(tài)駕駛引導(dǎo)策略具有較好的出行效益，車輛平均速度大于無控制策略場(chǎng)景。采用基于交通流優(yōu)化控制策略場(chǎng)景，平均速度大于未考慮交通流的速度控制策略場(chǎng)景；與無控制場(chǎng)景相比，在高滲透率場(chǎng)景下平均速度提高5.8%～13.8%。

圖6 不同交通場(chǎng)景下的平均速度Fig.6 Average speed under different traffic scenarios

道路飽和度為20%，算法滲透率為100%時(shí)不同控制策略下道路中車輛的比功率(Vehicle Special Power，VSP)區(qū)間分布如圖7所示。

圖7 不同控制策略下的VSP區(qū)間分布Fig.7 VSP interval distribution under different control strategies

由圖7可知，與未使用控制策略相比，未考慮交通流的速度控制策略使高能耗率的停車怠速行為減少的同時(shí)能耗率最低的中速巡航也減少，而能耗率次優(yōu)的低速巡航增加；基于交通流優(yōu)化策略使停車怠速減少33%的同時(shí)低能耗率的中速巡航比例上升18%，從而使車輛運(yùn)行狀況得到改善。

如圖8所示，不同曲面分別為基于交通流優(yōu)化后與未考慮交通流策略時(shí)，在不同算法滲透率與道路飽和度下的能耗與各污染物排放量的擬合曲面?；诮煌鲀?yōu)化后，除CO外，在各道路飽和度及算法滲透率下，其他能耗排放指標(biāo)均有所下降，即各曲面均位于優(yōu)化前的下方；在算法滲透率為0的曲面上形成的線，即為無控制場(chǎng)景下不同道路飽和度的能耗排放；在高算法滲透率、低道路飽和度下，基于交通流優(yōu)化策略與無控制場(chǎng)景相比，能耗及N2O、NOx、HC、CH4排放分別減少6.6%及12.2%、4.0%、6.3%、2.9%，CO排放增加約2.5%，CO增加主要是加速工況比例上升導(dǎo)致的。

總體而言，未考慮交通流狀態(tài)的控制策略在低道路飽和度、高算法滲透率場(chǎng)景下能取得一定效果，但在高道路飽和度時(shí)效果變差，甚至可能惡化交通，而基于交通流優(yōu)化的控制策略在各道路飽和度下均能對(duì)交通產(chǎn)生良好效果。

5 實(shí)車實(shí)驗(yàn)

為驗(yàn)證生態(tài)駕駛車速控制策略的準(zhǔn)確性并評(píng)價(jià)節(jié)能減排效果，對(duì)車輛通過信號(hào)交叉口的能耗排放進(jìn)行實(shí)車驗(yàn)證。為保證實(shí)驗(yàn)安全性及準(zhǔn)確性，實(shí)驗(yàn)車輛在底盤測(cè)功機(jī)上運(yùn)行，并采用自動(dòng)駕駛機(jī)器人控制車輛運(yùn)行不同控制策略下的速度軌跡，排放分析系統(tǒng)實(shí)時(shí)采集排放數(shù)據(jù)。為更好地表達(dá)控制策略對(duì)車輛通過信號(hào)交叉口的影響，分別選取基于交通流優(yōu)化策略在加速及減速引導(dǎo)場(chǎng)景下的速度軌跡，及相同交通狀況下采用未考慮交通流控制策略和無控制策略時(shí)的車輛速度軌跡各2條。圖9為測(cè)試設(shè)備連接示意圖。

圖9 測(cè)試設(shè)備連接示意Fig.9 Test equipment connection diagram

不同控制策略及引導(dǎo)場(chǎng)景下的能耗排放對(duì)比如表3所示。

由表3可知，基于交通流優(yōu)化策略與未考慮交通流策略相比，各指標(biāo)均有所下降；與無控制策略時(shí)相比，油耗及CO、CO2、PN 排放量分別降低53.1%及47.6%、50.4%、39.8%，NOx排放量增加13.6%，其中，NOx排放增加主要是由于減速通過場(chǎng)景下低速巡航工況比例上升。實(shí)車實(shí)驗(yàn)與仿真實(shí)驗(yàn)結(jié)果存在一定差距，主要是仿真實(shí)驗(yàn)結(jié)果為道路中所有車輛能耗排放，實(shí)車實(shí)驗(yàn)結(jié)果為生態(tài)駕駛單車軌跡能耗排放，使得工況比例變化不同導(dǎo)致。

表3 不同控制策略下的能耗排放對(duì)比Table 3 Comparison of energy consumption and emission under different control strategies

6 結(jié)論

本文通過分析交叉口下網(wǎng)聯(lián)自動(dòng)駕駛車輛速度引導(dǎo)方法，基于交通流中其他車輛對(duì)生態(tài)駕駛車輛的影響，對(duì)生態(tài)駕駛引導(dǎo)場(chǎng)景劃分方法進(jìn)行優(yōu)化，求得可使車輛不停車通過交叉口的速度范圍，以油耗排放和通行時(shí)間為目標(biāo)函數(shù)，道路限速及不停車通過車速為約束條件進(jìn)行多目標(biāo)優(yōu)化，求得最優(yōu)引導(dǎo)速度，建立信號(hào)交叉口下生態(tài)駕駛速度控制策略。仿真及實(shí)驗(yàn)結(jié)果表明，生態(tài)駕駛控制策略能夠有效改善車輛通過信號(hào)交叉口的油耗排放，提高道路交通效率；并且基于交通流優(yōu)化的控制策略優(yōu)于未考慮交通流的控制策略。本文生態(tài)駕駛速度控制策略為網(wǎng)聯(lián)自動(dòng)駕駛車輛通過信號(hào)交叉口提供有效可行的技術(shù)方案。