一種基于雙層模糊控制的匝道合流區(qū)協(xié)同控制方法

趙紅?！￡愔钦?代 靜

一種基于雙層模糊控制的匝道合流區(qū)協(xié)同控制方法

趙紅專陳智振 代 靜

（桂林電子科技大學，廣西 桂林 541000）

為了提高匝道合流區(qū)的交通通行效率，降低匝道合流區(qū)的車輛平均延誤，采用雙層模糊控制方法，對匝道合流區(qū)主線車輛和匝道車輛進行協(xié)同控制。建立面向匝道合流區(qū)的換道決策模糊控制器，設計其輸入和輸出變量，并確定模糊規(guī)則。根據第一層雙模糊控制器決策結果，得到以車輛通行數優(yōu)先的和以平均延誤最低的換道決策率，并通過第二層模糊控制生成實際換道率，以車輛通過量和平均延誤為評價指標，在相同條件下對無模糊控制，部分模糊控制以及完全模糊控制進行仿真。結果表明，部分模糊控制及完全模糊控制相對于無模糊控制，平均延誤分別降低7.669 s和48.746 s。文章所提出的關于匝道合流區(qū)的模糊控制為匝道合流區(qū)協(xié)同控制提供了一種新的方式。

匝道控制；模糊控制；自動駕駛；換道決策

引言

快速路的通行順暢是城市交通有序運行的關鍵所在，對城市系統(tǒng)的高效運轉和交通安全具有重要意義，而匝道合流區(qū)作為典型的瓶頸路段嚴重影響著快速路的通行效率。解決匝道合流區(qū)的通行問題成為了一個急需解決的問題。隨著科技的不斷發(fā)展，智能控制的出現給交通管理帶來了新的解決方案，模糊控制作為智能控制的一個重要部分，不依賴于被控對象的精確數學模型，能根據交通量的實時變化調節(jié)控制參數，能夠模擬人的思維，將客觀經驗轉化為控制語句，進而實現對匝道合流區(qū)域的高效控制。

在匝道合流區(qū)域研究中，西方國家最早提出了交通管控技術且在不斷完善，并從傳統(tǒng)的匝道合流管控向結合智能控制的新匝道合流管控不斷過渡。在傳統(tǒng)匝道合流區(qū)控制研究中主要是通過基礎設施優(yōu)化設計[1-3]和匝道控制策略優(yōu)化[4,5]兩種方式來提升匝道合流區(qū)的通行效率。Chen等[6]以路網通行效率最大為控制目標，平衡主線與匝道控制策略，提出一種主線與匝道車輛行程時間的均衡控制模型，實現路線行程時間和延誤時間減少。劉暢等[7]通過考慮能效與舒適性，構建入口匝道的最優(yōu)車速控制問題，結合先進先出的合流次序，提出一種高速匝道入口多智能網聯(lián)車協(xié)同合流控制方法。Cao等[8]通過對合流區(qū)主線車輛和匝道車輛進行最優(yōu)控制并結合模型預測控制的方法生成了智能網聯(lián)車輛的行駛軌跡。Rios Torres等[9,10]以車輛最小加速度為優(yōu)化目標來解決匯入軌跡規(guī)劃問題，采用古典法或二次控制法來獲取優(yōu)化控制時間等相應變量，提出了一種高速公路智能網聯(lián)車輛的協(xié)同匯入控制策略。

已有研究將主線與匝道合流區(qū)劃分為換道區(qū)和合流區(qū)，提出主線和匝道的協(xié)同最優(yōu)控制策略，但是卻缺乏對實際道路條件的考慮，在換道決策時沒有將主線車輛換道納入控制策略，控制策略抗干擾性差，本文通過設置換道區(qū)間，在主線車輛進入合流區(qū)前，提前完成換道，給匝道車輛匯入時提供合流空間，減少車輛延遲，并結合設置雙層模糊控制結構，通過根據車輛到達量和車輛換道延誤率來分別進行換道概率決策，再將兩個控制器的決策結果進行擬合從而生成一個準確的換道概率。仿真結果表明，在相同交通條件下，該方法能明顯提升車輛通過效率，減少車輛延誤。

2 匝道合流區(qū)場景和雙層模糊控制策略構建

2.1 場景和行駛條件描述

如圖1所示，本文以主線有兩條車道分別為車道1和車道2，匝道車道為單車道的匝道合流區(qū)為例，主線車輛根據主線道路交通流量和匝道匯入車流量，在主干線引導區(qū)提前完成換道，換道只允許車道1車輛換道到車道2，在合流區(qū)內不允許主線車輛換道，匝道車輛在匝道內保持匝道限制速度行駛，在進入合流區(qū)時根據主線車流量判斷換道或者停車等待。在主干線引導區(qū)和匝道匯入點以及合流區(qū)末端設置車輛檢測器，以檢測車輛是否到達或者離開。

圖1 入口匝道合流區(qū)場景圖

2.2 入口匝道合流區(qū)模糊控制器結構

模糊控制主要靠設置模糊控制器來實現，其主要包括模糊化、模糊推理和解模糊三個部分，通過制定的模糊規(guī)則將輸入變量進行模糊推理，并輸出變量，最后通過解模糊得到具體的輸出變量。過程如圖2所示。

圖2 模糊控制器結構圖

本文采用了雙層模糊控制的結構，建立了以車輛到達率和車輛平均延誤為輸入變量，車輛換道率為決策目標的多重決策的匝道合流區(qū)控制方法。首先，模糊控制器采用雙輸入單輸出的結構。第一層模糊控制采用兩個模糊控制器，模糊控制器1和模糊控制器2，模糊控制器1的輸入變量分別為主路到達車輛數和匝道到達車輛數，輸出變量為以車輛通過數為優(yōu)先的換道概率；模糊控制器2輸入變量為主路采集間隔內平均延誤和匝道采集間隔內平均延誤，輸出變量為以車輛平均延誤為優(yōu)先的車輛換道率，完成該控制方法的第一層決策。第二層模糊控制，以第一層的模糊控制器中根據車輛到達數和車輛平均延誤進行決策產生的換道率為輸入變量，進行模糊推理生成實際換道概率。并通過實際換道概率，執(zhí)行換道信息發(fā)布，雙層模糊控制的結構能夠提升換道決策的準確性。雙層模糊控制器結構如圖3所示。

圖3 雙層模糊控制結構圖

2.2.1 入口匝道合流區(qū)控制變量模糊化

根據專家經驗對模糊論域及模糊子集進行劃分：

主路到達車輛數、匝道到達車輛數（V1,V2）：

V1、V2的基本論域為[0,30]，劃分為5個模糊子集，即{很小，小，中等，大，很大}，簡記為{HX,X,Z,B,HB}。

以車輛通過數優(yōu)先的換道決策率（C）：

C的基本論域為[0,1]，劃分為6個模糊子集，即{很小，小，中等，大，很大，非常大}，簡記為{HX,X,M,B,HB,VB}。

主路采集間隔內平均延誤及匝道采集間隔內平均延誤（L1,L2）：

L1、L2的基本論域為[0,300]，劃分為5個模糊子集，即{沒有，小，中等，大，很大}，簡記為{N,S,Z,D,HD}。

以平均延誤最低的換道決策率（Y）：

Y的基本論域為[0,1]，劃分為6個模糊子集，即{很小，小，中等，大，很大，非常大}，簡記為{HX,X,M,B,HB,VB}。

以車輛通過數優(yōu)先的換道決策率及以平均延誤最低的換道決策率（T1,T2）：

T1、T2的基本論域為[0,1]，劃分5個模糊子集，即{很小，小，中等，大，很大}，簡記為{HR,R,M,Q,HQ}。

實際換道率（P）：

P的基本論域為[0,1]，劃分為6個模糊子集，即{沒有，很小，小，中等，大，很大}，簡記為{N,HX,X,Z,D,HD}。

2.2.2 入口匝道合流區(qū)隸屬度函數設置

本文根據專家經驗對隸屬度函數進行設計。采取了三角形隸屬函數。隸屬函數值越接近1，其變量屬于該模糊集合的程度越強；反之，隸屬函數值越接近0，其變量屬于該模糊集合的程度越弱。輸入變量為主路到達車輛數（V1）及匝道到達車輛數（V2）、主路采集間隔內平均延誤（L1）及匝道采集間隔內平均延誤（L2）、以車輛通過數優(yōu)先的換道決策率（T1）及以平均延誤最低的換道決策率（T2），如圖4所示。輸出變量為以車輛通過數優(yōu)先的換道決策率（C）、以平均延誤最低的換道決策率（Y）、實際換道率（P），如圖5所示。

圖5 輸出變量隸屬度函數

2.2.3 入口匝道合流區(qū)控制模糊規(guī)則

模糊推理是模糊控制器的核心部分，類似于人的大腦，其表達方式為“IF…THEN…”的形式。本文采用“IF A and B THEN C”的形式設定模糊規(guī)則，以Mamdani方法進行模糊推理。具體描述為當主路到達車輛數（V）且匝道到達車輛數（V）很小時，以車輛通過數優(yōu)先的換道決策率（D）為?。╔）。具體模糊規(guī)則如表1、表2、表3所示。

表1 控制器1的模糊語言值

表2 控制器2的模糊語言值

表3 控制器3的模糊語言值

在MATLAB中輸入隸屬度函數得到的模糊規(guī)則圖如圖6所示。

2.2.4 入口匝道合流區(qū)控制變量解模糊

在實際過程中，往往需要輸出具體而精確的值才能實現控制，因此需要對車輛到達換道率，平均延誤換道率和實際輸出換道率進行解模糊。

為了探究入口匝道合流區(qū)主線車輛換道決策率與入口匝道合流區(qū)車輛通過量和車輛延誤之間的關系。本文采用重心法在MATLAB自帶的Fuzzy工具箱得到模糊控制器的輸入輸出曲面，及相對應的換道率的精確控制量。通過上述模糊控制規(guī)則，得到控制效果圖如圖7所示，(a)中以車輛到達數為優(yōu)先的換道決策率隨著快速路車輛到達數增加而減小，隨著匝道車輛到達數的增加而增加，因為主線的車流量遠大于匝道車流量，所以在主線車流量不多，而匝道車流量過多的情況下要及時采取提前變道的措施；(b)中以車輛平均延誤為優(yōu)先的換道決策率，隨著主線車流的平均延誤增大而減小，隨著匝道車流平均增大而增大，由于主線車輛優(yōu)先，所以主線車輛延誤較大時不宜采取換道措施；(c)中實際換道決策率隨著兩個決策換道率的增大而增大。

圖7 入口匝道合流區(qū)模糊控制三維關系圖

3 仿真分析

通過使用VISSIM仿真軟件分別對無自動駕駛環(huán)境、滲透率為50%的自動駕駛環(huán)境，純自動駕駛環(huán)境的3種匝道合流區(qū)場景進行控制仿真，3種場景的具體方案設計如下：

方案1：不采取任何控制。

方案2：采取本文所提出的雙層模糊控制方法，設置滲透率為50%的自動駕駛環(huán)境，由于非自動車輛無法實時接收信息，模糊控制只對自動駕駛車輛有效。

方案3：設置滲透率為100%的自動駕駛環(huán)境，即純自動駕駛環(huán)境。

3.1 參數設置

采用設計參數的方式進行仿真。為了實現本文所提入口匝道合流區(qū)控制方法，以濟南市某一快速路合流區(qū)為研究對象如圖8所示，通過實際場景條件和車輛行駛規(guī)范對仿真參數進行了設計。主線路段為單向雙車道，入口匝道為單車道，在車輛換道點處設置了一個檢測器，在主線車輛匯入點和匝道車輛匯入點各設置了一個檢測器，檢測周期設置為30 s（檢測周期太短，可能會導致頻繁決策，會增大車輛行駛延誤，影響通行效率；檢測周期太長，可能會導致決策不及時，錯過最佳決策時間，造成匝道車輛停車等待次數增多，影響通行效率）。自動駕駛車輛駕駛行為遵守IDM模型，非自動駕駛車輛駕駛行為遵守widemann74模型，為了研究所提入口匝道合流區(qū)控制方法在不同交通需求條件下的控制效果，將總仿真時長設置為10 800 s，步長為1800 s（對應一種交通需求，交通需求按交通量步長遞增）。具體仿真參數如表4所示。

圖8 仿真路段圖

表4 參數設置表

3.2 實驗結果分析

將三種方案仿真后得到數據如表5所示。

表5 仿真結果數據表

由表5可以看出當采取部分模糊控制，匝道合流區(qū)的平均延誤時間從54.57 s減少到46.901 s，減少了7.669 s，平均停車次數減少0.576次，平均速度提升2.694 km/h，平均停車延誤減少1.595 s；當采取完全模糊控制時，平均延誤減少48.746 s，平均停車次數減少3.293次，平均速度提升34.869 km/h，平均停車延誤減少8.243 s。結果表明，本文提出的基于雙層模糊控制的匝道合流區(qū)協(xié)同控制方法能夠有效地降低車輛延誤時間，減少停車次數，提高車輛通行速度，從而大幅提升匝道合流區(qū)道路通行能力。

4 結論

本文以匝道合流區(qū)為主要研究對象，并通過建立雙層模糊控制結構，將第一層控制決策結果進行擬合輸出更為精準的第二層控制決策，使得決策結果更加精確，以車輛通過數以及平均延誤和停車次數為評價指標進行分析。為了驗證其有效性，通過對無模糊控制場景、部分模糊控制場景、完全模糊控制場景進行VISSIM仿真，仿真結果表明，在同等交通環(huán)境下，該模糊控制方法能夠有效提升匝道合流區(qū)通行效率。本文提出的基于雙層模糊控制的匝道合流區(qū)控制方法給匝道合流區(qū)協(xié)同控制提供了一種新的控制形式。

[1]SCARINCI R, HEYDECKER B. Control concepts for facilitating motorway on-ramp merging using intelligent vehicles[J]. Transport Reviews, 2014, 34(6): 775-797.

[2] LI Z, LI L. Computational method of acceleration lane length in expressway merging area[J]. Journal of Southeast University (Natural Science Edition), 2016, 4: 36.

[3] CI Y, WU L, LING X, et al. Operation reliability for on-ramp junction of urban freeway[J]. Journal of Central South University of Technology, 2011, 18(1): 266-270.

[4] PAPAGEORGIOU M, PAPAMICHAIL I. Overview of traffic signal operation policies for ramp metering[J]. Transportation Research Record, 2008, 2047(1): 28-36.

[5] CARLSON R C, PAPAMICHAIL I, PAPAGEORGIOU M, et al. Optimal motorway traffic flow control involving variable speed limits and ramp metering[J]. Transportation Science, 2010, 44(2): 238-253.

[6] CHEN X, LI T, MA Z, et al. Integrated mainline and ramp signal control for expressway on-ramp bottleneck with unequal lane-setting[J]. Journal of Intelligent Transportation Systems, 2021, 26(1): 100-115.

[7] 劉暢，莊偉超，殷國棟，等. 高速匝道入口多智能網聯(lián)車協(xié)同合流控制[J]. 東南大學學報(自然科學版)， 2020，50(5): 965-972.

[8] CAO W, MUKAI M, KAWABE T, et al. Cooperative vehicle path generation during merging using model predictive control with real-time optimization[J]. Control Engineering Practice, 2015, 34: 98-105.

[9] RIOS-TORRES J, MALIKOPOULOS A A. Automated and cooperative vehicle merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18(4): 780-789.

[10] RIOS-TORRES J, MALIKOPOULOS A A. A survey on the coordination of connected and automated vehicles at intersections and merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18(5): 1066-1077.

A Coordinated Control Method of Ramp Confluence Area Based on Two-Layer Fuzzy Control

In order to improve the traffic efficiency in the ramp confluence area and reduce the average delay of vehicles in the ramp confluence area, a two-layer fuzzy control method is used to control the main line vehicles and ramp vehicles in the ramp confluence area. A fuzzy controller for lane change decision-making in ramp merging area is established, its input and output variables are designed, and the fuzzy rules are determined. According to the decision-making results of the first layer of dual fuzzy controllers, the lane change decision rate with priority to the number of vehicles and the lowest average delay is obtained, and the actual lane change rate is generated through the second layer of fuzzy control. Taking the vehicle throughput and average delay as the evaluation indicators, the non-fuzzy control, partial fuzzy control and complete fuzzy control are simulated under the same conditions. The results show that the partial fuzzy control and the complete fuzzy control relative to non-fuzzy control, the average delay is reduced by 7.669s and 48.746s respectively. The proposed fuzzy control of ramp confluence area provides a new way for the collaborative control of ramp confluence area.

ramp control; fuzzy control; automated driving; lane change decision

U491

A

1008-1151(2022)12-0009-05

2022-09-19

基于NB-IOT環(huán)境下智慧泊車誘導系統(tǒng)關鍵技術研究（2362022YCXS228）；柳州市重大專項（2021CAA0101）。

趙紅專（1985－），男，廣西桂林人，桂林電子科技大學建筑與交通工程學院副教授，研究方向為智能交通系統(tǒng)、智能網聯(lián)技術等領域。