网联自动驾驶车辆通过信号交叉口的速度轨迹优化方案

发布时间:2024-01-09  

文章摘要

以网联自动驾驶汽车(Connected Autonomous Vehicle,CAV)为研究对象,研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略。基于最优控制理论,采用CAV的自动驾驶模型描述车间相互作用,以所有CAV车辆在行驶过程中的总油耗为优化目标,根据信号灯的配时信息建立模型约束,通过优化CAV头车的速度轨迹,保证整个CAV车队在绿灯相位下快速通过交叉口并实现油耗最小。


为了对该优化控制进行高效求解,采用离散Pontryagin极小值原理建立最优解的必要条件,利用基于神经网络训练的弹性反向传播(Resilient backpropagation,RPROP)算法设计了数值求解算法。多个典型场景的仿真结果显示:整个CAV车队均能在不停车的情形下通过信号交叉口,避免因在红灯时间窗到达停车线造成的停车、启动等过程,总油耗量最高可减少69.74%。该控制方法利用网联自动驾驶技术的优势,显著改善了城市交通通行效率和燃油经济性。

所提方法

1.CAV速度轨迹优化模型

本文采用C.Letter提出的自动跟车算法描述CAV的驾驶行为,见下式。

图片

式中: i =1,2,…, n ;a**i ( t )为第i辆车t时刻的瞬时加速度,m/s ^2^ ;s**i ( t )为第i辆车t时刻的瞬时位移,m;v**i ( t )为第i辆车的瞬时速度,m/s;h**t为期望车头时距,s;d0为最小安全车间距,m;k1和k2为模型参数。

以CAV车队每1辆车的位移和速度作为状态变量(维数为2 n ), x =[s1v1s2v2 … snv**n ] ^T^ ,以CAV头车的加速度 u ,m/s ^2^ ,为优化控制变量,可以建立CAV车队行驶的状态方程模型 x ˙( t )= *f * [ *x* ( *t* ), *u* , *t* ],见下式。

图片

为了计算车辆在行驶过程的油耗量,需要建立油耗模型。车辆油耗模型有很多,考虑到该模型计算量会随着CAV车队车辆数增加而增加,为了提高计算效率,笔者采用欧洲环保局(European Environment Agency,EEA)开发的基于平均速率的COPERT油耗模型,见下式。

图片

式中:ρ1 ,ρ2 ,ρ3为COPERT模型参数。

以所有CAV车辆的总油耗为优化控制的目标函数,见下式。

图片

式中:t0和tf分别为控制初始时刻和终端时刻,s。

利用V2I通信,CAV获取交叉口的信号配时,假设距离当前时刻最近的绿灯相位时段[tg1 ,tg2 ],建立系统约束见下式。

图片

图片

上式通过对CAV车队头车在tg1时刻的位移以及尾车在tg2时刻的位移进行约束,保证了CAV车队的所有车辆均能在绿灯相位时段[tg1 ,tg2 ]通过交叉口。

考虑汽车的能力限制,行驶的速度需要满足约束,见下式。

图片

式中:vmin为最低车速,m/s,vmax为最高车速,m/s。

综上,式(2)和式(4)~(7)为基于最优控制的CAV速度轨迹优化模型,通过优化CAV头车的速度轨迹,便可以保证CAV车队所有车辆均能在绿灯相位下高效地通过交叉口,同时最小化所有车辆的燃油消耗总量,提高燃油经济性。

2 基于RPROP的求解方法

2.1最优解的必要性条件

为了在计算机上实现对上述最优控制问题的高效求解,对其进行离散化处理,接着通过惩罚函数法将不等式约束进行处理,通过引入拉格朗日乘子,将其转化为无约束的最优控制问题,最后利用离散系统Pontryagin极小值原理建立最优解的必要条件。

以Δt为离散步长,以[0,tg2 ]为优化控制周期,共K个离散时刻,kg1对应绿灯时间窗的开始时刻tg1 ,绿灯时间窗的结束时刻tg2为控制结束时刻 K 。采用差分法对CAV车队动态模型进行离散化,得到如下形式。

图片

图片

图片

根据模型约束,构造如下惩罚函数:

图片

引入惩罚因子构造离散最优控制的增广目标函数:

图片

图片

图片

式中:为惩罚因子。

构造Hamiltonian函数,见下式。

图片

利用Pontryagin极小值原理建立最优解的必要条件。

图片

图片

图片

2.2基于RPROP的求解算法

采用基于神经网络训练的弹性反向传播算法(RPROP)方法,构造梯度方向,设计求解算法。其基本思想为:从某个初始值开始,根据Pontryagin极小值原理(见2.1节)得到梯度方向,并根据历史梯度信息动态更新搜索步长以加快求解速度,设计基于RPROP的求解算法。

离散化系统极小值的条件:

图片

在搜索解的过程中,RPROP方法根据梯度符号决定搜索的方向,并根据搜索过程的结果动态调整搜索步长,可以保证求解的快速性。虽然RPROP方法无法保证收敛到全局最小值,但在实际应用中往往能获得比较满意的最优解。

梯度值 h ( k )可根据Hamiltonian函数见下式。

图片

建立控制向量的迭代公式,见式(17)。

图片

仿真实验

通过仿真实验,验证本文所设计的CAV速度轨迹优化策略。为了便于对比分析,分别将优化控制前、后的结果进行对比分析。在仿真过程中,假设交叉口停车线上游550 m处,有5辆车形成的CAV车队,初始速度为10 m/s,初始加速度0 m/s ^2^ ,V2I的最大通信距离为350 m(A点),也就是说:一旦CAV进入ICU可通信范围,即可与路侧基础设施进行通信。

初始时刻信号灯为绿灯相位,绿灯时间窗为[0,30 s],仿真结果见图1。

由图1可见,在该场景中,车队初始时刻以10 m/s的速度行驶。在没有采取优化控制的情况下,CAV车辆继续匀速行驶,错过了第1个绿灯相位(时间窗为[0 s,30 s]),在红灯相位时间到达停车线,唯有停车等待下1个绿灯相位。采取本文设计的速度轨迹控制策略后,CAV一旦进入ICU的通信距离,就可接收到ICU广播的信号配时信息,开始进行轨迹优化。CAV头车在优化过程中,不仅考虑本车,而且考虑整个车队的通行效率,于是CAV头车开始加速,使车队所有CAV车辆无需停车等待,均能在第1个绿灯相位通过交叉口。

由于优化过程中考虑了燃油经济性的优化,故加速过程中并未出现较大幅度的变速(整个运动过程中,0 m/s ^2^ ≤ a ≤2.93 m/s ^2^ ),经过COPERT模型的计算,总油耗量减少了69.74%。可见,通过本文设计的轨迹优化控制策略,CAV头车及时地根据信号配时信息进行轨迹优化,保证车队所有车的行驶效率,避免了因在红灯时间窗到达停车线造成的减速、停车、加速行为,显著减少了燃油消耗量。

图片

图1 场景1仿真结果对比图

阅读心得

本文构建了基于最优控制的CAV车辆通过信号交叉口的速度轨迹优化控制模型,并利用离散系统Pongryagin极小值原理建立最优解的必要条件,采用RPROP算法方法设计了求解方法,在保证求解质量的同时提高了求解速度。


仿真结果显示,CAV根据基于V2I通信获得实时信号配时信息,提前对自身速度轨迹进行调整,保证所有CAV车辆在绿灯相位时间窗无停车通过信号交叉口,避免因在红灯时间窗到达停车线造成的减速、停车、启动加速等过程,显著减少了所有车辆的总油耗,提高了通行效率。由于本文只考虑了CAV在单车道行驶的情况,在未来的研究中,将进一步研究CAV在多车道的行驶情况,考虑CAV的换道行为,对CAV的速度轨迹进行优化。


文章来源于:电子工程世界    原文链接
本站所有转载文章系出于传递更多信息之目的,且明确注明来源,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

我们与500+贴片厂合作,完美满足客户的定制需求。为品牌提供定制化的推广方案、专属产品特色页,多渠道推广,SEM/SEO精准营销以及与公众号的联合推广...详细>>

利用葫芦芯平台的卓越技术服务和新产品推广能力,原厂代理能轻松打入消费物联网(IOT)、信息与通信(ICT)、汽车及新能源汽车、工业自动化及工业物联网、装备及功率电子...详细>>

充分利用其强大的电子元器件采购流量,创新性地为这些物料提供了一个全新的窗口。我们的高效数字营销技术,不仅可以助你轻松识别与连接到需求方,更能够极大地提高“闲置物料”的处理能力,通过葫芦芯平台...详细>>

我们的目标很明确:构建一个全方位的半导体产业生态系统。成为一家全球领先的半导体互联网生态公司。目前,我们已成功打造了智能汽车、智能家居、大健康医疗、机器人和材料等五大生态领域。更为重要的是...详细>>

我们深知加工与定制类服务商的价值和重要性,因此,我们倾力为您提供最顶尖的营销资源。在我们的平台上,您可以直接接触到100万的研发工程师和采购工程师,以及10万的活跃客户群体...详细>>

凭借我们强大的专业流量和尖端的互联网数字营销技术,我们承诺为原厂提供免费的产品资料推广服务。无论是最新的资讯、技术动态还是创新产品,都可以通过我们的平台迅速传达给目标客户...详细>>

我们不止于将线索转化为潜在客户。葫芦芯平台致力于形成业务闭环,从引流、宣传到最终销售,全程跟进,确保每一个potential lead都得到妥善处理,从而大幅提高转化率。不仅如此...详细>>