多模态多尺度信号-车辆耦合控制

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Multimodal multiscale signal-vehicle coupled control

【字体: 大 中 小 】 时间:2026年08月28日 来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4

编辑推荐:

  •M2SVCC 提供了一个框架,用于联合优化交通信号计时和自动驾驶车辆(CAV)的行驶轨迹。•M2SVCC 考虑了行人、自行车骑行者以及不同类型的车辆。•M2SVCC 有助于提高所有交通模式的移动性和安全性,并减少能源消耗。•实际的改进效果取决于具体目标、交叉口设计以及不同交通模

  
  • •
    M2SVCC 提供了一个框架,用于联合优化交通信号计时和自动驾驶车辆(CAV)的行驶轨迹。
  • •
    M2SVCC 考虑了行人、自行车骑行者以及不同类型的车辆。
  • •
    M2SVCC 有助于提高所有交通模式的移动性和安全性,并减少能源消耗。
  • •
    实际的改进效果取决于具体目标、交叉口设计以及不同交通模式的优先级。

引言

城市交通系统的特点是不同交通模式之间的多样性和互动性,包括各种类型的车辆以及行人、自行车骑行者等主动交通用户。从城市交通管理和控制的角度来看,城市交通在时间和空间上都是多尺度的:从车辆(和个别用户)的快速操作/控制,到交叉口级别的管理和控制,再到走廊和子网络级别的局部控制,以及网络级别的全局控制(Guo 等人,2023 年),其时间和空间尺度逐渐扩大。尽管现代城市的交通本质上具有多模式和多尺度的特性,但大多数现有研究往往仅关注单一交通模式和/或单一尺度的流动性,常常忽略了对整合不同模式和尺度的全面统一框架的需求。
智能交通系统(ITS)领域中由联网和自动化车辆(CAVs)带来的最新进展为许多交通问题提供了有希望的解决方案(Guo 等人,2019 年;Shladover,2018 年)。这些技术通过实现车辆与周围环境之间的协作互动,并通过自动化提供更大的控制灵活性,从而可能改变城市交通控制(UTC)。这些新技术的联网、协作和自动化能力有助于不同道路用户和交通基础设施之间的流动性协调(Piperigkos 等人,2022 年),这些技术提供了先进的控制策略,以改善驾驶行为、减少延误并提高安全性(Han 等人,2020 年;Ilgin Guler 等人,2014 年;Sun 等人,2020 年;Xu 等人,2019 年;Yao 和 Li,2020 年;Yu 等人,2018 年)。有关全面综述,请参见 Guo 等人(2019 年)的研究。
交通控制与车辆行驶之间的相互依赖和多尺度互动——车辆遵循在不同时间尺度上运行的信号计划,而信号则根据交通流量动态更新——推动了信号-车辆耦合控制(SVCC)模型在信号化交叉口的发展(Guo 等人,2023 年;Guo 等人,2024 年)。SVCC 的目标是在同时优化车辆轨迹和信号计时的同时,最小化交叉口的整体延误和车辆燃油消耗。该模型在模拟研究和实际测试中都展示了良好的结果,包括在密歇根州 Mcity 的一个联网和自动化测试平台上的应用(Naderian 等人,2025 年)。虽然有效,但这种单模式多尺度的 SVCC 模型仅针对汽车场景开发,尚未在涉及多种交通模式和车辆类型的更现实环境中进行测试。
步行和骑行等主动出行方式在减少交通拥堵和噪音、改善公共健康以及降低碳排放方面发挥着关键作用(Brand 等人,2021 年;Mueller 等人,2015 年;Rabl 和 de Nazelle,2012 年;Sallis 等人,2004 年)。此外,行人和自行车骑行者的安全问题仍然是一个重大挑战。2021 年,美国有 966 名自行车骑行者和 7,388 名行人死于交通事故,其中交叉口导致了 16% 的行人死亡和 29% 的自行车骑行者死亡(NHTSA,2021 年)。因此,将主动交通的流动性和安全性考虑因素纳入交通信号优化模型对于建立一个公平和可持续的交通系统至关重要。然而,这些出行方式通常在不同的时间尺度和空间动态下运行,其行为更难以预测,也无法像自动驾驶车辆那样直接控制,这使得将它们纳入交通信号优化问题成为一个复杂但必要的挑战。自动驾驶车辆的连接性和自动化能力提供了对系统的更大控制力,并提供了来自环境的实时信息,包括所有道路用户的状态和行为,极大地提高了多种出行模式的流量预测准确性。
自动驾驶车辆的使用还使得能够收集各种类型车辆(如电动车辆、混合动力车辆和传统燃油车辆)的动力系统特性,并便于将其纳入控制模型中,鉴于电动汽车销量的迅速增长,这一点变得越来越重要(IEA,2024 年)。车辆到基础设施(V2I)技术提供的信息使信号计时优化过程能够考虑不同的排放特征,从而支持环保策略(Khalighi 和 Christofa,2015 年;Osorio 和 Nanduri,2015 年)。
我们的研究将单一模式的 SVCC 扩展到了多模式的多尺度 SVCC(M2SVCC)框架,该框架包括多种交通模式,重点关注主动用户的可持续性、流动性和安全性,同时结合了针对不同类型车辆的节能策略。在基于模型预测控制(MPC)的方法中,将行人和自行车骑行者纳入 M2SVCC。我们的目标是探索并解决交叉口多模式交通的多目标问题,在不同的信号相位和基础设施配置下平衡不同道路用户之间的经常冲突的目标。这种方法还支持制定交通管理政策,根据需求或安全考虑因素优先考虑某些交通模式。
考虑了两种主要的主动用户通行场景:(1)同步信号相位和(2)专用信号相位。在同步场景中,行人和自行车骑行者的通行与车辆行驶同时发生;而在专用信号相位中,所有车辆行驶都会停止,只为行人和自行车骑行者提供专用的通行时间。我们还测试了不同车辆转弯处理方式下的同步场景,包括允许右转、受保护的右转、引导行人和自行车骑行者的间隔(LPI 和 LBI)以及延迟右转,以解决主动用户与自动驾驶车辆之间的转弯冲突。在模型中同时考虑了分离的自行车道和混合车辆-自行车流。这种方法反映了实际情况,考虑到自行车骑行者可能根据可用基础设施在不同自行车道上骑行或与车辆共享道路空间。为了解决在混合流条件下人类驾驶车辆(例如,HV 和自行车)与自动驾驶车辆之间交互的建模挑战,采用了车辆跟随模型和为不同道路用户开发的统一跟随领导者方法(Zhao & Zhang,2017 年)。最后,使用能源消耗优化目标来为所有类型的车辆(如电动车辆、混合动力车辆和内燃机车辆(ICE)实现节能的行驶轨迹,同时考虑它们的不同排放特征。
本研究的主要贡献包括:1)提出了将主动交通用户和不同类型的车辆整合到城市交通控制中的 M2SVCC 框架;2)使用统一的跟随领导者模型解决了模拟人类驾驶车辆(例如,自行车)和自动驾驶车辆互动的挑战;3)推导出考虑车辆不同燃油和能源消耗的优化自动驾驶车辆行驶轨迹;4)在不同信号相位设置、不同的自行车和行人需求以及不同模式目标的不同权重因素下,评估了所提出的 M2SVCC 与传统信号控制方案的性能;5)探索了不同的信号设置和基础设施设计,以平衡不同交通模式的可持续性、流动性和安全性,确保在有自动驾驶车辆的信号化交叉口中实现公平的系统。
第 2 节介绍了相关文献。第 3 节讨论了 M2SVCC 的方法论框架。第 4 节展示了将行人和自行车骑行者纳入 M2SVCC 的结果。最后,第 5 节提供了结论和未来工作安排。

章节摘录

文献:

关于包含行人和自行车骑行者的多模式交叉口优化的文献研究主要可以根据环境特征(连接型、非连接型)、控制类型(信号控制、车辆控制或耦合控制)、行人和自行车骑行者的相位设置(同步或专用等)以及采用的优化方法(基于规则、基于模型和基于学习的方法)进行分类。文献总结见表 1。
整合主动用户的流动性

单模式(仅限车辆)SVCC:

本研究提出的 M2SVCC 框架扩展了最初仅为车辆交通开发的 SVCC(Guo 等人,2023 年)。SVCC 将信号-车辆联合控制分解为两个尺度:一个较慢尺度的交通信号计时优化和一个较快尺度的车辆轨迹优化,并确保两个尺度之间的一致性。较慢尺度的重点是在较长的时间间隔内优化信号相位和车辆轨迹(例如,5

结果与讨论

M2SVCC 模型在西雅图市中心的一个交叉口(图 5)和 Mcity 网络(图 13)上进行了模拟测试。M2SVCC 的性能与单模式 SVCC 和作为基线的手动信号控制策略进行了比较。应当注意的是,也评估了固定时间控制场景。然而,由于手动控制在整个评估的性能指标中始终优于固定时间控制,因此固定时间控制的结果

结论与未来工作

本研究通过整合主动交通用户(行人和自行车骑行者)开发了 M2SVCC 框架,同时考虑了行人通行要求、自行车骑行者与共享车道上车辆之间的互动以及不同的信号设置和转弯处理方式。该模型还纳入了具有不同动力系统的车辆,包括内燃机车辆、混合动力车辆和电动车辆。结果证明了 M2SVCC 在提高可持续性方面的强大潜力。

CRediT 作者贡献声明

Shakiba Naderian:撰写 – 审稿和编辑、撰写 – 原初草案、可视化、验证、软件、方法论、调查、形式分析、数据整理。Qiangqiang Guo:验证、方法论、概念化。Zhijie Qiao:验证、数据整理。Shengyin Shen:验证、数据整理。Henry X. Liu:监督、数据整理。Xuegang Jeff Ban:概念化、资金获取、方法论、资源、撰写 – 审稿和编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。

致谢

作者感谢两位匿名审稿人的建设性意见,这些意见显著提高了手稿早期版本的质量。这项工作部分得到了 PacTrans、美国第 10 区域的大学交通中心(UTC)的支持,该中心由美国交通部(USDOT)资助,以及通过 Mcity 2.0 项目(CMMI #2223517)获得美国国家科学基金会的支持。本文中表达的任何观点、发现、结论或建议均不代表
Shakiba Naderian|Qiangqiang Guo|Zhijie Qiao|Shengyin Shen|Henry X. Liu|Xuegang Jeff Ban
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号