快速路匝道入口智能网联车协同合并控制研究

朱少杰 王文格

摘 要：针对快速路匝道入口场景在高车流量的情况下容易发生交通拥堵的问题，提出了一种快速路匝道入口智能网联车（connected and automated vehicles，CAV）协同合并控制的解决方案，将问题解耦成多车顺序决策和车辆运动规划两部分。其中多车顺序决策对通行效率起到重要作用，因此设计了一种基于状态评价模型（state evaluation model，SEM）的多车顺序决策算法。该算法首先建立状态空间并初始化，考虑通行效率和车辆延迟设计状态评价函数，通过状态转移关系选择出最优状态，最终回溯得到最优通行顺序。根据车辆状态和到达冲突点时间，控制器实时推导各车辆纵向速度的解析解，实现车辆运动规划。仿真和实验结果表明，该方案在满足交通系统实时性要求的同时能有效提高快速路匝道入口的通行效率，缩短车辆延迟，降低燃油消耗。

关键词：智能网联汽车； 协同合并控制； 多车顺序决策； 快速路匝道入口

中图分类号：U495;TP391.9   文献标志码：A

文章编号：1001-3695（2023）09-029-2755-05

doi：10.19734/j.issn.1001-3695.2023.02.0053

Cooperative merging control of connected and automatedvehicles at freeway on-ramp entrance

Zhu Shaojie， Wang Wenge

（College of Mechanical & Vehicle Engineering， Hunan University， Changsha 410082， China）

Abstract：Aiming at the problem of traffic congestion in freeway on-ramp entrance under the condition of high traffic flow， this paper proposed a cooperative merging control solution of CAV at freeway on-ramp entrance， which divided the problem into multi-vehicle sequential decision making and vehicle motion planning. Multi-vehicle sequential decision making played an important role in traffic efficiency， so this paper proposed a multi-vehicle sequential decision algorithm based on SEM. This algorithm firstly established the state space and initialization， designed the state evaluation function by considering the traffic efficiency and the vehicle delay. It selected the optimal state through the state transition relationship， and finally got the optimal passing order by backtracking. According to the state of the vehicles and the time to reach the conflict point， the controller deduced the analytic solution of the longitudinal velocity of each vehicle in real time to realize the vehicle motion planning. Simulation and experiment results show that the solution can not only meet the real-time requirements of the traffic system， but also effectively improve the efficiency of freeway on-ramp entrance， shorten vehicle delay and reduce fuel consumption.

Key words：connected and automated vehicles; cooperative merge control; multi-vehicle sequential decision; freeway on-ramp entrance

0 引言

匝道是连接主车道以及其他道路的重要节点，特别是匝道合并区对主道交通流平稳运行起到重要作用。匝道合并区交通量突然增大容易导致交通拥堵，使得车辆频繁启停甚至长时间滞留，将造成额外的燃料消耗以及尾气排放［1］。

面对这些存在的问题，各国都在不断发展智能网联技术，通过先进的传感器和车联网通信技术（vehicle-to-everything，V2X）使得车辆能够实时获取相邻车辆的驾驶信息并接收中央控制器的指令［2］，可以提前为CAV分配顺序并规划车辆运动轨迹，实现协同合并，保障车辆安全、舒适、节能、高效行驶，从而减少交通延误和燃油消耗［3］，能有效解決交通拥堵问题［4］。

研究人员发现，出入口匝道的无序合并是造成交通拥堵的主要原因之一，其中合并问题的关键在于确定最优合并顺序［5］。Dresner等人［6］提出了一种基于预约查询的交叉口管理系统算法（autonomous intersection management，AIM），按照先进先出（first-in-first-out，FIFO）规则对预约进行管理，该方法虽然能快速地在线计算，却不能保证通行顺序是全局最优的。Xu等人［7］提出了一种基于分组的协同驾驶策略，根据车辆间距设计自适应分组阈值，在较少计算开销下保证了较高的通行效率。Ding等人［8］提出了一种基于规则的调整算法，通过动态调整车辆次序，实现较高的通行效率，并且通过考虑能耗的运动规划算法降低燃油消耗，但是仍然无法保证结果的最优性。Li等人［9］提出了树搜索算法，通过树状结构表示通行顺序的状态空间，结合剪枝规则优化车辆通行顺序，如分支定界法［10］、蒙特卡罗树搜索算法［11］等。Li等人［12］提出了一种批处理框架，遵循先到先得规则、数值求解小尺度的集中式最优控制问题。Xie等人［13］以所有车辆的速度之和作为优化目标，对主道和匝道车辆的通行顺序和轨迹进行优化。为了获得较优的通行顺序，这些算法需要花费很大的计算开销，难以满足交通系统的实时性要求［14］。Rios-Torres等人［15］研究了车辆在合并道路时的最优协调问题，提出了集中式的优化框架和解析的封闭形式的解决方案，旨在优化燃油消耗，按FIFO的规则对新进入的车辆排序。目前对快速路匝道协同合并虽然已提出了一些解决方案，但这些方案并不能很好地考虑通行效率、车辆延迟、燃油消耗以及计算成本等问题。本文对快速路匝道入口的多车协同合并问题提出了一种解决方法，该方法将多车协同问题解耦为多车顺序决策和车辆运动规划两部分，多车顺序决策保证通行效率、车辆延迟最优，车辆运动规划保证能量消耗最优。通过仿真和微缩平台实车实验证明了该方法能有效提高通行效率，降低车辆延迟和燃油消耗，同时满足计算实时性要求。

1 快速路匝道入口协同合并模型建立

本文研究的是一个典型的快速路单车道匝道合并场景，如图1所示。研究区域设有智能网联设备，包括路测单元（road side unit，RSU）、计算服务器、相机等传感器。相机等传感器可获得每辆车的驾驶状态，包括位置、速度等，并将信息传递给计算服务器，由计算服务器计算出最优通行顺序以及每辆车到达合并点的终端時刻；然后对每辆车轨迹规划，通过车与基础设施通信技术（vehicle-to-infrastructure，V2I）实时发送控制信息给受控车辆；最终完成合并控制区的协同控制。

2.2 仿真结果分析

如图6～8所示，分别对五种车辆数的场景进行10次重复仿真分析，可得到三种多车顺序决策算法的通行时间、车辆平均延迟时间和车辆燃油消耗的对比结果，其中箱型图的黑线为中值，菱形代表异常值。分析图表信息可知，在车辆数较少时各算法的性能差异不大，这是因为在车辆较少时车辆的顺序组合数少，不同算法无法体现性能差异；随着车辆数增加，状态空间复杂度提高，算法差异逐渐增大。可以看出，在车辆数目大于10时，不同算法的效果对比逐渐显著，并且SEM算法在通行时间、车辆平均延迟时间和车辆燃油消耗上体现出了很好的性能优势。表3取10次重复实验的中值作为结果，对比三种多车顺序决策算法，直观地反映了不同算法的性能差异。对于计算开销方面，SEM大约是FIFO算法的两倍，远小于MILP算法，基本保持在1～3 ms，解决了MILP算法追求最优性但耗时严重的问题。总体上看，SEM算法满足实时性要求，适用于实际交通系统。最后一辆车通过匝道入口的通行时间能反映出宏观交通的通行效率。从图6可以看出，当车辆数为5辆时，不同算法的通行时间基本相等；当车辆数大于10辆时，SEM相比FIFO算法，通行时间分别提升了13.7%、21.2%、24.4%、23.6%。可以看出，SEM算法的通行时间提升明显，随着车辆数的增加性能提升效果越好。

车辆平均延迟时间能够反映微观车辆的通行快慢，车辆平均延迟时间越小，车辆进出匝道入口所花费的时间越短。如图7所示，SEM相比于FIFO算法，在车辆数大于10辆时，车辆平均延迟时间分别优化了38.4%、44.2%、49.5%、51.5%，说明SEM算法对于车辆延迟时间有显著提升，能有效降低车辆在快速路匝道入口的停留时间。燃油消耗受车辆的速度和加速度影响较大，因此能够反映车辆通过匝道入口的舒适性和平顺性。如图8所示，SEM相比于FIFO算法，在车辆数大于10辆时，燃油消耗分别优化了5.7%、8.6%、12.6%、11.7%，可以看出SEM算法对于车辆燃油消耗有着较为明显的减少。

SEM算法是在已剪枝的三元数组状态空间中进行搜索，搜索次数有限，搜索效率高，使得其计算开销小；SEM算法在每次状态转移时都是对车辆通行时间进行累积计算，保证了车辆通行时间的最优性。同时，考虑到通行时间和车辆延迟的影响设计了状态评价函数，保证了车辆延迟时间较短。

结合图6～8和表3可以看出，SEM相对于FIFO算法，提高了交通通行效率，减少了车辆延迟时间和燃油消耗；相对于MILP算法在通行效率、车辆延迟时间、燃油消耗结果相似的情况下，极大地提高了计算效率。

3 实车验证

由于多车协同系统设备繁杂、布局庞大，为了验证算法在真实场景下的可行性和优化性能，按11.1∶1搭建了微缩实验平台，如图9所示。微缩平台的硬件结构组成包括五辆阿克曼转向小车，全局视觉定位相机，模拟快速路匝道入口的场景板、服务器主机等。微缩平台的软件组成包括全局视觉定位算法、车辆控制算法、多车协同控制算法、机器人操作系统（robot operating system， ROS）等。

所有车辆的位置和速度均由全局视觉定位相机实时获取。服务器获取到所有车辆的状态后，多车协同控制算法计算出最优多车合并顺序，根据最优顺序可计算得到每辆车的控制量，通过通信模块（其中小车和服务器的通信是Wi-Fi通信，小车和小车的通信是ROS通信）由服务器统一发送给每辆车；车辆接收到信息后，单独执行控制量，最终完成闭环控制。通过仿真分析可知，SEM算法在结果上接近于MILP的结果，因此实车验证时只与FIFO算法进行对比。实验场景模拟快速路匝道入口，车辆初始位置随机摆放，如图10所示。为了增加实验的丰富性，设置了五种不同的车辆分布。由于实验小车为缩放后的模型并且车辆数有限，所以对比指标只选取了通行时间和车辆平均延迟时间，车辆燃油消耗和计算耗时可忽略不计。实验结果如表4所示，可以看出，SEM相对于FIFO算法，在车辆分布1～5的场景下，通行时间分别优化了25.3%、25.6%、16.6%、13.3%、19.3%，车辆平均延迟时间分别优化了38.2%、36.3%、16.3%、13.3%、22.0%。实车实验结果表明，SEM算法能够有效地优化车辆通过匝道入口的通行时间，并且能够明显缩短车辆平均延迟时间，与仿真结果基本一致。

4 結束语

为了提高快速路匝道入口的通行效率，本文提出了一种协同合并控制的解决方案，将问题解耦为多车顺序决策和车辆运动规划两部分，设计了一种基于状态评价模型的多车顺序决策算法，推导了车辆纵向速度的解析解实现车辆运动规划。为验证该算法的有效性和优越性，进行了仿真分析，设计了不同车辆数目的场景，与经典的FIFO算法和直接优化求解的MILP算法进行了对比。结果表明，该算法在车辆数目较多的场景下能有效提升通行效率、降低车辆延迟和燃油消耗，最高分别可达24.4%、51.5%、12.6%，性能结果和最优解基本接近，并且计算耗时在1～3 ms，可满足实时性要求。为验证算法在真实场景下的可行性和优化性能，搭建了微缩实验平台以进行实车实验，实验结果也表明该算法对通行效率、车辆延迟有着明显的优化效果，最高分别可达25.3%、38.2%，为快速路匝道入口的多车协同问题提供了一个有效的解决方案。未来笔者将对快速路匝道入口协同问题做进一步研究，放宽纯CAV的模型假设，考虑人类驾驶车辆和CAV混行的交通场景，通过预测算法将人类驾驶的行为添加到顺序决策算法中以进一步完善算法，提高算法的鲁棒性。

参考文献：

［1］刘畅. 匝道合流区智能网联多车协调规划与控制研究［D］. 南京： 东南大学， 2021. （Liu Chang. Coordination and control of multiple connected and automated vehicles for cooperative on-ramps merging［D］. Nanjing： Southeast University， 2021.）

［2］李克强， 戴一凡， 李升波， 等. 智能网联汽车 （ICV） 技术的发展现状及趋势［J］. 汽车安全与节能学报， 2017，8（1）： 5-18. （Li Keqiang， Dai Yifan， Li Shengbo， et al. State-of-the-art and technical trends of intelligent and connected vehicles［J］. Journal of Automotive Safety and Energy， 2017，8（1）： 5-18.）

［3］Hu Zhanyi， Huang Jin， Yang Zeyu， et al. Embedding robust constraint-following control in cooperative on-ramp merging［J］. IEEE Trans on Vehicular Technology， 2021，70（1）： 133-145.

［4］关小魁，胡茂彬. 智能网联汽车基于分组交替的协同合并策略［J］. 汽车安全与节能学报，2022，13（3）：482-488. （Guan Xiaokui，Hu Maobin. Grouping-alternation-based cooperative merging strategy for connected and automated vehicles［J］.Journal of Automotive Safety and Energy， 2022，13（3）： 482-488.）

［5］Meng Yue， Li Li， Wang Feiyue， et al. Analysis of cooperative dri-ving strategies for non-signalized intersections［J］. IEEE Trans on Vehicular Technology， 2018，67（4）： 2900-2911.

［6］Dresner K， Stone P. Multiagent traffic management： a reservation-based intersection control mechanism［C］//Proc of the 3rd International Joint Conference on Autonomous Agents and Multiagent Systems. Piscataway， NJ： IEEE Press， 2004： 530-537.

［7］Xu Huile， Feng Shuo， Zhang Yi， et al. A grouping-based cooperative driving strategy for CAVs merging problems［J］. IEEE Trans on Vehicular Technology， 2019，68（6）： 6125-6136.

［8］Ding Jishiyu， Li Li， Peng Huei， et al. A rule-based cooperative merging strategy for connected and automated vehicles［J］. IEEE Trans on Intelligent Transportation Systems， 2020，21（8）： 3436-3446.

［9］Li Li， Wang Feiyue. Cooperative driving at blind crossings using intervehicle communication［J］. IEEE Trans on Vehicular Technology， 2006，55（6）： 1712-1724.

［10］Yang Kaidi， Guler S I， Menendez M. Isolated intersection control for various levels of vehicle technology： conventional， connected， and automated vehicles［J］. Transportation Research Part C： Emerging Technologies， 2016，72（11）： 109-129.

［11］Xu Huile， Zhang Yi， Li Li， et al. Cooperative driving at unsignalized intersections using tree search［J］. IEEE Trans on Intelligent Transportation Systems， 2020，21（11）： 4563-4571.

［12］Li Bai， Zhang Youmin， Acarman T， et al. Lane-free autonomous intersection management： a batch-processing framework integrating re-servation-based and planning-based methods［C］//Proc of IEEE International Conference on Robotics and Automation. Piscataway， NJ： IEEE Press， 2021： 7915-7921.

［13］Xie Yuanchang， Zhang Huixing， Gartner N H， et al. Collaborative merging strategy for freeway ramp operations in a connected and auto-nomous vehicles environment［J］. Journal of Intelligent Transportation Systems， 2017，21（2）： 136-147.

［14］Ge Qiang， Sun Qi， Wang Zhen， et al. Real-time coordination of connected vehicles at intersections using graphical mixed integer optimization［J］. IET Intelligent Transport Systems， 2021，15（6）： 795-807.

［15］Rios-Torres J， Malikopoulos A A. Automated and cooperative vehicle merging at highway on-ramps［J］. IEEE Trans on Intelligent Transportation Systems， 2017，18（4）： 780-789.

［16］姚志洪， 蔣阳升， 胡蓉， 等. 基于混合整数规划的智能网联车冲突区时序优化模型［J］. 控制与决策， 2021，36（3）： 705-710. （Yao Zhihong， Jiang Yangsheng， Hu Rong， et al. Mixed integer programming model of scheduling for connected automated vehicles in a conflict zone［J］. Control and Decision， 2021，36（3）： 705-710.）

收稿日期：2023-01-28；修回日期：2023-03-13

作者简介：朱少杰（1998-），男，福建漳州人，硕士研究生，主要研究方向为智能网联车；王文格（1966-），男（通信作者），湖南华容人，教授，博士，主要研究方向为智能网联车、机器人（wangwg@hnu.edu.cn）．