基于车联网(Vehicular ad hoc networks,VANETs)进行车辆和信号灯的协同控制是下一代智能交通系统(Intelligent transportation systems,ITSs)中非常重要的核心技术之一.本文提出了一种预测信号灯信息的车辆低油耗环保驾驶控制系统.首先...基于车联网(Vehicular ad hoc networks,VANETs)进行车辆和信号灯的协同控制是下一代智能交通系统(Intelligent transportation systems,ITSs)中非常重要的核心技术之一.本文提出了一种预测信号灯信息的车辆低油耗环保驾驶控制系统.首先,根据道路信息和牛顿第二定律建立车辆动态模型,根据系统测量的信号灯状态信息,获得车辆避免刹车情况下通过前方信号灯的参考速度.然后,结合基于油耗模型和速度跟踪的综合优化指标,运用模型预测控制(Model predictive control,MPC)方法计算车辆的最优控制输入,并利用Laguerre函数方法对MPC问题进行求解.仿真表明,该系统可减少路口不必要的停车和刹车操作,节约燃油.展开更多
针对城市道路中十字交叉路口处车辆拥堵、排队等待的问题,在C-V2X(Cellular Vehicle-to-Everything)车载通信系统中,利用改进DEEC(Distributed Energy Efficient Clustering)分簇算法,选择剩余节点能量较高的车辆节点作为簇头,提高簇的...针对城市道路中十字交叉路口处车辆拥堵、排队等待的问题,在C-V2X(Cellular Vehicle-to-Everything)车载通信系统中,利用改进DEEC(Distributed Energy Efficient Clustering)分簇算法,选择剩余节点能量较高的车辆节点作为簇头,提高簇的生存时间,并通过中继车辆进行信息传输以降低车辆通信时延。同时,利用韦伯斯特(Webster)交通灯改进配时算法进行相应的信号灯相位调度和周期的配时,减少车辆等待时间。通过VISSIM交通仿真建模软件验证Webster交通灯改进配时算法能够减少交叉路口处车辆等待时间,缓解城市道路中的交通拥堵。数值仿真结果表明:该方案降低了车辆通信时延,减少了车辆等待时间,改善了交通拥堵问题。展开更多
近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其...近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其在复杂交通场景中性能不佳。针对上述问题,基于Double DQN提出一种融合特殊车辆优先通行的双模式多目标信号配时方法(Dual-mode Multi-objective signal timing method based on Double DQN,DMDD),以提高不同交通场景下路口的通行效率。该方法首先基于路口的饱和状态选择信号控制模式,特殊车辆在紧急控制模式下被赋予更高的通行权重,有利于其更快通过路口;接着针对等待时长、队列长度和CO 2排放量3个指标分别设计神经网络进行奖励计算;最后利用Double DQN进行最优信号相位的选择,通过灵活切换信号相位以提升通行效率。基于SUMO的实验结果表明,DMDD与对比方法相比能有效缩短路口处特殊车辆的等待时长、队列长度和CO 2排放量,特殊车辆能够更快通过路口,有效地提高了通行效率。展开更多
文摘基于车联网(Vehicular ad hoc networks,VANETs)进行车辆和信号灯的协同控制是下一代智能交通系统(Intelligent transportation systems,ITSs)中非常重要的核心技术之一.本文提出了一种预测信号灯信息的车辆低油耗环保驾驶控制系统.首先,根据道路信息和牛顿第二定律建立车辆动态模型,根据系统测量的信号灯状态信息,获得车辆避免刹车情况下通过前方信号灯的参考速度.然后,结合基于油耗模型和速度跟踪的综合优化指标,运用模型预测控制(Model predictive control,MPC)方法计算车辆的最优控制输入,并利用Laguerre函数方法对MPC问题进行求解.仿真表明,该系统可减少路口不必要的停车和刹车操作,节约燃油.
文摘针对城市道路中十字交叉路口处车辆拥堵、排队等待的问题,在C-V2X(Cellular Vehicle-to-Everything)车载通信系统中,利用改进DEEC(Distributed Energy Efficient Clustering)分簇算法,选择剩余节点能量较高的车辆节点作为簇头,提高簇的生存时间,并通过中继车辆进行信息传输以降低车辆通信时延。同时,利用韦伯斯特(Webster)交通灯改进配时算法进行相应的信号灯相位调度和周期的配时,减少车辆等待时间。通过VISSIM交通仿真建模软件验证Webster交通灯改进配时算法能够减少交叉路口处车辆等待时间,缓解城市道路中的交通拥堵。数值仿真结果表明:该方案降低了车辆通信时延,减少了车辆等待时间,改善了交通拥堵问题。
文摘近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其在复杂交通场景中性能不佳。针对上述问题,基于Double DQN提出一种融合特殊车辆优先通行的双模式多目标信号配时方法(Dual-mode Multi-objective signal timing method based on Double DQN,DMDD),以提高不同交通场景下路口的通行效率。该方法首先基于路口的饱和状态选择信号控制模式,特殊车辆在紧急控制模式下被赋予更高的通行权重,有利于其更快通过路口;接着针对等待时长、队列长度和CO 2排放量3个指标分别设计神经网络进行奖励计算;最后利用Double DQN进行最优信号相位的选择,通过灵活切换信号相位以提升通行效率。基于SUMO的实验结果表明,DMDD与对比方法相比能有效缩短路口处特殊车辆的等待时长、队列长度和CO 2排放量,特殊车辆能够更快通过路口,有效地提高了通行效率。
