0 引言

近年来, 我国空气污染形势日益严峻, 空气治理已成为社会各界关注的焦点问题, 也是相关研究领域的研究热点。其中, 空气污染的主要来源之一是交通运输行业染污排放, 占比达到了14%^[1]。因此, 大量的研究人员立足于运输工具(汽车)节能减排的角度提出了治理空气污染的对策, 尤其是在环保驾驶^[2]方面做出了大量的研究, 并取得了一定的成绩^[2-4], 此方面的研究成果主要集中在减少车辆速度变化的高速公路和城市道路交叉口的环保驾驶。Mandava^[5]2009年就提出提前将信号灯配时信息发给即将占用交叉口资源的车辆, 利用总的油耗和尾气排放量最小作为约束条件, 对车辆穿过交叉路的车辆速度进行规划, 此模型在试验中取得了较好的成效, 但此模型仅仅考虑了车辆通过信号灯前的环保指标, 未考虑车辆通过交叉口内的环保指标, 因此, 此模型还有优化的空间。Lee^[6]2012年研究了在车车通讯的环境下, 车辆通过无信号灯交叉时, 将车辆冲突点最少作为优化目标, 提出车辆通过交叉口的速度规划算法, 从试验的结果来看, 此算法减少了停车延误和旅行时间, 同时也减少了CO的排放量。此算法的适用范围为无信号灯控制的交叉路口, 可以为自动驾驶的无信号灯交叉口的路径规划算法。Butakov^[7]2016年提出在车辆装有高级辅助驾驶(advanced driver assistance system, ADAS)系统的前提下, 提前获取信号灯配时信息, 应用最优到达时间和最低油耗和排放作为指标, 优化司机的偏好和驾驶特性来达到目标, 此模型考虑了微观层面的约束, 但在多车道路口并不适用。Alsabaan^[8]2013年在车辆网的基础上, 提出了车辆速度优化模型, 对车辆到达信号灯的车辆的速度进行优化, 并利用智能算法求解, 从试验的结果来看, 降低了车辆通过交叉口CO₂的排放量。林培群^[9]等在车辆网的环境下, 提出一种基于交通流分流思想的通行模型, 对到达交叉口的车流速度进行了优化, 该模型计算过程较为复杂。XIA ^[10]2013年也同样在车联网环境, 提前获取信号灯控制信息, 以车辆在绿灯时间达到停止线为目标, 对车辆头车巡航速度进行优化, 此模型融合车辆跟驰原理建立了车辆动态速度规划模型, 此模型较适合交通环境较为稳定的情况。Guo^[11]2019年研究提出了一种基于大数据挖掘的动态交通网络, 以最低燃油消耗和排放为目标, 优化Dijkstra的算法, 并集成了GIS平台和Matlab的仿真平台, 对建立的算法进行仿真, 该算法属于宏观层面的优化算法。Rakha^[12]2011年针对已有模型不能充分适应交叉口降低燃油消耗和排放的问题, 构建了车辆巡航、怠速、加速的模型, 该模型将控制路段分为上游和下游, 以最优燃油消耗和排放为优化目标, 动态规划车速, 但此模型未考虑交通状态变化的影响。Ericsson^[13]2006年对15 437辆车, 22条街道的高峰时段和非高峰时段的燃油消耗和排放数据进行了挖掘, 并对下一时刻的消耗和排放做出了预测, 将数据和ArcGIS平台结合实现了燃油消耗和排放的可视化, 并以最低燃油消耗和排放为优化目标, 对车辆行驶路线进行动态的规划, 该模型属于宏观路径规划模型。Chen^[14]针对无信号交叉口生态驾驶问题, 提出了一种基于间隙的车辆速度自动控制算法。同时考虑目标车辆的运行状态以及下游车辆的影响、现实交通环境中的动态间隙接受条件。最后通过实例验证了车辆的油耗、行驶时间和排放相比降低。Savkovic^[15]介绍了塞尔维亚贝尔格莱德JGSP公共交通公司实施的一项生态驾驶试点计划, 以评估该公司未来整个车队使用生态驾驶的可能性。对13名驾驶员在14 km的实际驾驶条件下进行了生态驾驶培训和教育, 分为3个阶段。对13名公交司机进行的生态驾驶培训结果证实了生态驾驶具有很多好处。培训结束后, 所有驾驶员的油耗平均下降8.61%, CO₂排放平均下降8.61%。以上研究可总结为3个方面, 一是基于车联网对车辆到达信号灯的车速或者驾驶方式进行优化; 二是在无信号灯条件下, 基于车联网的前提对车辆通过交叉口的速度或者方式进行优化; 三是立足于宏观规划角度, 对总体行驶车辆行驶路线进行规划。研究基于车联网技术, 从微观的角度, 考虑车辆到达停车线前和通过交叉口两种情况, 提出一种考虑燃油消耗和排放的交叉口汽车路径规划与控制模型, 研究模型分为两个阶段:第1阶段为交叉口车辆车速控制器(Vehicle Velocity Controller, VVC)对进入控制区域的车辆获取信号灯配时信息、车辆运动信息, 以环保驾驶作为优化目标, 对车辆到达信号灯停车线的车速进行动态规划; 第2阶段以交叉口内最大程度冲突点为优化目标, 对车辆通过交叉口的速度进行规划。为了提高求解效率, 研究利用粒子群算法对模型进行求解, 并搭建时间的仿真环境验证模型和算法的有效性。

1 前提与假设

将车辆进入交叉口前200 m的区域设置为环保驾驶速度控制区域, 每辆车进入交叉口时, 交叉口VVC对进入交叉口的车辆进行路径规划, 通过模型计算出每辆车的行驶速度, 如图 1所示。每辆车必须满足以下条件:

(1) 车辆必须尽量避免加速/减速操作;

(2) 车辆以最快的速度穿过交叉口;

(3) 车辆通过控制区域和交叉口不停车;

(4) 车辆进入控制区域有足够的时间进行速度调整;

(5) 进入车道控制区域的车辆达到状态均服从泊松分布;

(6) 路面平整, 不考虑外界行人和非机动车的干扰。

2 考虑燃油消耗和排放的交叉口车速控制模型 2.1 车辆加速模型

车辆进入车速控制区域, VVC获取信号灯配时信息, 计算车辆加速至路段限速v_max能否通过信号灯, 若能通过, 则将车辆环保驾驶的策略控制为加速至v_max迅速通过信号灯, 模型如式(1)所示。

(1)

式中, T为受控车辆自控制区域外边界行驶至交叉口停车线的时长; k为车辆索引号; T_k0为第k辆车开始进入控制区域的时刻; v_max为路段限行速度; v_k0为第k辆车开始进入控制区域的速度; a_k为第k辆车的加速度; L为车速控制区域的长度; T_k为第k辆车通过停车线的时刻; T_k-1为第k-1辆车通过停车线的时刻; T_g为绿灯时间; T_r为红灯时间; t_s为最小车头时距, 取2 s车辆行程; v_k-1为第k-1辆车的速度; v_k为第k辆车的速度; d_k为第k辆车的长度; Δt为延误时间, 包括驾驶员反映、加速时间; S为车辆纵向安全距离。

2.2 车辆减速模型

车辆进入控制区域, VVC预先获得信号灯配时信息, 判定车辆加速至v_max能否通过信号灯, 若不能, 车辆减速行驶, 等待下个绿灯通过。优化目标为在路段限速下, 车辆在下一个红绿灯通过时速度最大。模型如式(2)所示。

(2)

式中, V为车辆经减速后的速度; t_k为车辆在速度控制区内行驶的时间; V_kmax为第k辆车路段限行速度; v_min为车辆最小速度, v_min>0。

3 交叉口消解冲突车速控制模型 3.1 交叉口冲突区域

交叉口环保驾驶模型是通过优化车辆行驶速度, 控制车辆在通过交叉口时避让通行, 避免车辆同时间达到冲突区域。交叉口冲突区域为行驶车辆在空间和时间的重叠区域, 以双向四车道、两相位十字交叉口为例, 冲突区域如图 2所示。

图 2中的冲突区域可分为合流冲突区域、分流冲突区域、交叉冲突区域。据统计^[16], 87%以上的交叉口交通事故均发生在冲突区域, 其中分流冲突区域发生的交通事故数据占比最低, 其次为合流冲突区域, 占比最大的为交叉口交叉冲突区域。

3.2 交叉口冲突检测

在交叉口内, VVC首先检测冲突区域有无车辆同时到达, 如果没有则保持速度, 匀速通过; 若有, 则按照交通规则避让原则, 避让车辆进行减速, 后匀速运动。优化目标依然为通过的车速最大, VVC冲突区域检测几何示意图如图 3所示。

车辆1和车辆2在相同时间达到相同位置的条件为tan ω=tan β, 则有:

(3)

式中, ω为车辆1和车辆2速度矢量差与X轴的夹角; v₁, v₂分别为车辆1和车辆2的速度。

3.3 车辆交叉口内减速模型

车辆1和车辆2即将同时达到冲突区域时, 若车辆1拥有优先通行权利, 则为避免发生碰撞, VVC应对车辆2进行调速, 若ω≥β, 车辆2调速所需速度为:

(4)

若ω≤β, 车辆2调速所需速度为:

(5)

4 控制器工作流程

基于交叉口车速控制模型和消解冲突车速控制模型, 交叉口VVC的工作流程如图 4所示。

5 模型求解算法

粒子群算法是一种新型的仿生算法, 也称粒子群优化算法(Particle Swarm Optimization, PSO), 由Kennedy和Eberhart于1995年提出, 该算法是基于群体智能(Swarm Intelligence, SI)的优化算法, 其功能与遗传算法(Genetic Algorithm, GA)非常相似, PSO因其需要调节的参数少, 具有简单且易于实现的优点, 因此应用PSO来对式(1)、式(2)求解。

PSO算法通常的数学描述为:设在一个D维空间中, 由m个粒子组成的种群X=(x₁, …, x_i, …, x_D), 其中第i个粒子位置为X_i=(x_i1, x_i2, …, x_iD)^T, 其速度为V_i=(v_i1, v_i2, …, v_iD)^T。它的个体极值为p_i=(p_i1, p_i2, …, p_iD)^T, 种群的全局极值为p_g=(p_g1, p_g2, …, p_gD)^T, 按照追随当前最优离子的原理, 粒子x_i将按式(6)、式(7)改变自己的速度和位置^[17-18]。

(6)

(7)

式中, j=1, 2, …, D; i=1, 2, …, m; m为种群规模; t为当前进化代数; r₁, r₂为分布[0, 1]之间的随机数; c₁, c₂为加速常数。

利用粒子群算法求解的过程如图 5所示。

6 仿真与验证 6.1 平台搭建

利用Vissim微观交通流仿真能力和Python实现复杂的各种交通优化模型和控制算法的能力, 集成Vissim和Python的车联网仿真平台, 先利用Vissim COM接口获取车辆运行信息, 在Python中实现算法, 然后在通过Vissim COM反馈到Vissim中, 实现提出模型的仿真。研究搭建的场景为双向四车道, 两相位十字交叉路口, 信号周期为90 s, 绿灯时间为45 s, 构建场景如图 6所示, 场景中各参数设置见表 1。

6.2 试验结果分析

为了验证模型和算法的有效性, 在仿真环境下, 对车辆不受算法控制, 按照webster配时和受模型算法控制的情况进行结果分析。为了充分模拟真实交通状态下车辆燃油消耗和排放量, 试验结果取交通流饱和度为0.5, 0.9, 1.1状态下的均值^[19]。

(1) CO排放量对比

车辆在受模型规划算法控制和不受算法控制条件下, 进入控制区域车辆CO排放量排放情况如图 7所示。由图可知, 在交叉口, 研究提出的模型规划控制车辆的CO排放量比未进行规划控制的车辆排放量下降了4.26%。

(2) 燃油消耗对比

车辆在受模型规划算法控制和不受算法控制条件下, 进入控制区域车辆燃油消耗情况如图 8所示。由图可知, 在交叉口, 研究提出的模型规划控制车辆的燃油消耗比未进行规划控制的车辆下降了42.7%。

7 结论

基于车联网技术提出一种考虑燃油消耗和排放的交叉口车辆路径规划与控制模型, 该模型首先构建VVC对进入信号灯控制前的控制区域的车辆, 先获取信号灯配时信息、车辆运动信息, 以环保驾驶为优化目标, 对车辆到达信号灯停车线的车速进行动态规划; 然后以避免交叉口内冲突区域, 最大时速为优化目标, 对车辆通过交叉口的速度进行规划。为了提高求解效率, 利用粒子群算法对信号灯前加速和减速模型进行求解, 并搭建了集成Python和Vissim的仿真平台, 对不受控制和受模型控制的车辆燃油消耗和CO排放量进行了比对, 试验结果表明了提出模型和算法的有效性。本研究是基于车辆能够迅速达到规划速度为前提, 但在现实交通中会受环境的影响, 下一步的研究要将车辆有效加速和有效减速考虑到研究中来, 从而增强模型的泛化能力和适用性。