异质流条件下考虑路权公平的CAV轨迹和信号协同优化方法.pdfVIP

哈尔滨工业大学硕士学位论文

摘要

随着自动驾驶技术的不断迭代更新，网联自动驾驶车辆（Connected

AutonomousVehicle,CAV）预计会在未来与人工驾驶车辆（Human-DrivenVehicle,

HDV）组成异质交通流。同时，根据《中国交通的可持续发展》白皮书中关于

统筹公平和效率的要求，不同类型车辆的通行优先权应当与其对交通系统效率

的提升相匹配。因此为在保障交叉口通行效率的同时兼顾公平性，并鼓励CAV

的部署，本文提出了一种异质流条件下优化CAV轨迹与信号控制的方法。

首先，本文分析了异质流特性和前人研究的交通系统公平性量化方法。之

后，本文提出了一种相对公平量化方法。在此基础上，本文以相对公平指标与

总延误指标组成下层模型目标，同时以平均通行时间和平均停车等待时间最短

组成上层模型目标。而后，本文结合下层模型目标、上层模型目标以及约束条

件构建了异质流条件下考虑相对公平的CAV轨迹与信号协同优化模型。

其次，提出了一种存档与偏好改进速度限制粒子群算法（multiple-roup-

archivepreference-areaspeed-constrainedparticleswarmoptimization,MA-PA-

SMPSO）。为使算法求解本文模型得到的结果更加稳定且均匀，本文在经典粒子

群算法的基础上，一方面引入了存档模块，提高了算法结果的稳定性和均匀性；

另一方面本文引入了决策者偏好模块，提高了算法针对特定决策偏好的求解精

度。而后，本文将改进算法与多种算法进行对比证明了算法的优越性。

最后，在不同场景下利用SUMO和Python进行联合仿真。本文在各进口

道渗透率不同和各进口道渗透率相同两种条件下进行了仿真实验，一方面分析

了协同优化方法的优化效果，另一方面也分析出协同优化方法的两点局限性。

仿真结果表明，本文所提出的优化方法可以在异质流条件下，考虑路权公

平因素优化交叉口CAV轨迹和信号控制策略。在本文设置的各进口道渗透率不

同条件下，协同优化控制方法最高降低了CAV46.41%的等效平均延误时间、

13.22%的平均通行时间以及99%的平均停车等待时间。而在本文设置的各进口

道渗透率相同条件下，协同优化方法也使得CAV的等效平均延误时间、平均

行时间以及平均停车等待时间下降。两种条件下，HDV的上述三值也有小幅度

的降低。同时，交叉口中全部车辆（CAV和HDV）的上述三值也出现一定下降。

除此之外，经过协同优化控制后，交叉口区域的相对公平指标在上述两种仿真

条件下均明显下降，交叉口区域的路权分配更加公平。

关键词:异质交通流；公平性；轨迹与信号协同优化；改进粒子群算法

-I-

哈尔滨工业大学硕士学位论文

Abstract

ConnectedAutonomousVehicles(CAVs)areexpectedtoformaheterogeneous

trafficflowwithHuman-DrivenVehicles(HDVs)inthefutureasautonomousdriving

technologiescontinuetobeiterativelyupdated.Meanwhile,accordingtothewhite

paperSustainableDevelopmentofTransportationinChinaoncombiningfairness

andefficiency,thetrafficpriorityofdifferenttypesofvehiclesshouldbematchedthe

improvementoftrafficsystemefficiencybydifferenttypesofvehicles