用于联合控制自主联网车辆（CAV）和手动联网车辆（MCV）的系统和方法与流程

本公开总体上涉及交通控制系统，更具体地涉及用于联合控制自主联网车辆(cav)和手动联网车辆(mcv)的系统和方法。

背景技术：

1、自动化交通系统(即使是部分自动化的情况)使得道路事故减少，交通网络得以有效利用。因此，自主联网车辆(cav)极有可能有助于改善安全和交通流，从而减少拥堵、行进时间、废气排放和能源消耗。虽然路面场景是高度动态的，即车辆参与者及其行为会发生快速而显著的变化，但车辆对车辆(v2v)和车辆对基础设施(v2i)通信能够通过提供对交通网络中所有车辆的实时信息的访问，实现先进且高效的计划和决策。

2、一些方法使用车载多层引导和控制架构来实现cav的运动计划和控制。例如，在最高层，导航系统确定从cav的当前位置到期望位置的交通网络路线计划。此外，决策系统根据路线计划、当前环境条件和其它交通参与者的行为，确定任意时间点的目标驾驶行为。进一步地，基于目标驾驶行为(包括车道跟随、车道变换或停车)，运动计划算法计算出动态可行的安全轨迹，该轨迹可以由诸如模型预测控制(mpc)等控制器实时跟踪。

3、此外，协调cav使得能够实现交通网络的最优行为。一个实施例描述了用于交叉路口自主交通管理的先到先得(fcfs)策略。另一个实施例包括使用非线性优化或使用混合整数线性规划(milp)的交叉口协调策略。

4、然而，也有可能遇到混合交通的场景，即cav与由人类驾驶员控制的手动联网车辆(mcv)共存。在这种场景下，实现交通网络的最优行为具有挑战性，因为mcv不像cav那样接受运动控制。在某些方法中，cav通过以特定方式占用车道来控制mcv的运动。然而，这可能会变得危险，并对cav、其操作和乘客造成负面影响。在正常场景下，mcv的运动/流动受交通规则的制约。有些交通规则是动态的，例如交通信号灯、限速车道等，这些规则可以实时变更并显示在适当的面板上。通过设置动态交通标志，可以控制mcv的运动。然而，动态交通标志是基于一般路况设置的，通常由人工操作，而不考虑每个车辆的目标。

5、因此，需要一种对cav和mcv的运动进行优化和联合控制的系统和方法，以最优实现cav和mcv在交通网络中的目标。

技术实现思路

1、一些实施方式的目的是提供一种用于联合控制自主联网车辆(cav)和手动联网车辆(mcv)的系统和方法。如本文所用，cav是指自主车辆，并且mcv是指手动操作的车辆。根据实施方式，可以在任何时间和空间点连续地控制cav，以实现交通网络的优化，诸如将平均或最坏情况行进时间、总怠速时间等最小化。相反，mcv是非受控车辆。换言之，在每个时间点和空间点处控制mcv的运动是不可能的或至少是不切实际的。在仅具有mcv的不同交通场景中，借助交通标志来控制mcv的运动。例如，mcv流受到交通信号灯的定时和排序的影响，使得交通网络的整体操作受到积极影响。因此，通过控制交通标志间接地控制mcv的运动。然而，由于mcv由人类驾驶员驾驶，并基于交通标志进行间接控制，因此只能在特定地点对mcv进行控制，从而对交通网络产生受限控制。

2、一些实施方式基于以下认识：联合控制cav和mcv以优化cav和mcv的总体效益(诸如将平均或最坏情况行进时间、总体怠速时间等最小化)可能是有益的。cav和mcv的联合控制的问题部分基于以下原因。例如，为了直接在每个时间点和空间点控制cav，基于每个cav的运动模型和环境模型单独控制每个cav。相比之下，为了通过改变交通标志的状态来间接控制mcv，各种技术使用不同的统计特性(诸如交通密度)来一起控制mcv作为交通的聚合。这样的统计聚合对于mcv的间接控制是有效的，以优化交通网络，但是其排除了cav和mcv的联合优化，来实现那些特定个体车辆的个体目标和特定个体车辆组的共同目标。这是因为个体和统计操作具有排除联合优化的不同原理，具体地，统计优化优化平均行为以实现道路的期望特性，例如平均速度、车辆的平均密度等，而个体优化则优化每个单个单元在实现该单元特定目标中的行为。换言之，交通的统计优化仅取决于道路上的车辆的数量、位置和速度，而不考虑每个车辆的目标。个体优化考虑了这样的目标，并且一组车辆的个体优化优化了该组中所有车辆的个体目标。个体优化还可以优化特定车辆组的共同目标。

3、根据实施方式，cav的运动可以通过由一个或多个微分或差分方程描述的运动模型来描述，所述微分或差分方程将控制命令与cav的状态相关联，同时满足一般交通规则。一般交通规则例如包括穿越交叉路口、避免与相邻车辆碰撞、占用开放车道、满足车道限速等的规则。因此，基于cav的状态和期望的控制目标，可以优化实现受一般交通规则约束的控制目标的控制命令。cav的状态包括cav的位置、速率、加速度和车道中的至少一者。

4、相比之下，mcv的运动取决于交通标志的状态和mcv的人类驾驶员对此类状态的响应。因此，cav和mcv的联合优化是对决策变量的多目标优化，决策变量包括到cav的改变cav状态的控制命令和改变交通标志状态的控制命令。然而，这种联合优化具有挑战性。

5、一些实施例基于以下认识：为了提供cav和mcv的联合控制，需要描述cav和mcv的个体运动模型。具体地，在可以将cav的运动模型描述为正在进行优化的控制命令的函数的同时，需要将mcv的运动模型描述为交通标志的状态的函数。然而，确定这种函数是具有挑战性的，因为不同的人类驾驶员可以对交通标志(诸如交通信号灯)的不同状态做出不同反应。例如，取决于情况，当交通信号灯将其状态从绿灯改变为红灯时，人类驾驶员可以加速、减速或停止其车辆。

6、一些实施例基于以下认识：可以用多个函数来描述mcv的运动模型，每个函数在不同时间有效。针对不同动态交通规则制定不同函数。动态交通规则的实施例包括：交通标志，诸如交通灯，其可以接收控制命令以改变它们的定时，从而使更多或更少的车辆在某个方向上穿过；可变限速，其可以接收控制命令以改变某些车道中的车辆的最大速度；以及动态启用车道，其可以接收控制命令以打开或阻止进入车道等。

7、每个函数均表示对应的动态交通规则的运动模型。换言之，每个函数均描述mcv响应于对应的动态交通规则的行为。由函数表示的运动模型称为受规则限制的运动模型。另外，制定表示无规则运动模型的无规则函数。无规则运动模型不受动态交通规则的影响。根据交通标志的状态、mcv的状态和其它车辆的状态，选择对mcv有效的函数。mcv的状态包括mcv的位置、速率、加速度和车道中的至少一者。

8、因此，虽然函数本身可能不取决于交通标志的状态，但是在特定控制步骤，对有效函数的选择取决于交通标志的状态。函数在本文中统称为切换(不连续)函数，其基于交通标志的状态、mcv的状态和其它车辆的状态中的一者或组合来选择表示mcv的运动模型的函数。

9、虽然切换函数描述了mcv的个体运动，但是由于其不连续性质，cav的控制命令和交通标志的控制命令的联合多变量优化由混合整数优化问题表示，必须求解混合整数优化问题以联合优化cav和mcv，从而实现它们的个体目标和它们的组的共同目标。

10、因此，一个实施方式公开了一种交通控制系统，所述交通控制系统用于联合控制一个或多个自主联网车辆(cav)以及一个或多个手动联网车辆(mcv)移动以在同一道路或交叉道路上形成交通。所述交通控制系统包括：至少一个处理器；以及存储器，所述存储器上存储有指令，所述指令在由所述至少一个处理器执行时使所述交通控制系统：收集每个cav的状态、每个mcv的状态以及调节所述交通的每个交通标志的状态的数字表示；求解多变量混合整数问题(mip)，所述多变量混合整数问题在有限的未来预测时间间隔内针对改变每个cav的状态的控制命令值和改变每个交通标志的状态的控制命令值优化成本函数，其中，每个cav和mcv的个体目标及cav和mcv的各个组的共同目标的成本函数根据以下方面来优化：由微分方程描述的每个cav的运动模型，该微分方程将对cav的控制命令与cav的状态变化相关联；对一般交通规则建模的约束；时间约束；以及由切换函数描述的每个mcv的运动模型，所述切换函数将mcv的动态交通规则与mcv的状态及每个交通标志的状态相关联；以及将控制命令的优化值发送到对应的cav和对应的交通标志。

11、因此，另一实施方式公开了一种用于联合控制一个或多个自主联网车辆(cav)以及一个或多个手动联网车辆(mcv)移动以在同一道路或交叉道路上形成交通的方法。所述方法包括：收集每个cav的状态、每个mcv的状态以及调节所述交通的每个交通标志的状态的数字表示；求解多变量混合整数问题(mip)，所述多变量混合整数问题在有限的未来预测时间间隔内针对改变每个cav的状态的控制命令值和改变每个交通标志的状态的控制命令值优化成本函数，其中，每个cav和每个mcv的个体目标及cav和mcv的各个组的共同目标的成本函数根据以下方面来优化：由微分方程描述的每个cav的运动模型，该微分方程将对cav的控制命令与cav的状态变化相关联；对一般交通规则建模的约束；时间约束；以及由切换函数描述的每个mcv的运动模型，所述切换函数将mcv的动态交通规则与mcv的状态及每个交通标志的状态相关联；以及将控制命令的优化值发送到对应的cav和对应的交通标志。

12、因此，又一实施方式公开了一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质上具体实现有能由处理器执行的程序，所述程序用于执行用于联合控制一个或多个自主联网车辆(cav)以及一个或多个手动联网车辆(mcv)移动以在同一道路或交叉道路上形成交通的方法。所述方法包括：收集每个cav的状态、每个mcv的状态以及调节所述交通的每个交通标志的状态的数字表示；求解多变量混合整数问题(mip)，所述多变量混合整数问题在有限的未来预测时间间隔内针对改变每个cav的状态的控制命令值和改变每个交通标志的状态的控制命令值优化成本函数，其中，每个cav和每个mcv的个体目标及cav和mcv的各个组的共同目标的成本函数根据以下方面来优化：由微分方程描述的每个cav的运动模型，该微分方程将对cav的控制命令与cav的状态变化相关联；对一般交通规则建模的约束；时间约束；以及由切换函数描述的每个mcv的运动模型，所述切换函数将mcv的动态交通规则与mcv的状态及每个交通标志的状态相关联；以及将控制命令的优化值发送到对应的cav和对应的交通标志。

13、将参考附图进一步解释当前公开的实施方式。所示的附图不一定按比例绘制，而是通常将重点放在示出当前公开的实施方式的原理上。