一种基于双层模糊控制的匝道合流区协同控制方法

赵红专　陈智振 代 静

一种基于双层模糊控制的匝道合流区协同控制方法

赵红专陈智振 代 静

（桂林电子科技大学，广西 桂林 541000）

为了提高匝道合流区的交通通行效率，降低匝道合流区的车辆平均延误，采用双层模糊控制方法，对匝道合流区主线车辆和匝道车辆进行协同控制。建立面向匝道合流区的换道决策模糊控制器，设计其输入和输出变量，并确定模糊规则。根据第一层双模糊控制器决策结果，得到以车辆通行数优先的和以平均延误最低的换道决策率，并通过第二层模糊控制生成实际换道率，以车辆通过量和平均延误为评价指标，在相同条件下对无模糊控制，部分模糊控制以及完全模糊控制进行仿真。结果表明，部分模糊控制及完全模糊控制相对于无模糊控制，平均延误分别降低7.669 s和48.746 s。文章所提出的关于匝道合流区的模糊控制为匝道合流区协同控制提供了一种新的方式。

匝道控制；
模糊控制；
自动驾驶；
换道决策

快速路的通行顺畅是城市交通有序运行的关键所在，对城市系统的高效运转和交通安全具有重要意义，而匝道合流区作为典型的瓶颈路段严重影响着快速路的通行效率。解决匝道合流区的通行问题成为了一个急需解决的问题。随着科技的不断发展，智能控制的出现给交通管理带来了新的解决方案，模糊控制作为智能控制的一个重要部分，不依赖于被控对象的精确数学模型，能根据交通量的实时变化调节控制参数，能够模拟人的思维，将客观经验转化为控制语句，进而实现对匝道合流区域的高效控制。

在匝道合流区域研究中，西方国家最早提出了交通管控技术且在不断完善，并从传统的匝道合流管控向结合智能控制的新匝道合流管控不断过渡。在传统匝道合流区控制研究中主要是通过基础设施优化设计[1-3]和匝道控制策略优化[4,5]两种方式来提升匝道合流区的通行效率。Chen等[6]以路网通行效率最大为控制目标，平衡主线与匝道控制策略，提出一种主线与匝道车辆行程时间的均衡控制模型，实现路线行程时间和延误时间减少。刘畅等[7]通过考虑能效与舒适性，构建入口匝道的最优车速控制问题，结合先进先出的合流次序，提出一种高速匝道入口多智能网联车协同合流控制方法。Cao等[8]通过对合流区主线车辆和匝道车辆进行最优控制并结合模型预测控制的方法生成了智能网联车辆的行驶轨迹。Rios Torres等[9,10]以车辆最小加速度为优化目标来解决汇入轨迹规划问题，采用古典法或二次控制法来获取优化控制时间等相应变量，提出了一种高速公路智能网联车辆的协同汇入控制策略。

已有研究将主线与匝道合流区划分为换道区和合流区，提出主线和匝道的协同最优控制策略，但是却缺乏对实际道路条件的考虑，在换道决策时没有将主线车辆换道纳入控制策略，控制策略抗干扰性差，本文通过设置换道区间，在主线车辆进入合流区前，提前完成换道，给匝道车辆汇入时提供合流空间，减少车辆延迟，并结合设置双层模糊控制结构，通过根据车辆到达量和车辆换道延误率来分别进行换道概率决策，再将两个控制器的决策结果进行拟合从而生成一个准确的换道概率。仿真结果表明，在相同交通条件下，该方法能明显提升车辆通过效率，减少车辆延误。

2.1 场景和行驶条件描述

如图1所示，本文以主线有两条车道分别为车道1和车道2，匝道车道为单车道的匝道合流区为例，主线车辆根据主线道路交通流量和匝道汇入车流量，在主干线引导区提前完成换道，换道只允许车道1车辆换道到车道2，在合流区内不允许主线车辆换道，匝道车辆在匝道内保持匝道限制速度行驶，在进入合流区时根据主线车流量判断换道或者停车等待。在主干线引导区和匝道汇入点以及合流区末端设置车辆检测器，以检测车辆是否到达或者离开。

图1 入口匝道合流区场景图

2.2 入口匝道合流区模糊控制器结构

模糊控制主要靠设置模糊控制器来实现，其主要包括模糊化、模糊推理和解模糊三个部分，通过制定的模糊规则将输入变量进行模糊推理，并输出变量，最后通过解模糊得到具体的输出变量。过程如图2所示。

图2 模糊控制器结构图

本文采用了双层模糊控制的结构，建立了以车辆到达率和车辆平均延误为输入变量，车辆换道率为决策目标的多重决策的匝道合流区控制方法。首先，模糊控制器采用双输入单输出的结构。第一层模糊控制采用两个模糊控制器，模糊控制器1和模糊控制器2，模糊控制器1的输入变量分别为主路到达车辆数和匝道到达车辆数，输出变量为以车辆通过数为优先的换道概率；
模糊控制器2输入变量为主路采集间隔内平均延误和匝道采集间隔内平均延误，输出变量为以车辆平均延误为优先的车辆换道率，完成该控制方法的第一层决策。第二层模糊控制，以第一层的模糊控制器中根据车辆到达数和车辆平均延误进行决策产生的换道率为输入变量，进行模糊推理生成实际换道概率。并通过实际换道概率，执行换道信息发布，双层模糊控制的结构能够提升换道决策的准确性。双层模糊控制器结构如图3所示。

图3 双层模糊控制结构图

2.2.1 入口匝道合流区控制变量模糊化

根据专家经验对模糊论域及模糊子集进行划分：

主路到达车辆数、匝道到达车辆数（V1,V2）：

V1、V2的基本论域为[0,30]，划分为5个模糊子集，即{很小，小，中等，大，很大}，简记为{HX,X,Z,B,HB}。

以车辆通过数优先的换道决策率（C）：

C的基本论域为[0,1]，划分为6个模糊子集，即{很小，小，中等，大，很大，非常大}，简记为{HX,X,M,B,HB,VB}。

主路采集间隔内平均延误及匝道采集间隔内平均延误（L1,L2）：

L1、L2的基本论域为[0,300]，划分为5个模糊子集，即{没有，小，中等，大，很大}，简记为{N,S,Z,D,HD}。

以平均延误最低的换道决策率（Y）：

Y的基本论域为[0,1]，划分为6个模糊子集，即{很小，小，中等，大，很大，非常大}，简记为{HX,X,M,B,HB,VB}。

以车辆通过数优先的换道决策率及以平均延误最低的换道决策率（T1,T2）：

T1、T2的基本论域为[0,1]，划分5个模糊子集，即{很小，小，中等，大，很大}，简记为{HR,R,M,Q,HQ}。

实际换道率（P）：

P的基本论域为[0,1]，划分为6个模糊子集，即{没有，很小，小，中等，大，很大}，简记为{N,HX,X,Z,D,HD}。

2.2.2 入口匝道合流区隶属度函数设置

本文根据专家经验对隶属度函数进行设计。采取了三角形隶属函数。隶属函数值越接近1，其变量属于该模糊集合的程度越强；
反之，隶属函数值越接近0，其变量属于该模糊集合的程度越弱。输入变量为主路到达车辆数（V1）及匝道到达车辆数（V2）、主路采集间隔内平均延误（L1）及匝道采集间隔内平均延误（L2）、以车辆通过数优先的换道决策率（T1）及以平均延误最低的换道决策率（T2），如图4所示。输出变量为以车辆通过数优先的换道决策率（C）、以平均延误最低的换道决策率（Y）、实际换道率（P），如图5所示。

图5 输出变量隶属度函数

2.2.3 入口匝道合流区控制模糊规则

模糊推理是模糊控制器的核心部分，类似于人的大脑，其表达方式为“IF…THEN…”的形式。本文采用“IF A and B THEN C”的形式设定模糊规则，以Mamdani方法进行模糊推理。具体描述为当主路到达车辆数（V）且匝道到达车辆数（V）很小时，以车辆通过数优先的换道决策率（D）为小（X）。具体模糊规则如表1、表2、表3所示。

表1 控制器1的模糊语言值

表2 控制器2的模糊语言值

表3 控制器3的模糊语言值

在MATLAB中输入隶属度函数得到的模糊规则图如图6所示。

2.2.4 入口匝道合流区控制变量解模糊

在实际过程中，往往需要输出具体而精确的值才能实现控制，因此需要对车辆到达换道率，平均延误换道率和实际输出换道率进行解模糊。

为了探究入口匝道合流区主线车辆换道决策率与入口匝道合流区车辆通过量和车辆延误之间的关系。本文采用重心法在MATLAB自带的Fuzzy工具箱得到模糊控制器的输入输出曲面，及相对应的换道率的精确控制量。通过上述模糊控制规则，得到控制效果图如图7所示，(a)中以车辆到达数为优先的换道决策率随着快速路车辆到达数增加而减小，随着匝道车辆到达数的增加而增加，因为主线的车流量远大于匝道车流量，所以在主线车流量不多，而匝道车流量过多的情况下要及时采取提前变道的措施；
(b)中以车辆平均延误为优先的换道决策率，随着主线车流的平均延误增大而减小，随着匝道车流平均增大而增大，由于主线车辆优先，所以主线车辆延误较大时不宜采取换道措施；
(c)中实际换道决策率随着两个决策换道率的增大而增大。

图7 入口匝道合流区模糊控制三维关系图

通过使用VISSIM仿真软件分别对无自动驾驶环境、渗透率为50%的自动驾驶环境，纯自动驾驶环境的3种匝道合流区场景进行控制仿真，3种场景的具体方案设计如下：

方案1：不采取任何控制。

方案2：采取本文所提出的双层模糊控制方法，设置渗透率为50%的自动驾驶环境，由于非自动车辆无法实时接收信息，模糊控制只对自动驾驶车辆有效。

方案3：设置渗透率为100%的自动驾驶环境，即纯自动驾驶环境。

3.1 参数设置

采用设计参数的方式进行仿真。为了实现本文所提入口匝道合流区控制方法，以济南市某一快速路合流区为研究对象如图8所示，通过实际场景条件和车辆行驶规范对仿真参数进行了设计。主线路段为单向双车道，入口匝道为单车道，在车辆换道点处设置了一个检测器，在主线车辆汇入点和匝道车辆汇入点各设置了一个检测器，检测周期设置为30 s（检测周期太短，可能会导致频繁决策，会增大车辆行驶延误，影响通行效率；
检测周期太长，可能会导致决策不及时，错过最佳决策时间，造成匝道车辆停车等待次数增多，影响通行效率）。自动驾驶车辆驾驶行为遵守IDM模型，非自动驾驶车辆驾驶行为遵守widemann74模型，为了研究所提入口匝道合流区控制方法在不同交通需求条件下的控制效果，将总仿真时长设置为10 800 s，步长为1800 s（对应一种交通需求，交通需求按交通量步长递增）。具体仿真参数如表4所示。

图8 仿真路段图

表4 参数设置表

3.2 实验结果分析

将三种方案仿真后得到数据如表5所示。

表5 仿真结果数据表

由表5可以看出当采取部分模糊控制，匝道合流区的平均延误时间从54.57 s减少到46.901 s，减少了7.669 s，平均停车次数减少0.576次，平均速度提升2.694 km/h，平均停车延误减少1.595 s；
当采取完全模糊控制时，平均延误减少48.746 s，平均停车次数减少3.293次，平均速度提升34.869 km/h，平均停车延误减少8.243 s。结果表明，本文提出的基于双层模糊控制的匝道合流区协同控制方法能够有效地降低车辆延误时间，减少停车次数，提高车辆通行速度，从而大幅提升匝道合流区道路通行能力。

本文以匝道合流区为主要研究对象，并通过建立双层模糊控制结构，将第一层控制决策结果进行拟合输出更为精准的第二层控制决策，使得决策结果更加精确，以车辆通过数以及平均延误和停车次数为评价指标进行分析。为了验证其有效性，通过对无模糊控制场景、部分模糊控制场景、完全模糊控制场景进行VISSIM仿真，仿真结果表明，在同等交通环境下，该模糊控制方法能够有效提升匝道合流区通行效率。本文提出的基于双层模糊控制的匝道合流区控制方法给匝道合流区协同控制提供了一种新的控制形式。

[1]SCARINCI R, HEYDECKER B. Control concepts for facilitating motorway on-ramp merging using intelligent vehicles[J]. Transport Reviews, 2014, 34(6): 775-797.

[2] LI Z, LI L. Computational method of acceleration lane length in expressway merging area[J]. Journal of Southeast University (Natural Science Edition), 2016, 4: 36.

[3] CI Y, WU L, LING X, et al. Operation reliability for on-ramp junction of urban freeway[J]. Journal of Central South University of Technology, 2011, 18(1): 266-270.

[4] PAPAGEORGIOU M, PAPAMICHAIL I. Overview of traffic signal operation policies for ramp metering[J]. Transportation Research Record, 2008, 2047(1): 28-36.

[5] CARLSON R C, PAPAMICHAIL I, PAPAGEORGIOU M, et al. Optimal motorway traffic flow control involving variable speed limits and ramp metering[J]. Transportation Science, 2010, 44(2): 238-253.

[6] CHEN X, LI T, MA Z, et al. Integrated mainline and ramp signal control for expressway on-ramp bottleneck with unequal lane-setting[J]. Journal of Intelligent Transportation Systems, 2021, 26(1): 100-115.

[7] 刘畅，庄伟超，殷国栋，等. 高速匝道入口多智能网联车协同合流控制[J]. 东南大学学报(自然科学版)， 2020，50(5): 965-972.

[8] CAO W, MUKAI M, KAWABE T, et al. Cooperative vehicle path generation during merging using model predictive control with real-time optimization[J]. Control Engineering Practice, 2015, 34: 98-105.

[9] RIOS-TORRES J, MALIKOPOULOS A A. Automated and cooperative vehicle merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18(4): 780-789.

[10] RIOS-TORRES J, MALIKOPOULOS A A. A survey on the coordination of connected and automated vehicles at intersections and merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18(5): 1066-1077.

A Coordinated Control Method of Ramp Confluence Area Based on Two-Layer Fuzzy Control

In order to improve the traffic efficiency in the ramp confluence area and reduce the average delay of vehicles in the ramp confluence area, a two-layer fuzzy control method is used to control the main line vehicles and ramp vehicles in the ramp confluence area. A fuzzy controller for lane change decision-making in ramp merging area is established, its input and output variables are designed, and the fuzzy rules are determined. According to the decision-making results of the first layer of dual fuzzy controllers, the lane change decision rate with priority to the number of vehicles and the lowest average delay is obtained, and the actual lane change rate is generated through the second layer of fuzzy control. Taking the vehicle throughput and average delay as the evaluation indicators, the non-fuzzy control, partial fuzzy control and complete fuzzy control are simulated under the same conditions. The results show that the partial fuzzy control and the complete fuzzy control relative to non-fuzzy control, the average delay is reduced by 7.669s and 48.746s respectively. The proposed fuzzy control of ramp confluence area provides a new way for the collaborative control of ramp confluence area.

ramp control; fuzzy control; automated driving; lane change decision

U491

A

1008-1151(2022)12-0009-05

2022-09-19

基于NB-IOT环境下智慧泊车诱导系统关键技术研究（2362022YCXS228）；
柳州市重大专项（2021CAA0101）。

赵红专（1985－），男，广西桂林人，桂林电子科技大学建筑与交通工程学院副教授，研究方向为智能交通系统、智能网联技术等领域。

推荐访问:匝道 控制 合流