智能網聯汽車中心式匝道合流協同控制

江浩斌　胡子?！⑶娉∏睾轫∶咸礻J

摘 ? 要：提出了一種面向智能網聯汽車的中心式匝道合流協同控制方法. 首先建立了中心式匝道合流協同控制模型，然后通過離散化將其轉化為非線性最優化問題，并采用NOMAD算法求解. 進行了100組仿真實驗，通過隨機設置不同的初始化條件對所提方法的有效性以及車輛油耗影響因素進行了研究，并與其他文獻的方法進行對比. 研究結果表明，本文所提方法對不同的初始合流場景有較好的控制效果，與對比文獻中的方法相比，可使車輛平均油耗降低42.38%，顯著提高了匝道合流過程中車輛的燃油經濟性.

關鍵詞：智能網聯汽車;匝道合流;協同控制;中心式方法;燃油經濟性

中圖分類號：U461.8 ? ? ? ? ? ? ? ? ? ? 文獻標志碼：A

Centralized Coordinated Ramp Merging Control

for Intelligent and Connected Vehicles

JIANG Haobin1，HU Ziniu1，LIU Qingchao1，QIN Hongmao2，MENG Tianchuang3

（1. School of Automotive and Traffic Engineering，Jiangsu University，Zhenjiang 212000，China;

2. College of Mechanical and Vehicle Engineering，Hunan University，Changsha 410082，China;

3. School of Vehicle and Mobility，Tsinghua University，Beijing 100084，China）

Abstract：This paper proposes a centralized coordinated ramp merging control method for intelligent connected vehicles. First，a model of centralized coordinated ramp merging control is established. Then， the model is converted to a non-linear optimization problem through discretization，which can be solved by the NOMAD algorithm. Simulations with different randomly initialized merging conditions are performed to verify the effectiveness of the proposed method and to discuss the impact on fuel consumption. Besides，the proposed method is compared with the methods in existing literature，and the results show that the proposed method is effective under different initial merging conditions. Compared with the benchmark method，the proposed method reduces the average fuel consumption by 42.38%.

Key words：intelligent and connected vehicles;ramp merging;coordinated control;centralized approach;fuel economy

交通擁堵已成為城市發展的痛點問題，匝道合流是造成城市高架道路和高速公路交通擁堵的主要原因之一[1]. 2014年，美國城市地區交通擁堵的總成本估計為1 600億美元，額外消耗31億加侖燃料[2].交通擁堵降低了交通效率，增加了碰撞風險[3]，增加了出行時間[4]，給乘客帶來不適，導致油耗和排放過多[5-6].實際上，匝道合流操作對于駕駛員來說，必須綜合考慮周圍環境的各類因素. 通常，試圖合流的車輛可能會在入口匝道上先減速，等待合適的合流機會，同時根據對安全間距和主流車輛速度的判斷，以確定加速的程度和時間.即使駕駛員最終順利完成合流，實際的合流過程也不一定是全局最優的，安全性、經濟性和舒適性難以兼顧和保證.

為解決這一問題，自動匝道合流控制能夠通過考慮匝道合流過程中復雜的時空約束，協同組織匝道區域內多個車輛的運動，從而保證順利完成合流，并大大提高合流過程的安全性、效率與燃油經濟性.近年來，智能網聯汽車技術快速發展，為實現自動匝道合流控制提供了基礎.首先，智能網聯汽車能夠通過車-車通信（V2V，Vehicle-to-Vehicle）實現合流控制操作中的實時通信;其次，智能網聯汽車可通過車-路通信（V2I，Vehicle-to-Infrastructure）接收來自合流區域附近的智能基礎設施的信息，進一步提高了車輛合流協同控制的可行性[7-10].

智能網聯汽車的匝道合流協同控制方法主要可分為中心式方法和分布式方法[11].在中心式方法中，至少有一個任務是由一個中央控制器為所有車輛全局決定的. Jing等人[12]提出了一個基于多人博弈的合作優化框架和算法，在這個框架中，中央控制器從進入合流區域內的車輛中獲取信息，并將每輛車視為一個智能體進行全局優化協調，從而最小化車輛行駛時間、油耗和乘客舒適度的全局收益.Malikopoulos等人[13]使用漢密爾頓分析法提供一個可實時求解的解析閉環解，在保證滿足防追尾避撞的硬安全約束下實時求解各車輛的最優加減速.Ntousakis等人[14]提出了一種縱向軌跡規劃方法，將合流問題表述為有限時域最優控制問題，并對其進行解析求解，在實現安全與效率的同時最小化燃油消耗、乘客不適、加速度及其一階、二階導數. Rios-Torres等人[15-16]提出了一種基于燃油經濟性的車輛加速曲線在線優化的閉式求解方法，同時避免了在合流區與其他車輛的碰撞. Meng等人[17]提出了一種基于優化的匝道合流協同控制方法，可以綜合提升匝道合流中的燃油經濟性和安全性.

在分布式方法中，每輛車根據從道路上其他車輛接收到的信息來確定自己的控制策略. Uno等人[18]最早在1999年提出了虛擬車輛合流協同控制的概念，這種方法將匝道上的車輛投影到主干道路上生成虛擬車輛，并通過對同一條道路上的真實車輛與虛擬車輛的縱向控制，優化合流過程. Dan等人[19]提出了基于虛擬時隙的交通管理概念，所提出的協同合流控制方法能夠提升匝道的吞吐量和平均延遲. Pueboobpaphan等人[20]重點研究了具有不同自動化水平的車輛之間的相互作用，并且保證了人工駕駛車輛能夠平滑合流. Cao等人[21]提出了協同合流的概念，其中主道上的車輛調整速度以適應匝道上試圖合流的車輛，利用MPC方法對兩條單行道上的相關車輛優化生成合流路徑. Zhang等人[22]使用一種分布式方法，將硬安全約束下的交叉路口車輛左右轉向規劃問題構建為優化控制問題進行優化求解. Malikopoulos等人[23]使用求解完整解析解的分布式方法，解決了無明確交通信號情況下的交叉路口通行優化控制問題，在實現交通吞吐量最大化的同時最小化能源消耗. 此外，在與匝道合流協同控制相似的非信控路口協同通行方面，Xu等通過駛近車輛投影變換設計了基于虛擬隊列的協同控制方法，可實現多車在非信控路口的分布式無沖突協同通行[24];Bian等設計了非信控路口任務分區架構，融合分布式觀測、優化與控制方法，實現了多車的無中心協調式協同通行[25].

本文提出了智能網聯汽車中心式匝道合流協同控制方法，在合流控制中綜合考慮了燃油經濟性、安全性等控制目標，可提升匝道合流協同控制的綜合性能;其次，本文提出的模型沒有對車輛的位置、速度和加速度做出線性或其他形式的運動假設，所計算出的車輛最優運動軌跡更符合實際車輛特性.本文在文獻[17]的基礎上進一步考慮了隨機初始化條件下的匝道控制性能，并評估了協同合流控制對主車道車輛燃油經濟性的影響.

本文首先確定并分析所研究場景;然后構建車輛狀態方程及合流過程約束條件、初始條件、終止條件以及目標函數，進而建立匝道合流協同控制模型;最后通過數值仿真進行方法驗證和分析，并與文獻[6]中方法進行對比.

1 ? 研究場景

如圖1所示，考慮一種簡化的匝道合流場景，主道與匝道均為單車道.實際上，主道道路一般由多車道組成，本文假設車輛在進入控制區之前已經完成了換道操作，而不需要考慮控制區域的車輛換道行為，因此，主道多車道的問題可以簡化為單車道問題.此外，在同一條車道上的車輛遵循先進先出（First In First Out，FIFO）規則，不能進行超車.控制區域定義為圖1中長度為L的V2I通訊范圍，實際上通常是半徑為幾百米的范圍.匝道合流協同控制系統中僅考慮位于控制區內的車輛.合流點定義為主道中心線與匝道中心線的交點.在本文中僅考慮匝道上有一輛車的情景，標記為車0. 主干道上尚未到達合流點的車輛依次標記為車1 ～ 車m，如圖1所示.

匝道合流需要合流車輛（車0）與主道上的車輛協同完成，在主干道上的車輛負責為合流的車輛制造足夠安全的間隙，以便合流車輛進行合流匯入.也就是說，它們需要協同調節各自的車速以適應合流車輛.本文假設每個合流區域中都存在智能路側單元，如圖1所示. 控制區內的每輛車都可以與智能路側單元進行通信，頻繁共享其實時信息并接收控制消息.車輛的共享信息包括車輛編號、車輛長度和寬度、位置、速度、加速度、橫擺角等. 其中一些共享信息是常數，其余信息可以通過車載設備（例如GPS、速度計、加速度計和陀螺儀）實時測量和計算. 智能路側單元收到共享信息后，其內部的數據處理單元將采用本文提出的方法來計算每輛車的最優速度曲線，然后將最優速度曲線發送給各個車輛進行軌跡跟隨實現.

如上所述，本文假定所有車輛都是智能網聯汽車，即完全配備了定位和V2I功能設備并能夠自主控制自身速度，在控制誤差允許范圍內跟隨最優速度曲線完成合流過程.

2 ? 匝道合流協同控制方法

2.1 ? 匝道合流協同控制模型

本文提出的中心式匝道合流協同控制方法利用匝道合流協同控制模型來計算每輛車的最優速度曲線.匝道合流協同控制模型由狀態方程、狀態約束、初始和終止條件以及目標函數四個部分組成，進而得到匝道合流控制最優化問題.

2.1.1 ? 狀態方程約束

假設每輛車都有相同的動力學特性. 對于車輛i，可以容易地推導出以下動力學關系.

式中：t∈[t0，tend]，t0表示初始時間，tend表示合流車輛到達合流點的最終時間，Xi（t）表示在時刻t車輛i到合流點的距離，vi（t）和ai（t）分別是車輛i在時間t的速度和加速度.另外，定義距離Xi（t）在車輛i到達合流點之前為正，在車輛i到達合流點之后為負.

2.1.2 ? 狀態約束

首先，所有車輛的速度和加速度應滿足邊界約束.

vmin≤vi（t）≤vmax，i = 0，1，2，…，m ? ? ?（3）

amin≤ai（t）≤amax，i = 0，1，2，…，m ? ? ?（4）

式中：t∈[t0，tend]，vmin和vmax分別是車速的最小限制值和最大限制值，amin和amax分別是保障舒適性的加速度最小限制值和最大限制值.

其次，在整個合流過程中，主干道上的所有車輛均應保持與相鄰車輛的安全車距.

Xi+1（t）-Xi（t）≥δsafe，i = 1，2，…，m-1 ? ?（5）

式中：t∈[t0，tend]，δsafe表示最小允許車頭間距，即允許的最小安全車距.

此外，當合流車輛到達合流點時，需要確保合流車輛與主道車輛之間具有安全車距，以及所有車輛之間的速度差不能超過安全速度差.

Xi（tend）≥δsafe，i = 1，2，…，m ? ? ?（6）

maxi（vi（tend））-minj（vj（tend））≤Δvsafe，

i，j = 0，1，2，…，m ? ? ? ?（7）

式中：Δvsafe表示安全速度差，可根據實際情況設置合理的值. 式（6）中，結合式（10）可知Xi（tend）表示在tend時刻主道車輛i與匝道車輛的距離，因此約束條件（6）保證了在tend時刻合流車輛與主道車輛之間具有安全車距，約束條件（7）保證了在tend時刻所有車輛之間的速度差不能超過安全速度差.

2.1.3 ? 初始和終止條件約束

智能路側單元可以計算出每輛車距離合流點的初始距離Xi0和初始速度vi0，此外，合流車輛到達合流點的時間是tend，得如下條件.

Xi（t0） = Xi0，i = 0，1，2，…，m ? ? ? ? （8）

vi（t0） = vi0，i = 0，1，2，…，m ? ? ? ? （9）

X0（tend） = 0 ? ? ? ? ? ? ?（10）

2.1.4 ? 目標函數

本文綜合考慮合流策略在多個方面的性能指標，構建目標函數.

首先，考慮車輛加速度的影響.加速度越高，加速持續時間越長，合流效率越低，燃油經濟性和車輛舒適性也越差.因此，目標函數的第一項可以寫成：

式中：w1表示在整個目標函數中第一項的權重.

其次，在合流過程中希望車速與安全經濟速度vd之間的偏差，即vi（t）-vd（i = 1，2，…，m）盡可能小，因為減小這個速度偏差可以使速度調節過程更加穩定，并在合流結束時有利于減小各車速度差.需要說明的是，該項的設計與下一節介紹的優化方法也有關. 因此，目標函數中旨在減少合流過程中車輛速度偏差的第二項可以寫成：

式中：w2表示第二項在整個目標函數中的權重.

第三，當合流車輛到達合流點的時刻對安全性的要求最高，因此在tend時刻相鄰車輛之間的速度差應盡可能小.因此，目標函數中旨在減小tend時刻相鄰車輛速度差的第三項可以寫成：

式中：w3表示在整個目標函數中第三項的權重，v′表示在合流結束后，主干道上的所有車（包含完成合流的合流車輛）從前到后依次從1到m+1獲得一個新的編號i′.

于是，總體目標函數為：

f = f1 + f2 + f3 ? ? ? ? ?（14）

2.2 ? 匝道合流協同控制優化問題

結合上述約束條件及目標函數，匝道合流協同控制優化問題為：

min ai f ? ? ? ? ? ? ? ? ?（15）

s.t. ： constraints（1）-（10）.

即優化各車輛控制輸入以最小化全局目標函數.

在匝道合流協同控制模型中，目標函數中包含積分項：

以及在約束條件中含有導數項：

積分項和導數項的存在增加了求解最優化問題的難度，本文采用離散化的思想來簡化積分項和導數項的問題.每輛車到合流點的距離Xi（i = 0，1，…，m）被離散化為向量Xdci ?，由一系列瞬時距離組成.

Xdci ? = [Xi（0），Xi（Δt），Xi（2·Δt），…，Xi（k·Δt），

…，Xi（N·Δt）]，i = 0，1，…，m;k = 0，1，…，N

（16）

式中：Δt是時間步長.

定義：

Xdci ? = Xi（k·Δt），i = 0，1，…，m;k = 0，1，…，N

（17）

類似地，可以通過差分方法將每輛車的速度和加速度離散為vdci和adci.

vdci=[vi（0），vi（Δt），vi（2·Δt），…，vi（k·Δt），…，

vi（N·Δt）]，i = 0，1，…，m;k = 0，1，…，N

（18）

adci=[ai（0），ai（Δt），ai（2·Δt），…，ai（k·Δt），…，

ai（N·Δt）]，i = 0，1，…，m;k = 0，1，…，N

（19）

同樣地，定義：

vdci（k）=vi（k·Δt），i = 0，1，…，m;k = 0，1，…，N

（20）

adci（k）=ai（k·Δt），i = 0，1，…，m;k = 0，1，…，N

（21）

離散化后，本文將匝道合流協同控制模型轉換為離散的非線性最優化形式.可以通過最優化離散向量中的系列值來獲得每個車輛的最優運動. 此外，當N已知時，時間步長Δt可以確定tend. 因此，我們還需要優化時間步長Δt.

實際上，離散化后的模型是一個由線性和非線性約束條件組成的全局非線性規劃（GNLP，Global Non-Linear Programming）問題.

GNLP問題具有如下一般形式：

minx ?f（x） ? ? ? ? ? ? ? ? ? （24）

Subject to： ?Ax ≤ b ? ? ? ? ? （25）

Aeq x = beq ? ? ? ? ? ? （26）

lb ≤ x ≤ ub ? ? ? ? （27）

c（x） ≤ d ? ? ? ? ? ? （28）

Ceq（x） = deq ? ? ? ? ?（29）

式中：f（x）是包含非線性目標函數的標量函數.滿足以下約束條件：

式（25）是線性不等式約束，A為線性不等式約束系數矩陣，b為線性不等式約束向量. 式（26）是線性等式約束，Aeq為線性等式約束系數矩陣，b為線性等式約束向量. 式（27）是控制變量上下界約束，lb為下界約束向量，ub為上界約束向量. 式（27）是非線性不等式約束，c（x）是非線性不等式約束方程向量，d為非線性不等式約束向量. 式（29）是非線性等式約束，Ceq（x）是非線性等式約束方程向量，deq為非線性等式約束向量.

針對離散化后的GNLP問題，后續具體求解過程采用NOMAD算法[26]， NOMAD算法主要使用MADS算法（Mesh Adaptive Direct Search，網格自適應直接搜索）來求解非線性最優化問題，適合于上述GNLP問題的求解.

3 ? 數值仿真

為驗證所提出方法效果，首先在100個隨機初始化合流場景進行仿真，以驗證方法的有效性;而后在單個特定初始化場景下進行仿真測試，并分析合流車輛的位置對燃油消耗率的影響;最后將該方法與文獻[6]中方法進行對比.

3.1 ? 隨機初始化仿真驗證

3.1.1 ? 仿真設置

為驗證所提方法有效性，隨機初始化100個合流場景進行仿真實驗.部分模型參數的設置如表1所示.其中，對速度的隨機初始化采用期望為安全經濟速度vd = 20 m/s、方差為1 m2/s2的高斯隨機分布，對主道車輛數目、主道和匝道車輛初始距離的隨機初始化的統計如表2～4所示.

3.1.2 ? 結果分析

未能完全成功合流的實驗為編號98和編號100組實驗.

編號98仿真實驗的初始條件為：匝道車輛初始速度為70.02 m/s，初始位置為7.15 m;主道上有12輛車，從車輛1至車輛12的初始速度依次為（單位：km/h）：[72.49，74.53，74.42，71.30，68.81，78.96，69.，2，74.，7，77.30，73.20，71.65，70.29]，初始位置依次為（單位：m）：[34.48，68.84，96.77，126.57，157.04， 187.75， 221.08， 250.75， 285.14， 312.64， 340.18，

369.83].

編號100仿真實驗的初始條件為：匝道車輛初始速度為64.96 m/s，初始位置為60.02 m;主道上有13輛車，從車輛1至車輛13的初始速度依次為（單位：km/h）：[67.87，71.08，73.47，73.21，72.96，75.08， 64.73，72.85，66.29，69.35，73.81，67.42，68.10]，初始位置依次為（單位：m）：[8.87，38.53，68.71，100.38， 131.23， 160.34， 189.00， 218.80， 248.07， 284.85，

311.37， 344.00，371.94].

在100組合流過程中，編號98和編號100仿真所求解出的車輛加速度超出舒適加速度約束條件，其中編號98實驗中的最大加速度達到了117.74 m/s2，編號100實驗中的最大加速度為11.66 m/s2. 仿真計算求解器返回的結果表示，兩組實驗得到的計算結果并不是收斂解，即在仿真環境計算能力有限的條件下，求解時間過長，求解器未能求出收斂解即退出求解運算.

在合流完成時刻，所有相鄰車輛之間均滿足安全車距條件的實驗組數為100. 匝道車輛與前后車自然也滿足安全車距條件;在合流完成時刻，匝道車輛與前后車速度差處于±5 km/h范圍內，則認為合流完成后的車輛速度具備較好的安全性，在100組實驗中，匝道車輛與前車速度差處于±5 km/h范圍內的實驗組數為100，匝道車輛與后車速度差處于±5 km/h范圍內的實驗組數為99，編號100的速度差為9.49 m/s，超過5 km/h.

綜上所述，在100組隨機初始化實驗中，有98組實驗能夠順利求解，說明本文提出的方法針對不同的初始化合流場景都具有較好的效果.

3.2 ? 單場景仿真驗證

3.2.1 ? 仿真參數設置

本節生成一個隨機合流場景Ⅰ，進一步驗證本文所提方法的效果.隨機生成結果如下.

在場景Ⅰ中，初始時刻主干道有8輛車，從車輛1到車輛8的初始速度依次為（單位：km/h）：

[76.99，69.57，77.46，73.31，71.89，73.29，71.63，

71.78]到合流點的初始距離依次為（單位：m）：[162.94，196.61，222.09，253.82，284.46，311.84，340.97， 371.66]

對于合流車輛，初始速度v00為73.50 km/h，初始距離x00為254.09 m. 參數設置如表1所示.

仿真使用文獻[27]中提出的模型計算每輛車的燃油消耗率，具體為：

FR = α + βv + γv2 + δv3 + ξav，if Ptract > 0α′，if Ptract = 0

Ptract = Av + Bv2 + Cv3 + mav + mgvsin θ

其中FR是燃油消耗率，Ptract是牽引功率，v是速度，α是加速度，其中參數可以根據文獻[27]進行選擇.

3.2.2 ? 結果分析

根據場景Ⅰ及其參數設置，通過仿真計算，得到距離、速度、加速度的優化結果如圖2～4所示，合流過程中主道上不同位置車輛的燃油消耗量和燃油消耗率分別如圖5和圖6所示，燃油消耗具體數值如表5所示.

此外，優化得到的Δt為0.31 s. 由于N取40，所以最終時間tend為12.44 s.

圖2表示的是經過最優化得到的車輛到合流點的距離變化. 從圖中可以看到，合流車輛在主干道路上的車輛3（V3）和車輛4（V4）之間合流匯入. 在初始時刻，合流車輛到合流點的距離約等于車輛4到合流點的距離.在合流過程中，車輛3和車輛4之間的距離逐漸變大，以便為合流車輛創建足夠的匯入間隙.當合流車輛在tend時刻到達合流點時，所有9輛車之間的車頭間距依次為（單位：m）：[34.31，27.60，30.93，20.05，20.50，21.40，25.40，29.85]

很明顯，所有9輛汽車都滿足約束（5）-（7）.

如圖3所示，在合流過程的早期和后期，主干道路上車輛的速度曲線變化很大且變化很快，但在中間階段則長時間保持穩定，近似為勻速行駛.這種速度調節模式正是目標函數所包含的三項所期望的，即盡量減小車輛加速度及其持續時間，盡量減小速度偏差vi（t） - vd（i=1，2，…，m）和在tend時刻相鄰車輛之間的速度差.

如圖4所示，車輛加速度曲線的模型符合上面討論的內容.

在圖5中，主道8輛車中高于平均燃油消耗量的是V1～V4，說明對合流插入位置附近以及較前的車輛燃油消耗量影響較大，且離插入位置越近受影響越大，這是因為合流插入位置附近以及較前的車輛需要通過加速或者減速為合流車輛制造安全車間距.油耗最大值出現在V4，由圖6可以看出，在合流完成時刻前后，V4的燃油消耗率明顯增大，且增大幅度明顯大于該時間段其它車輛的燃油消耗率.在圖6中，燃油消耗率在合流過程的初期和末期都很高，這是由于在初期和末期車輛的加速度大造成的，而在中期行駛時，車輛以幾乎恒定的速度行駛，燃油消耗率在很長一段時間很低.

通過上述仿真，進一步驗證了本文所提方法具有預期效果，并分析了合流車輛的位置對燃油消耗率的影響以及產生原因.

3.3 ? 與其它方法對比仿真驗證

3.3.1 ? 對比設置

文獻[6]將匝道合流協同控制問題表述為無約束的最優化問題，并應用漢密爾頓分析得出了閉環解析解.每輛車i的最佳速度v*i（t）和位置p*i（t）分別為：

為將本文所提出的方法與[6]中的提出的方法進行對比，設置合流場景Ⅱ，其中初始時刻有3輛車在主道上，其到合流點的初始距離依次是[200， 225， 250]（單位：m）.合流車輛的初始距離為230 m.所有車輛的初始速度為72 km/h. 仿真參數設置如表1所示.

3.3.2 ? 仿真結果對比分析

基于場景Ⅱ進行仿真計算后，基于文獻[6]中的方法和本文提出的方法得到的最優結果分別如圖7和圖8所示. 兩種方法都是利用[27]中提出的燃料消耗模型，并且所有參數相同.

首先，本文從合流效率的角度比較了這兩種方法.合流時間tend可以反映合流車輛的合流效率.文獻[6]中的方法獲得tend = 12.00 s，而本文的模型獲得tend = 11.92 s. 主干道上的最后一輛車輛到達合流點的時間可以反映主干道上的車輛合流效率，文獻[6]的方法所得結果為13.00 s，而本文方法所得結果為12.90 s. 此外，這兩種方法的車輛等待時間（車輛停止和等待的總時間）都為0 s. 因此，在合流效率方面，本文所提出的方法相比文獻[6]中的方法略微有提升，但差別不是很大.

然后，從燃油經濟性的角度比較這兩種方法. 在圖7（d）中，兩種方法的最大燃油消耗率均約為4 g/s.但是與文獻[6]中的方法不同，本文提出的模型中的燃油消耗率僅在早期和后期才變高，而在大多數合流過程中卻保持在較低水平.關于高油耗率的平均持續時間（燃油消耗率在2 g/s以上），如表6所示，文獻[6]中方法是4.80 s，本文提出的方法是0.77 s，降低了83.96%. 如圖9所示，使用本文所提出的方法可以大大減少燃油消耗.經計算，可得到每輛車在整個合流過程中的平均油耗，用文獻[6]中的方法是20.01 g，用本文所提出的方法是11.53 g，降低了42.38%. 因此，本文提出的模型顯著提高了合流過程中的燃油經濟性.

4 ? 結 ? 論

本文提出了基于智能網聯汽車的中心式匝道合流協同控制方法，建立了匝道合流協同控制模型，通過數值仿真驗證了所提出方法的有效性.仿真結果表明，本文所提出方法與文獻[6]中方法具有基本相同的合流效率，但可有效提升協同合流控制中的車輛燃油經濟性.

本文所研究的合流問題中，車輛與路側智能設施之間僅在初始時刻進行短暫通信，在后續研究中可增加對規劃后車輛動力學控制的研究，增加合流過程中的通信影響，對通信時延、丟包作為重要因素進行建模分析.不同的匝道結構參數對車輛動力學控制的影響較大，尤其是橫向動力學控制，因此在后續研究中可考慮不同匝道結構參數的影響.此外，今后的研究也將集中在更復雜場景下的合流控制問題上，比如匝道上車輛數目增多、主干道上車道數量增加并允許換道等.

參考文獻

[1] ?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.

[2] ? ?SCHRANK B，EISELE B，LOMAX T，BAK J，2015 urban mobility score-card. [Online]. Available：https：//mobility.tamu.edu/ums/report/，2015.

[3] ?CHUNG Y，RECKER W W. Spatiotemporal analysis of traffic congestion caused by rubbernecking at freeway accidents[J]. IEEE Transactions on Intelligent Transportation Systems，2013，14（3）：1416—1422.

[4] IORDANIDOU G R，RONCOLI C，PAPAMICHAIL I，et al. Feedback-Based mainstream traffic flow control for multiple bottlenecks on motorways[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16（2）：610—621.

[5] ? LI X P，CUI J X，AN S，et al. Stop-and-go traffic analysis：Theoretical properties，environmental impacts and oscillation mitigation[J]. Transportation Research Part B，2014，70：319—339.

[6] ?RIOS- TORRES J，MALIKOPOULOS A A. Automated and cooperative vehicle merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems，2017，18（4）：780—789.

[7] ? ?BEVLY D，CAO X L，GORDON M，et al. Lane change and merge maneuvers for connected and automated vehicles：A Survey[J]. IEEE Transactions on Intelligent Vehicles，2016，1（1）：105—120.

[8] ? ?劉志強，韓靜文，倪捷. 智能網聯環境下的多車協同換道策略研究[J]. 汽車工程，2020，42（3）：299—306.

LIU Z Q，HAN J W，NI J. Study on multi-vehicle coordinated lane change strategy under network conditions[J]. Automotive Engineering，2020，42（3）：299—306. （In Chinese）

[9] ? ?解來卿，羅禹貢，李升波，等. 分布式電驅動車輛的ACC協同控制[J]. 汽車工程，2018，40（6）：652—658.

XIE L Q，LUO Y G，LI S B，et al. Coordinated Control for adaptive cruise control system of distributed drive electeic vehicles[J]. Automotive Engineering，2018，40（6）：652—658. （In Chinese）

[10] ?李克強，戴一凡，李升波，等. 智能網聯汽車（ICV）技術的發展現狀及趨勢[J]. 汽車安全與節能學報，2017，8（1）：1—14.

LI K Q，DAI Y F，LI S B，et al. State-of-the-art and technical trends of intelligent and connected vehicles[J]. Automotive Safety and Energy，2017，8（1）：1—14. （In Chinese）

[11] ?ZHAO Z Q，WANG Z R，WU G Y，et al. The state-of-the-art of coordinated ramp control with mixed traffic conditions [C]// IEEE Intelligent Transportation Systems Conference. IEEE，2019：1741—1748.

[12] ?JING S C，HUI F，ZHAO X M，et al. Cooperative game approach to optimal merging sequence and on-ramp merging control of connected and automated vehicles[J]. IEEE Transactions on Intelligent Transportation Systems，2019，20（11）：4234—4244.

[13] ?MALIKOPOULOS A A，HONG S，LEE J，et al. Optimal control for speed harmonization of automated vehicles[J]. IEEE Transactions on Intelligent Transportation Systems，2018，20（7）：2405—2417.

[14] ?NTOUSAKIS I A，NIKOLOS I K，PAPAGEORGIOU M. Optimal vehicle trajectory planning in the context of cooperative merging on highways[J]. Transportation Research Part C： Emerging Technologies，2016，71：464—488.

[15] ?RIOS-TORRES J，MALIKOPOULOS A，PISU P. Online optimal control of connected vehicles for efficient traffic flow at merging roads[C]// IEEE International Conference on Intelligent Transportation Systems. IEEE， 2015：2432—2437.

[16] RIOS-TORRES J，MALIKOPOULOS A A. Automated and cooperative vehicle merging at highway on-ramps[J]. IEEE Transactions on Intelligent Transportation Systems，2017，18（4）：780—789.

[17] ?MENG T C，XU B，QIN X H，et al. Cooperative ramp merging control for connected and automated vehicles[R]. SAE Technical Paper，2020.

[18] ?UNO A，SAKAGUCHI T，TSUGAWA S. A merging control algorithm based on inter-vehicle communication[C]// IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems. IEEE，1999：783—787.

[19] ?DAN M，JAN C，MELANIE B，et al. On-ramp traffic merging using cooperative intelligent vehicles：A slot-based approach [C]// 15th International IEEE Conference on Intelligent Transportation Systems. IEEE，2012：900—906.

[20] ?PUEBOOBPAPHAN R，LIU F，VAN AREM B. The impacts of a communication based merging assistant on traffic flows of manual and equipped vehicles at an on-ramp using traffic flow simulation[C]// International IEEE Conference on Intelligent Transportation Systems. IEEE，2010：1468—1473.

[21] ?CAO W J，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.

[22] ?ZHANG Y，MALIKOPOULOS A A，Cassandras C G. Decentralized optimal control for connected automated vehicles at intersections including left and right turns[C]// IEEE 56th Annual Conference on Decision and Control. IEEE，2017：4428—4433.

[23] ?MALIKOPOULOS A A，CASSANDRAS C G，ZHANG Y J. A decentralized energy-optimal control framework for connected automated vehicles at signal-free intersections[J]. Automatica，2018，93：244—256.

[24] ?XU B，LI S B，BIAN Y G，et al. Distributed conflict-free cooperation for multiple connected vehicles at unsignalized intersections[J]. Transportation Research Part C：Emerging Technologies，2018，93：322—334.

[25] ?BIAN Y G，LI S B，REN W，et al. Cooperation of multiple connected vehicles at unsignalized intersections：distributed observation，optimization，and control[J]. IEEE Transactions on Industrial Electronics，2020，67（12）：10744—10754.

[26] ?LE DIGABEL S. Algorithm 909：NOMAD：nonlinear optimization with the MDS algorithm[J]. ACM Transactions on Mathematical Software，2011，37（4）：1—15.

[27] ?CAPPIELLO A，CHABINI I，NAM E，et al. A statistical model of vehicle emissions and fuel consumption[C]// IEEE International Conference on Intelligent Transportation Systems. September 6-6，2002，Singapore. IEEE，2002：801—809.

收稿日期：2020-08-25

基金項目：湖南大學汽車車身先進設計制造國家重點實驗室開放基金資助項目（31915005），The Open Fund Project of the State Key Laboratory of Advanced Design and Manufacturing of Automobile Body of Hunan University（31915005）;湖南省重點領域研發計劃資助項目（2019GK2151），Funded Projects of Hunan Provinces Key Field Research and Development Plan（2019GK2151）

作者簡介：江浩斌（1969—），男，江蘇啟東人，江蘇大學博士生導師，博士

通信聯系人，E-mail：15866967769@163.com