無(wú)信號(hào)交叉口自動(dòng)駕駛汽車(chē)協(xié)同駕駛策略研究

董瑋 李巖 郭宏偉 渠謹(jǐn)黛 董良

摘要 自動(dòng)駕駛汽車(chē)（AV）的發(fā)展和應(yīng)用成為智慧城市的重要?jiǎng)恿?lái)源，交叉口作為城市路網(wǎng)通行能力瓶頸點(diǎn)，對(duì)其進(jìn)行合理的管控是提高城市交通效率的重要途徑和手段。文章提出了一種無(wú)信號(hào)交叉口自動(dòng)駕駛汽車(chē)分布式協(xié)同駕駛策略并基于微觀交通仿真軟件SUMO和Python語(yǔ)言搭建聯(lián)合仿真平臺(tái)，實(shí)現(xiàn)對(duì)交叉口區(qū)域AV協(xié)同駕駛策略的生成以及車(chē)輛的優(yōu)化控制。仿真結(jié)果表明，文章提出的協(xié)同駕駛策略在提高車(chē)輛安全性、乘客舒適性的同時(shí)降低了交叉口車(chē)輛總延誤，更好滿(mǎn)足了城市智慧出行、綠色出行的要求。

關(guān)鍵詞 無(wú)信號(hào)交叉口；自動(dòng)駕駛汽車(chē)；協(xié)同駕駛策略

中圖分類(lèi)號(hào) TP183文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 2096-8949（2024）04-0008-04

0 引言

自動(dòng)駕駛汽車(chē)（AV）被認(rèn)為是新一代交通系統(tǒng)中的關(guān)鍵組成部分，基于AV的交通管控是提高交通安全和交通效率的一種有效方式^[1]。在V2X通信技術(shù)的幫助下，AV可以與鄰近的車(chē)輛和路側(cè)基礎(chǔ)設(shè)施共享它們的駕駛信息，更好地協(xié)調(diào)整體的運(yùn)動(dòng)^[2]。作為交通管控中的關(guān)鍵一環(huán)，交叉口管理將由傳統(tǒng)的信號(hào)燈控制向自主式交叉口管理（Autonomous Intersection Manage-ment，AIM）轉(zhuǎn)變。如何制定駕駛策略，使得車(chē)流能夠快速、安全地通過(guò)自主式交叉口，成為當(dāng)下研究的熱點(diǎn)和難點(diǎn)。

從固定信號(hào)配時(shí)到自適應(yīng)信號(hào)配時(shí)，從單點(diǎn)信號(hào)控制到區(qū)域信號(hào)協(xié)同控制，信號(hào)交叉口管理水平有了很大的提高。交叉口智能信號(hào)控制能夠有效疏導(dǎo)交通流，提高道路通行能力，減少車(chē)輛延誤和停車(chē)次數(shù)。隨著智能網(wǎng)聯(lián)技術(shù)的逐漸發(fā)展，傳統(tǒng)的信號(hào)控制將不再是最優(yōu)控制方案。車(chē)輛之間、車(chē)輛與路側(cè)設(shè)備之間進(jìn)行實(shí)時(shí)信息傳遞，控制中心通過(guò)計(jì)算得出各方向駛?cè)胲?chē)輛的最優(yōu)通行方案，將無(wú)信號(hào)交叉口通行權(quán)及車(chē)輛占用交叉口時(shí)間等信息發(fā)送給車(chē)輛并進(jìn)行實(shí)時(shí)管控，合理的協(xié)同駕駛策略將有效緩解交通擁堵，提高交通服務(wù)水平。

研究人員發(fā)現(xiàn)，交叉口協(xié)同駕駛技術(shù)的關(guān)鍵之一是確定沖突區(qū)域的車(chē)輛通行權(quán)^[3]，合理分配關(guān)鍵沖突區(qū)域的車(chē)輛通行權(quán)會(huì)產(chǎn)生可行的車(chē)輛通行順序，在現(xiàn)有的研究中有兩種主要的協(xié)同駕駛策略：基于預(yù)訂的策略^[4]和基于規(guī)劃的策略^[5]，用于確定車(chē)輛通行順序。然而，基于預(yù)訂的策略得出的車(chē)輛通行順序大致遵循先到先服務(wù)規(guī)則，在多數(shù)情況下表現(xiàn)不夠良好；基于規(guī)劃的策略隨車(chē)輛數(shù)的增加，平均計(jì)算時(shí)間呈指數(shù)級(jí)增長(zhǎng)^[6]，給實(shí)際應(yīng)用帶來(lái)了困難。

因此，該文提出了一種無(wú)信號(hào)交叉口自動(dòng)駕駛汽車(chē)分布式協(xié)同駕駛策略，結(jié)合蒙特卡洛樹(shù)搜索（MCTS）和啟發(fā)式規(guī)則算法在短時(shí)間內(nèi)找到當(dāng)前最優(yōu)通行順序。該文的組織結(jié)構(gòu)如下：第1節(jié)概述無(wú)信號(hào)交叉口AV協(xié)同駕駛策略理論基礎(chǔ)；第2節(jié)介紹無(wú)信號(hào)交叉口場(chǎng)景構(gòu)建；第3節(jié)提出基于MCTS的AV分布式協(xié)同駕駛策略；第4節(jié)搭建交叉口仿真環(huán)境并進(jìn)行仿真結(jié)果分析；第5節(jié)進(jìn)行總結(jié)展望。

1 無(wú)信號(hào)交叉口協(xié)同駕駛理論基礎(chǔ)

自主式交叉口管理旨在創(chuàng)建一個(gè)可擴(kuò)展、安全和高效的多智能體框架，用于管理交叉口的自動(dòng)駕駛汽車(chē)，實(shí)現(xiàn)無(wú)信號(hào)燈控制下自主式車(chē)輛導(dǎo)航，使AV在交叉口協(xié)同通行變得更安全、更高效、更舒適、更環(huán)保。AIM的順利實(shí)現(xiàn)需要高可靠性、低時(shí)延的V2X通信系統(tǒng)的支持，同時(shí)也依賴(lài)于快速發(fā)展且日趨成熟的智能網(wǎng)聯(lián)管控技術(shù)。

在AIM系統(tǒng)中，AV是完全自主的，每輛車(chē)都可以利用低延遲和高可靠性的智能網(wǎng)聯(lián)技術(shù)實(shí)現(xiàn)車(chē)輛的實(shí)時(shí)數(shù)據(jù)交互，車(chē)輛可以采取單車(chē)智能，或者依據(jù)交叉口控制器（可以是云平臺(tái)、路側(cè)設(shè)備或AV自身）的指令協(xié)同運(yùn)行。

現(xiàn)有的AIM方式從管控模式的角度主要分為集中式和分布式兩大類(lèi)。集中式AIM使用位于路側(cè)設(shè)備的單個(gè)控制器來(lái)計(jì)算交叉口過(guò)往車(chē)輛的最優(yōu)通行軌跡。每輛車(chē)與控制器進(jìn)行通信，傳輸其當(dāng)前行駛狀態(tài)及預(yù)期行駛軌跡。所有優(yōu)化計(jì)算均由控制器執(zhí)行，控制器將計(jì)算出的無(wú)沖突軌跡實(shí)時(shí)傳回給車(chē)輛，車(chē)輛按控制命令進(jìn)行相應(yīng)的軌跡調(diào)整。在分布式自主交叉口管理中，不需要路側(cè)設(shè)備（中央控制器），取而代之的是，所有的計(jì)算都在車(chē)輛穿越交叉口的過(guò)程中完成。

該文將樹(shù)的相關(guān)理論引入無(wú)信號(hào)交叉口AV通行權(quán)最優(yōu)分配問(wèn)題中。無(wú)信號(hào)交叉口協(xié)同駕駛問(wèn)題可以看作一棵樹(shù)搜索問(wèn)題，每個(gè)葉結(jié)點(diǎn)對(duì)應(yīng)一個(gè)完整的車(chē)輛通行順序，除葉結(jié)點(diǎn)外的其余樹(shù)結(jié)點(diǎn)則對(duì)應(yīng)一個(gè)特殊的部分車(chē)輛通行順序。通過(guò)構(gòu)建調(diào)度樹(shù)可以生成全部的車(chē)輛通行順序，無(wú)信號(hào)交叉口AV通行權(quán)最優(yōu)分配問(wèn)題等價(jià)于遍歷出調(diào)度樹(shù)上對(duì)應(yīng)最小車(chē)輛總延誤的葉結(jié)點(diǎn)，即可獲得最優(yōu)車(chē)輛通行順序。

2 無(wú)信號(hào)交叉口場(chǎng)景構(gòu)建

該文提出一個(gè)自主式管控交叉口模型，如圖1所示。無(wú)信號(hào)交叉口區(qū)域由交叉口中心區(qū)域（ICZ）和控制區(qū)域（CZ）組成。ICZ為半徑為RC2的圓形區(qū)域，CZ在ICZ以外，且半徑為RC1的通信區(qū)域（CR）內(nèi)。

車(chē)輛進(jìn)入交叉口控制區(qū)域后，不再允許換道行為的發(fā)生，車(chē)輛進(jìn)入交叉口中心區(qū)域后，駕駛行為被鎖定，不再進(jìn)行軌跡調(diào)整。為了簡(jiǎn)化模型，該文的基本假設(shè)如下：無(wú)信號(hào)交叉口區(qū)域?yàn)?00% AV環(huán)境，且所有車(chē)輛的類(lèi)型和性能一致；V2X是完美通信；所有入口車(chē)道上車(chē)輛是隨機(jī)到達(dá)的，且服從參數(shù)為λ的泊松分布；忽略外部因素影響，即不考慮行人及非機(jī)動(dòng)車(chē)輛在交叉口的行為。

協(xié)同駕駛流程：

第一步：AV駛?cè)隒Z，通過(guò)V2X實(shí)時(shí)傳輸自身各項(xiàng)駕駛數(shù)據(jù)；

第二步：每輛AV采用融合啟發(fā)式規(guī)則的MCTS算法計(jì)算出一種交叉口車(chē)輛最優(yōu)通行順序；

第三步：全部的AV通過(guò)多數(shù)投票規(guī)則確定最終的最優(yōu)車(chē)輛通行順序；

第四步：根據(jù)上述最優(yōu)通行順序?qū)崟r(shí)優(yōu)化調(diào)整AV行駛軌跡，使CZ范圍內(nèi)AV協(xié)同駕駛效率最高；

第五步：AV安全、高效地通過(guò)無(wú)信號(hào)交叉口。

3 基于蒙特卡洛樹(shù)搜索（MCTS）協(xié)同駕駛策略

3.1 目標(biāo)問(wèn)題

調(diào)度樹(shù)理論為無(wú)信號(hào)交叉口帶來(lái)了車(chē)輛最優(yōu)通行順序，但隨著需要處理車(chē)輛數(shù)量的增加，枚舉所有葉結(jié)點(diǎn)的難度急劇增加^[6]，通常不可能在有限的計(jì)算時(shí)間（預(yù)算）內(nèi)遍歷調(diào)度樹(shù)的所有葉結(jié)點(diǎn)（一顆由n輛車(chē)構(gòu)成的調(diào)度樹(shù)有n個(gè)葉結(jié)點(diǎn)）。為了解決上述問(wèn)題，該文使用MCTS來(lái)搜索有可能成為最優(yōu)解（即最優(yōu)通行順序）的結(jié)點(diǎn)，MCTS在AlphaGo中的成功應(yīng)用表明其是處理此類(lèi)問(wèn)題的有效解決方法^[7]。該文將對(duì)傳統(tǒng)MCTS算法進(jìn)行改進(jìn)，并實(shí)時(shí)追蹤到目前為止表現(xiàn)最佳的車(chē)輛通行順序，隨著搜索樹(shù)的擴(kuò)展，該最優(yōu)通行順序不斷地被表現(xiàn)更好的通行順序所取代，當(dāng)系統(tǒng)達(dá)到計(jì)算預(yù)算時(shí)，將返回目前更新的最佳車(chē)輛通行順序作為基于MCTS算法求解的該無(wú)信號(hào)交叉口車(chē)輛最優(yōu)通行順序。

該文所設(shè)計(jì)的協(xié)同駕駛策略旨在通過(guò)合理分配無(wú)信號(hào)交叉口沖突區(qū)域車(chē)輛通行權(quán)以確定最優(yōu)通行順序——所有車(chē)輛進(jìn)行最少的避撞減速調(diào)整，并實(shí)時(shí)調(diào)整優(yōu)化車(chē)輛速度及加速度，使交叉口車(chē)輛通行總延誤最小。

3.2 基于MCTS通行順序建模

MCTS以迭代的方式逐步構(gòu)建搜索樹(shù)。一次迭代過(guò)程包括四個(gè)主要步驟，分別是選擇、擴(kuò)展、仿真和反向傳播^[8]。

該文提出了以啟發(fā)式規(guī)則來(lái)幫助制定在仿真步驟中哪些節(jié)點(diǎn)（車(chē)輛）應(yīng)該被擴(kuò)展（添加到車(chē)輛通行順序中）。啟發(fā)式規(guī)則1有助于快速刪除無(wú)效的通行順序，啟發(fā)式規(guī)則2確定候選車(chē)輛中適合添加進(jìn)通行順序中的車(chē)輛。

（1）對(duì)于同一車(chē)道上的車(chē)輛，禁止車(chē)輛變道，優(yōu)先添加距離交叉口沖突區(qū)域最近的車(chē)輛。

（2）對(duì)于經(jīng)過(guò)交叉口中心區(qū)域有碰撞沖突的兩車(chē)輛，應(yīng)優(yōu)先添加預(yù)期到達(dá)沖突點(diǎn)時(shí)間更小的車(chē)輛。

4 無(wú)信號(hào)交叉口協(xié)同駕駛策略仿真驗(yàn)證

該文基于SUMO和Python搭建基礎(chǔ)的仿真框架并進(jìn)行可視化，實(shí)現(xiàn)對(duì)無(wú)信號(hào)交叉口區(qū)域AV協(xié)同駕駛策略的生成以及車(chē)輛的優(yōu)化控制。

該文構(gòu)建的雙向六車(chē)道無(wú)信號(hào)交叉口各項(xiàng)參數(shù)如表1所示。

為了對(duì)無(wú)信號(hào)交叉口AV駕駛策略進(jìn)行全面深入的對(duì)比，選定以下兩種駕駛策略進(jìn)行仿真分析：先到先服務(wù)（FCFS）策略、基于MCTS協(xié)同駕駛策略。

為進(jìn)行全面對(duì)比分析，該文分別對(duì)先到先服務(wù)（FCFS）策略、基于MCTS的協(xié)同駕駛策略在無(wú)信號(hào)交叉口不同流量需求水平下進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)是在圖1所示的雙向六車(chē)道無(wú)信號(hào)交叉口場(chǎng)景下進(jìn)行的，每個(gè)方向有三條進(jìn)入交叉口的車(chē)道。對(duì)于每個(gè)方向最左側(cè)車(chē)道，有一半車(chē)輛左轉(zhuǎn)，一半車(chē)輛直行；同樣，對(duì)于每個(gè)方向最右側(cè)車(chē)道，有一半車(chē)輛右轉(zhuǎn)，而另一半車(chē)輛直行；中間車(chē)道上的所有車(chē)輛全部直行。車(chē)輛隨機(jī)到達(dá)交叉口四個(gè)入口方向各車(chē)道上，車(chē)輛到達(dá)服從參數(shù)為λ的泊松分布，通過(guò)修改泊松分布的均值來(lái)改變一段時(shí)間內(nèi)進(jìn)入交叉口控制區(qū)域（CZ）的車(chē)輛數(shù)，從而驗(yàn)證所提出的協(xié)同駕駛策略在無(wú)信號(hào)交叉口低、中、高三種不同車(chē)流密度條件下（即不同流量需求水平下）的性能，所有車(chē)道上車(chē)輛的到達(dá)率相同。

對(duì)FCFS策略和基于MCTS協(xié)同駕駛策略分別進(jìn)行低、中、高三種不同車(chē)流密度條件下100次仿真，獲取車(chē)輛平均減速調(diào)整次數(shù)、車(chē)輛平均速度、車(chē)輛平均行程時(shí)間、車(chē)輛平均停車(chē)等待時(shí)間、車(chē)輛平均延誤、車(chē)輛平均停車(chē)次數(shù)、車(chē)輛平均CO₂排放量并記錄仿真過(guò)程中TTC（車(chē)輛碰撞時(shí)間≤2 s）次數(shù)，相應(yīng)的結(jié)果如表2所示。

由仿真結(jié)果分析可得：基于MCTS協(xié)同駕駛策略相較于FCFS策略在車(chē)輛平均減速調(diào)整次數(shù)、車(chē)輛平均速度、車(chē)輛平均行程時(shí)間、車(chē)輛平均等待時(shí)間、車(chē)輛平均延誤、車(chē)輛平均停車(chē)次數(shù)、車(chē)輛平均CO₂排放量及碰撞時(shí)間（TTC）次數(shù)等8項(xiàng)指標(biāo)上均有所改善。在低車(chē)流密度條件下，F(xiàn)CFS策略與基于MCTS協(xié)同駕駛策略在各指標(biāo)上表現(xiàn)水平相差不大，但隨著無(wú)信號(hào)交叉口車(chē)流密度的增加，基于MCTS協(xié)同駕駛策略在各指標(biāo)上的優(yōu)勢(shì)逐漸突顯，尤其是在高車(chē)流密度條件下，基于MCTS協(xié)同駕駛策略在各指標(biāo)上表現(xiàn)均明顯優(yōu)于FCFS策略。

同時(shí)，可以看出在較低的交通需求水平下，F(xiàn)CFS策略與基于MCTS協(xié)同駕駛策略指標(biāo)相近，基于MCTS協(xié)同駕駛策略在各項(xiàng)指標(biāo)上雖有所改善，但并沒(méi)有展現(xiàn)出絕對(duì)的優(yōu)勢(shì)，反而相較于FCFS策略要花費(fèi)過(guò)多的計(jì)算資源，造成一定程度的算力浪費(fèi)。在該情況下，先到先服務(wù)往往是最優(yōu)車(chē)輛通行策略，系統(tǒng)將省去復(fù)雜的計(jì)算過(guò)程，節(jié)省尋找全局最優(yōu)車(chē)輛通行順序所花費(fèi)的時(shí)間。

然而，隨著無(wú)信號(hào)交叉口交通需求水平的上升，基于MCTS協(xié)同駕駛策略能更好地規(guī)劃車(chē)輛通行順序，使車(chē)輛更加安全、高效、迅速地通過(guò)交叉口進(jìn)而降低總體通行延誤；此時(shí)，F(xiàn)CFS策略則略顯乏力，高車(chē)流密度條件下車(chē)輛依據(jù)先到先服務(wù)通行會(huì)使大量車(chē)輛因避免沖突而進(jìn)行頻繁的啟停，不僅造成時(shí)間上巨大的浪費(fèi)，乘客乘坐體驗(yàn)感下降，而且會(huì)較大幅度增加尾氣排放，加劇城市環(huán)境污染。

在城市中，由于交叉口中心區(qū)域（ICZ）利用率較低，擁堵現(xiàn)象頻發(fā)，該文通過(guò)對(duì)ICZ利用率μ進(jìn)行定義，以反映兩種駕駛策略的通行能力。

式中，t_c——AV占用ICZ的時(shí)長(zhǎng)；T_c——ICZ開(kāi)放總時(shí)長(zhǎng)。

通過(guò)仿真得出了在不同交通需求條件下的ICZ利用率，如表3所示。

μ越大，代表ICZ通行的車(chē)輛越多，交叉口吞吐量越大。在FCFS策略中，由于AV共存狀態(tài)較少，導(dǎo)致ICZ利用率較低；基于MCTS協(xié)同駕駛策略ICZ利用率較高，在高需求條件下，每一時(shí)刻有將近8輛車(chē)經(jīng)過(guò)ICZ。相較于FCFS駕駛策略，基于MCTS協(xié)同駕駛策略的ICZ利用率在低、中、高密度條件下分別提升20.7%、46.8%、56.1%。

5 總結(jié)及展望

該文在100%自動(dòng)駕駛汽車(chē)前提下，研究無(wú)信號(hào)交叉口車(chē)輛最優(yōu)通行問(wèn)題，提出智能網(wǎng)聯(lián)環(huán)境下無(wú)信號(hào)交叉口協(xié)同駕駛策略。該文的研究工作具體包括以下幾部分：

（1）簡(jiǎn)要介紹了近年來(lái)交叉口協(xié)同駕駛問(wèn)題的相關(guān)研究背景。

（2）概述無(wú)信號(hào)交叉口協(xié)同駕駛策略的理論基礎(chǔ)。

（3）構(gòu)建網(wǎng)聯(lián)環(huán)境下雙向六車(chē)道無(wú)信號(hào)自主式管控交叉口場(chǎng)景。

（4）提出一種基于蒙特卡洛樹(shù)搜索（MCTS）AV分布式協(xié)同駕駛策略。

（5）基于SUMO和Python語(yǔ)言搭建無(wú)信號(hào)交叉口仿真環(huán)境進(jìn)行仿真分析。

該文提出了一種基于MCTS無(wú)信號(hào)交叉口分布式協(xié)同駕駛策略，因受時(shí)間、設(shè)備等因素制約，研究?jī)?nèi)容尚顯膚淺，與實(shí)際應(yīng)用還有一定的差距。該研究方向還有很大的優(yōu)化和提升空間，歸納起來(lái)有以下幾點(diǎn)：

（1）該文中的車(chē)輛均為AV，未來(lái)很長(zhǎng)一段時(shí)間內(nèi)都將處于AV與HDV混行階段，應(yīng)該對(duì)不同AV滲透率下無(wú)信號(hào)交叉口協(xié)同駕駛策略進(jìn)行更加深入的研究。

（2）在AV與HDV共享交叉口道路通行權(quán)的混合交通流情況下，AV的運(yùn)動(dòng)應(yīng)該考慮人類(lèi)駕駛員的隨機(jī)和不確定性行為。

（3）該文忽略V2X信息交互的傳輸延遲，根據(jù)目前V2X技術(shù)實(shí)際發(fā)展及應(yīng)用水平，需要考慮信息交互延遲帶來(lái)的影響。

（4）該文研究重點(diǎn)是單點(diǎn)無(wú)信號(hào)交叉口協(xié)同駕駛策略，在后續(xù)的研究中，可以考慮多交叉口協(xié)同規(guī)劃，實(shí)現(xiàn)路網(wǎng)全局最優(yōu)控制。

參考文獻(xiàn)

[1]嚴(yán)新平， 褚端峰， 劉佳侖， 等. 智能交通發(fā)展的現(xiàn)狀、挑戰(zhàn)與展望[J]. 交通運(yùn)輸研究， 2021（6）： 2-10+22.

[2]張毅， 姚丹亞， 李力， 等. 智能車(chē)路協(xié)同系統(tǒng)關(guān)鍵技術(shù)與應(yīng)用[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2021（5）： 40-51.

[3]Li L， Wang F Y. Cooperative Driving at Blind Crossings Using Inter vehicle Communication[J]. IEEE Transactions on Vehicular Technology， 2006（6）： 1712-1724.

[4]Dresner K M， Stone P. A Multiagent Approach to Autonomous Intersection Management[J]. Articial Intelligence Research， 2008（3）： 591-656.

[5]Meng Y， Li L， Wang F Y， et al. Analysis of Cooperative Driving Strategies for Nonsignalized Intersections[J]. IEEE Transactions on Vehicular Technology， 2017（4）： 2900-2911.

[6]Morrison D R， Jacobson S H， Sauppe J J， et al. Branch-and-bound algorithms： A survey of recent advances in searching， branching， and pruning[J]. Discrete Optimization， 2016（19）： 79-102.

[7]Silver D， Schrittwieser J， Simonyan K， et al. Mastering the game of Go without human knowledge[J]. Nature， 2017（7676）： 354-359.

[8]CB Browne， Powley E， Whitehouse D， et al. A Survey of Monte Carlo Tree Search Methods[J]. IEEE Transactions on Computational Intelligence & Ai in Games， 2012（1）： 1-43.

收稿日期：2023-11-15

作者簡(jiǎn)介：董瑋（1981—），男，碩士研究生，正高級(jí)工程師，研究方向：機(jī)械制造工藝。