Traffic Equilibrium in Mixed-Autonomy Network with Capped Customer Waiting
University of Southern California(南加州大学)
本文提出了一种混合自主网络交通均衡模型,通过整合网约车、旅行者和交通系统,分析自动驾驶车辆渗透率和路线偏离因子对交通系统性能的影响。
2025-12-11 cs.SY eess.SY
Learning-Based Tracking Perimeter Control for Two-region Macroscopic Traffic Dynamics
针对两区域MFD系统的时变需求与不确定性,提出基于自适应动态规划的最优跟踪周界控制方法,将交通动力学调节至期望时变轨迹,显著降低总出行时间并提升累积出行完成量,验证了方法的鲁棒性。
2025-05-27 cs.SY eess.SY
Synthesis of Output-Feedback Controllers for Mixed Traffic Systems in Presence of Disturbances and Uncertainties
在本文中,我们研究混合交通系统,沿单车道环路或开放式道路。交通流形成了一个车队,其中包括许多异构的人类驾驶车辆(HDV),以及只有一个连接和自动驾驶车辆(CAV),从几个邻居接收信息。假设HDV的动力学遵循最优速度模型(OVM),单CAV的加速度直接由动态输出反馈控制器控制。这项工作的最终目标是提出一个鲁棒控制策略,可以平滑的交通流中存在不希望的干扰(例如突然减速)和参数的不确定性。合成动态输出控制器的先决条件是底层系统的可镇定性和可检测性。因此,首先从理论上证明了混合交通流系统的稳定性和可检测性。然后,两个H ∞控制策略,考虑和不考虑系统动态的不确定性,设计。随后通过数值模拟说明了这两种控制方法的有效性,并给出了各种实验结果,以证明所提出的控制器的有效性,以减轻干扰放大和实现队列稳定。
2021-07-28 cs.SY eess.SY math.OC
Real-time Traffic Simulation and Management for Large-scale Urban Air Mobility: Integrating Route Guidance and Collision Avoidance
针对大规模城市空中交通(UAM)运行的安全与效率问题,提出整合路径引导与避撞的管理框架,通过集中式快速路径规划与分布式速度障碍避撞实现优化,仿真显示其在多指标上显著优于基线策略。
2025-08-25 cs.SY eess.SY
Robust Optimal Eco-driving Control with Uncertain Traffic Signal Timing
University of California, Berkeley(加州大学伯克利分校);Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院)
本文提出一种考虑多个信号交叉口的鲁棒最优节能驾驶控制策略,通过空间车辆速度剖面优化最小化全局燃油消耗,引入有效红灯持续时间概念以描述通过信号交叉口的可行通过时间,并通过动态规划求解最优控制问题,仿真结果表明该方法能有效降低燃油消耗。
2018-02-18 cs.SY eess.SY math.OC
A Study of an Atomic Mobility Game With Uncertainty Under Prospect Theory
本研究提出一种考虑不确定性的移动博弈模型,引入前景理论刻画出行行为,通过平滑近似函数估计成本,并证明均衡存在性及最佳近似。
2024-03-18 cs.SY eess.SY
Mitigating Regional Traffic Congestion via School Start Time Scheduling: A Bilevel Alternating Optimization Approach
University of Cyprus(塞浦路斯大学)
本文针对城市中学校相关集中出行引发的早高峰拥堵,提出结合宏观基本图的双层交替优化框架,通过调节上学时间缓解拥堵,明确了上学时间灵活性与交通效率的权衡关系。
2026-08-20 cs.SY eess.SY math.OC
Learning-Aided Warmstart of Model Predictive Control in Uncertain Fast-Changing Traffic
Continental AG(大陆集团)
针对模型预测控制在非凸、快速变化交通环境中易陷入局部最小值及热启动失效的问题,提出神经网络多模态预测与采样细化结合的学习辅助热启动框架,并通过 Monte Carlo 仿真验证。
2023-10-04 cs.AI cs.SY eess.SY
TuSeRACT: Turn-Sample-Based Real-Time Traffic Signal Control
School of Information Systems, Singapore Management University(新加坡管理大学信息学院)
本文提出TuSeRACT,一种基于转向的实时交通信号控制方法,通过采样转向流量来优化交通信号调度,从而降低车辆等待时间,相比SURTRAC有更优的性能。
2019-03-05 cs.AI cs.MA cs.SY
Reinforcement Learning for Traffic Control with Adaptive Horizon
Purdue University(普渡大学);Ningbo University(宁波大学)
本文提出了一种基于强化学习的交通控制方法,通过自适应时间 horizon 控制策略,结合常规 Q 学习控制器和自适应控制器,以提高 Q 学习算法的效率,并在随机环境下展示出对交通流量和转向率不确定性的鲁棒性。
2019-03-29 cs.SY eess.SY
Optimization of Vehicle Trajectories Considering Uncertainty in Actuated Traffic Signal Timings
本文介绍了一个鲁棒的最佳绿灯速度咨询系统的固定和驱动的交通信号时,提供了一个概率分布。这些分布表示来自信号定相和定时(SPaT)消息的可能切换时间的域。该系统使用计算效率高的A-star算法,结合动态规划程序,以最大限度地减少车辆的总油耗,找到成本最低的车辆轨迹。引入约束以确保车辆不会与其他车辆碰撞、闯红灯或超过乘客舒适的最大车辆颠簸。模拟方案的结果进行评估,对可比轨迹的不知情的司机计算燃料消耗节省。与不知情的驾驶员相比,所提出的方法产生了显着的燃油节省,平均为37%的确定性SPAT和28%的随机SPaT。进行敏感性分析,以了解SPaT预测的不确定性程度如何影响最佳轨迹的燃料消耗。结果提出了这些预测所需的置信水平,以实现大部分可能的燃料消耗节省。具体而言,如果定时误差(在3.3秒内)在95%的置信水平,则所提出的系统可以在最大节省的85%内。他们还强调了更可靠的SPaT预测的重要性,越接近绿灯的时间相对于车辆预计到达交叉口的时间(给定其当前速度)。
2022-08-25 cs.SY eess.SY
Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data?
Delft University of Technology(代尔夫特理工大学)
本文提出不确定性感知的交通预测框架,结合交通流理论与图神经网络及证据学习,蒸馏环路检测器数据本质,证明仅约20%样本即可保持同等预测能力。
2023-10-31 cs.LG cs.SY eess.SY
Distributionally Robust Day-ahead Scheduling for Power-traffic Network under a Potential Game Framework
电动汽车的广泛使用给电力-交通耦合网络的调度带来了更多的不确定性和影响。本文研究了日前能源市场中电力-运输耦合网络的最优电力调度问题,该问题考虑了光伏发电和车辆交通需求的多重不确定性。该问题的关键是在日前调度阶段建立两个网络之间的耦合关系模型,并考虑当天的源和负荷的空间不确定性。同时,引入具有一定调节裕度的柔性负荷,保证电力节点的供需平衡,更好地消耗可再生能源。此外,我们显示了电力系统和电动汽车用户之间的相互作用,从潜在的博弈论的角度来看,不确定性的特点是由一个模糊集。为保证日前电力调度中两个网络在统一框架下的个体最优性,建立了两阶段分布式鲁棒集中优化模型,实现了电力-运输耦合网络的均衡。在此基础上,将对偶理论与Benders分解相结合,对分布鲁棒优化模型进行求解。仿真结果表明,该方法可以获得个体最优和保守性较小的策略。
2022-12-04 cs.SY eess.SY
Distributionally Robust Tolls for Traffic Networks with Affine Latency Functions
Georgia Tech(佐治亚理工学院);Dartmouth College(达特茅斯学院)
研究在非原子网络拥堵游戏中,考虑延迟模型不确定性对设计激励措施的影响,采用分布鲁棒优化方法,证明在温和假设下可通过凸优化解决分布鲁棒 tolling 问题,并通过数值模拟验证其在降低系统延迟方面的有效性。
2026-04-07 cs.SY eess.SY
Distributed Stochastic Model Predictive Control for an Urban Traffic Network
在本文中,我们设计了一个随机模型预测控制(MPC)交通信号控制方法的城市交通网络的外生(入/出)流量和下游交通流的转向比的估计中的不确定性考虑。假设交通模型参数是具有已知期望和方差的随机变量,交通信号控制和协调问题被表示为具有线性和二阶锥约束的二次规划。为了降低计算复杂度,我们提出了一种方法来分解对应于整个交通网络的优化问题成多个子问题。应用交替方向乘子法(ADMM),以分布式方式找到最优的随机交通信号分配。通过VISSIM和MATLAB仿真验证了所设计控制方法的有效性。
2022-09-02 cs.SY eess.SY
Robust Platoon Control in Mixed Traffic Flow Based on Tube Model Predictive Control
协同自适应巡航控制系统的设计在混合交通流中至关重要,其中互联自动驾驶车辆(CAV)和人类驾驶车辆(HDV)共存。与纯CAV相比,主要的挑战是如何处理HDV的预测不确定性,这可能会导致CAV的状态偏离规划轨迹。在现有的研究中,模型预测控制(MPC)被用来重新规划CAV的轨迹,以减轻在每个时间步的偏差。然而,由于重规划过程通常是通过利用车辆间通信的信息来解决优化问题来进行的,因此MPC方法遭受沉重的计算和通信负担。为了解决这一问题,本文提出了一种基于管道MPC的鲁棒队列控制框架。预测的不确定性是动态缓解的反馈控制,并限制在一个集内的高概率。当不确定性超过设定值或出现额外的外部干扰时,前馈控制被触发以规划“管”(设定值的序列),其可以约束CAV的实际轨迹。由于该方法不需要重新规划过程,因此与MPC方法相比,该方法在计算和通信方面更加有效。提供了全面的模拟,以验证所提出的框架的有效性。
2020-07-20 cs.SY eess.SY
Feedback-feedforward Signal Control with Exogenous Demand Estimation in Congested Urban Road Networks
针对城市路网交通不确定性问题,提出结合路段占有率与外生需求实时估计的反馈-前馈线性二次信号控制方案,仿真验证其在需求激增场景下性能优于忽略外生需求的传统方案。
2024-10-06 cs.SY eess.SY
Eco-driving under localization uncertainty for connected vehicles on Urban roads: Data-driven approach and Experiment verification
本文针对城市道路联网车辆在定位不确定性下的生态驾驶问题,提出一种数据驱动MPC方法,通过学习代价函数和约束实现短时域实时速度规划,并在实车实验中实现12%的能效提升。
2024-04-04 cs.SY eess.SY
Energy-efficient predictive control for connected, automated driving under localization uncertainty
本文提出一种数据驱动的模型预测控制方法,通过学习终端成本与约束优化互联自动驾驶车辆的纵向运动,实现城市道路节能行驶,仿真与车辆在环实验表明其平均能效较传统方法提升19%。
2024-07-29 cs.SY eess.SY
Robust Global Adaptive Exponential Stabilization of Discrete-Time Systems with Application to Freeway Traffic Control
National Technical University of Athens(雅典国立技术大学);Technical University of Crete(克里特理工大学)
本文提出了一种自适应控制方案,用于不确定离散时间系统,保证鲁棒、全局指数收敛到系统期望平衡点。方法结合了名义反馈律和非线性死区观测器,适用于具有未知常参数的非线性不确定系统,并通过高速公路模型验证了其应用性。
2015-09-01 cs.SY eess.SY math.OC
Unmanned Aerial Vehicle Path Planning for Traffic Estimation and Detection of Non-Recurrent Congestion
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种基于无人机的路径规划算法,通过结合无人机观测与速度-密度传感器数据,以最小化道路/交通状态的不确定性,从而提高非重复拥堵情况下的交通事件检测能力。
2021-10-04 cs.SY eess.SY stat.AP
Global Exponential Stabilization of Acyclic Traffic Networks
Technical University of Crete(克里特理工大学);National Technical University of Athens(雅典国立技术大学)
本文提出显式反馈控制器,用于鲁棒、全局指数稳定化一般不确定的有向交通网络。基于向量李雅普诺夫函数准则和网络无环性,证明闭环系统鲁棒全局指数稳定性,并通过实例展示其在实际交通网络中的应用。
2016-10-19 cs.SY eess.SY math.OC
Uncertainty-dependent data collection in vehicular sensor networks
Faculty of Transport, Silesian University of Technology(西里西亚理工大学交通学院)
针对车载传感器网络中的数据收集问题,提出利用不确定性估计减少数据传输的算法,以提升无线信道利用效率。
2012-08-06 cs.NI cs.SY eess.SY
Real-time system optimal traffic routing under uncertainties -- Can physics models boost reinforcement learning?
Carnegie Mellon University(卡内基梅隆大学);Heinz College, Carnegie Mellon University(卡内基梅隆大学海因茨学院)
针对不确定性下实时交通最优路由难题,提出融合物理模型与强化学习的TransRL算法,通过KL散度约束策略学习,在多路网实验中优于传统模型法和PPO、SAC等SOTA强化学习方法,且动作更可靠可解释。
2024-07-10 cs.AI cs.LG cs.SY
Towards Robust Deep Reinforcement Learning for Traffic Signal Control: Demand Surges, Incidents and Sensor Failures
Technical University of Denmark (DTU)(丹麦技术大学)
本文提出了一种开源的回调框架,用于在交通模拟环境中灵活评估不同深度强化学习配置,研究了深度强化学习自适应交通控制器在需求激增、事故导致的容量下降和传感器故障等场景下的表现,并提出了缓解这些外源不确定性的具体设计。
2019-07-22 cs.LG cs.SY eess.SY
Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control
Continental AG(大陆集团)
本文提出将多模态预测器与分支模型预测控制相结合的框架,通过拓扑与碰撞风险引导的场景选择和自适应决策推迟策略,在交通交叉口和高速公路合流场景中提升自动驾驶的实时性、舒适性与安全性。
2024-05-06 cs.RO cs.SY eess.SY
Stability Results for Simple Traffic Models Under PI-Regulator Control
National Technical University of Athens(雅典国立技术大学);Technical University of Crete(克里特工业大学)
本文研究了PI调节器控制下简单不确定车辆交通网络模型的输入到状态稳定性条件,通过Lyapunov函数估计局部稳定平衡点的吸引域。
2013-08-12 cs.SY eess.SY math.OC
A self-organizing system for urban traffic control based on predictive interval microscopic model
University of Silesia(西里西亚大学)
本文提出一种基于预测区间微观模型的自组织交通信号系统,通过智能体预测控制动作对交通流的影响,优化交通控制性能,尤其在非均匀交通流中表现更优。
2014-06-04 cs.AI cs.SY eess.SY
Modeling Traffic Networks Using Integrated Route and Link Data
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统工程学院);Johns Hopkins University, Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Department of Applied Mathematics and Statistics, Johns Hopkins University(约翰斯·霍普金斯大学应用数学与统计系)
本文通过整合Google Maps的路径旅行时间数据和链接交通状况数据,利用最大似然估计技术建模交通网络,提出了一种更精确的旅行时间可靠性估计方法,并通过实证数据验证了其有效性。
2018-11-04 cs.SY eess.SY math.OC
Perimeter Control with Heterogeneous Metering Rates for Cordon Signals: A Physics-Regularized Multi-Agent Reinforcement Learning Approach
The Hong Kong Polytechnic University(香港理工大学);Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);Southeast University(东南大学)
本文提出一种基于物理正则化多智能体强化学习的异质测量率边界信号周界控制方法,通过分解动作空间并编码宏观基本图知识,有效提升了城市路网吞吐量并降低了延迟与碳排放。
2024-05-31 cs.AI cs.SY eess.SY
Global Stability Results for Traffic Networks
National Technical University of Athens(雅典国立技术大学);Technical University of Crete(克里特理工大学)
本文研究了交通网络中非线性、大尺度、不确定离散时间系统的全局渐近稳定性和指数稳定性条件,通过向量Lyapunov函数推导出结果,并应用于交通网络的无拥堵均衡点稳定性分析。
2014-03-24 cs.SY eess.SY math.DS
Data efficient reinforcement learning and adaptive optimal perimeter control of network traffic dynamics
The Hong Kong Polytechnic University(香港理工大学);Shenzhen University(深圳大学);Chulalongkorn University(朱拉隆功大学);Sun Yat-Sen University(中山大学)
现有的数据驱动和反馈流量控制策略没有考虑实时数据测量的异质性。此外,传统的强化学习(RL)方法用于交通控制通常收敛缓慢,缺乏数据效率。此外,传统的最优周长控制方案需要精确的知识的系统动态,因此将是脆弱的内生不确定性。为了应对这些挑战,这项工作提出了一种基于积分强化学习(IRL)的方法来学习宏观交通动态自适应最优周边控制。本文的工作对交通运输领域的研究有以下几个方面的贡献:(a)提出了一种基于离散增益更新的连续时间控制方法,以适应离散时间的传感器数据。(b)为了降低采样复杂度和更有效地利用可用数据,将经验重放(ER)技术引入IRL算法。(c)所提出的方法放松了对模型校准的要求,在一个“无模型”的方式,使鲁棒性对建模的不确定性,并通过数据驱动的RL算法,提高了实时性能。(d)基于IRL的算法的收敛性和控制的交通动态的稳定性证明通过李雅普诺夫理论。最优控制律参数化,然后近似神经网络(NN),这适度的计算复杂性。同时考虑了状态和输入约束,而不需要模型线性化。数值算例和仿真实验验证了所提方法的有效性。
2022-09-13 cs.LG cs.SY eess.SY