Leveraging Cooperative Connected Automated Vehicles for Mixed Traffic Safety
针对混合交通中CAV巡航控制的稳定性与安全权衡，提出协同反馈控制器与基于CBF的安全关键控制，证明CAV协同及与HV网联可兼顾稳定与安全。
2024-06-17 cs.SY eess.SY
Longitudinal Control of Vehicles in Traffic Microsimulation
目前最先进的交通微观仿真工具无法准确评估自动驾驶系统和车辆连接的安全性，效率和移动性优势，因为没有考虑车辆的物理和动力系统特性以及阻力。本文提出了现实的纵向控制功能的自动驾驶汽车和没有车对车通信和一个现实的车辆跟驰模型的人类驾驶的车辆，考虑驾驶员的特点和车辆动力学。传统的纵向控制功能应用恒定的时间间隔策略，并使用经验的恒定控制器系数，可能会牺牲安全性或降低吞吐量。建议的纵向控制功能计算最小安全时间间隔在每个模拟时间步和调整控制器系数在每个模拟时间步在加速和减速过程中，以最大限度地提高吞吐量，而不影响安全。
2020-03-17 cs.SY eess.SY
Distributed Kuramoto Self-Synchronization of Vehicle Speed Trajectories in Traffic Networks
本文提出了一种分布式同步策略，连接和自动车辆在交通网络中。该策略将车辆从一个交叉口行驶到下一个交叉口视为波。每个波的相位角和频率分别映射到其位置和速度。目标是同步交通，使得交叉的交通波在每个交叉口都是异相的。这确保了交叉口的安全集体航行。车辆通过V2X基础设施共享其相位角，并使用Kuramoto方程同步这些角度。这是耦合振子自同步的经典模型。不同道路上车辆的相位和位置之间的映射被设计为使得仓本同步确保安全的交叉口导航。每辆车使用一个受约束的最优控制策略，以实现其所需的目标仓本阶段在即将到来的交叉口。总体结果是一个分布式的交通同步算法，同时解决传统上独立解决的两个挑战，即：协调交叉口在一个单独的路口，协调相邻路口之间的交通流量。仿真研究强调了这种策略对燃料消耗和交通延迟时间的积极影响，与传统的交通灯定时网络相比。
2020-10-30 cs.SY eess.SY
Distributed Maneuver Planning with Connected and Automated Vehicles for Boosting Traffic Efficiency
互联和自动驾驶车辆（CAV）有可能提高交通吞吐量，并实现更有效地利用现有道路基础设施。它们还具有通过交通运动协调来减少能源消耗的潜力，即使在与其他人类驾驶车辆混合交通时也是如此。实现这些潜力的关键是协调的控制方案，可以在一个分布式的方式与CAV实施。在本文中，我们提出了一个分布式预测控制框架，其特点是一个二维机动规划器，在不同的渗透水平的混合交通中运行的连接车辆之间的显式协调约束。该框架包括一个分布式实现的参考速度分配器，估计本地交通速度从车载测量和通信信息。我们提出了一个广泛的评估所提出的框架在交通微观模拟在各种CAV渗透从交通流量，能源使用和车道利用的角度来看。结果进行了比较，没有CAV的基线方案，以及，一个基准的一维规划。
2022-12-15 cs.SY eess.SY
Optimal internal boundary control of lane-free automated vehicle traffic
最近提出的CAV（连接和自动化车辆）时代的车辆交通范例，称为无车道流体，涉及无车道车辆运动。无车道交通意味着道路拓宽的增量（收窄）导致相应增量增加（减少）能力;这为考虑对高速公路和干线进行实时内部边界控制开辟了道路，以便灵活地分担总量根据双向需求和交通状况确定两个方向之间的（两个方向）道路宽度和通行能力，以便使总（两个方向）流动效率最大化。该问题被制定为一个凸QP（二次规划）的问题，可以有效地解决，和代表性的案例研究揭示和展示的特点，能力和潜力的新的控制行动。
2021-06-17 cs.SY eess.SY
Distributed Optimization for Traffic Light Control and Connected Automated Vehicle Coordination in Mixed-Traffic Intersections
针对混合交通交叉口信号灯与网联自动驾驶车辆（CAVs）协同问题，提出基于优化的控制框架及惩罚增强型最大块改进分布式算法，在温和条件下获集中式问题可行逐人最优解，仿真验证不同场景性能。
2024-12-03 cs.SY eess.SY
Traffic Wave Properties for Automated Vehicles During Traffic Oscillations via Analytical Approximations
本文通过解析近似框架，结合拉普拉斯变换和描述函数分析，系统揭示了自动驾驶车辆纵向控制模型与交通波传播特性之间的关系，并验证了其在同质和异质交通中的适用性。
2024-11-25 cs.SY eess.SY
Performance Analysis of Optimally Coordinated Connected and Automated Vehicles in a Mixed Traffic Environment
本文针对含有人驾驶车辆的混合交通走廊，研究网联自动驾驶车辆协同轨迹规划框架，并通过仿真分析不同CAV渗透率与交通流量对总行程时间和燃油经济性的影响。
2022-06-20 cs.SY eess.SY
Impact of Disturbances on Mixed Traffic Control with Autonomous Vehicles
本文研究了干扰对控制自动驾驶汽车以平滑环路设置中的混合交通流的影响。通过利用该系统的环结构，它表明，速度扰动影响任何车辆上的环进入一个不可控的和边缘稳定的模式定义的相对车辆间距的总和。然后，这些干扰被系统集成，并且不能通过控制自动驾驶车辆来解除。特别是，如果速度扰动是零均值高斯，那么环上的交通流将经历随机游走，方差无限增长，并独立于所应用的控制策略。相比之下，加速度扰动的影响是良性的，因为这些扰动不会进入不可控模式，这意味着它们可以使用自动驾驶车辆轻松调节。研究结果支持和补充了已有的理论分析和现场试验。
2020-08-12 cs.SY eess.SY
Dynamic Prioritization of Emergency Vehicles For Self-Organizing Traffic using VTL+EV *
近年来，协同车辆技术有助于实现一些最先进的技术，如自动驾驶。使用合作车辆技术有效和高效地优先处理紧急车辆（EV）无疑有助于挽救财产和生命。当代电动汽车优先级，称为抢占，高度依赖于现有的交通基础设施。在当前系统中，实时获取速度、位置和加速度数据等抢占的关键决策参数几乎是不可能的。联网车辆可以实时提供这些数据，这使得EV抢占更加响应和有效。此外，自动驾驶汽车可以帮助优化交通阶段的时间安排，并最大限度地减少与人类相关的损失，例如更高的车头时距和相互跟随时不一致的车间距。在本文中，我们介绍了自协调的分散式交通控制系统称为虚拟交通灯加紧急车辆（紧急+EV）优先电动汽车在十字路口。该系统可以加快电动汽车通过交叉路口的运动，并对普通车辆施加最小的等待时间。该算法还可以提高整体吞吐量，使交叉口更有效率。
2021-07-17 cs.SY eess.SY
Estimating time of arrival of vehicle fleets with GCN based traffic prediction
本文提出一种基于T-GCN架构并增强邻接矩阵的交通延误预测框架，解决了稀疏位置更新下智能交通系统中车辆到达时间的估计问题。
2023-11-21 cs.SY eess.SY
How will electric vehicles affect traffic congestion and energy consumption: an integrated modelling approach
本文探讨了电动汽车（EV）对交通拥堵和能源消耗的影响，提出了一个综合的双层框架，包括：a）适合于对当前和假设的交通和充电需求场景进行建模的动态微尺度交通仿真，以及b）用于捕获快速充电站使用的影响的队列模型，其通过交通流量，行驶距离，充电基础设施的可用性和估计的车辆电池充电状态。据我们所知，本文首次综合分析了与电动汽车吸收相关的潜在交通拥堵和能源基础设施影响，基于实际交通流量以及现有快速充电基础设施的布局和设计。结果表明，集成的电动汽车-能源-交通建模框架可以正确预测电动汽车基础设施的局限性以及交通拥堵的演变。建模方法确定了交通和能源管理和规划中需要解决的具体痛点。这个项目的代码可以在https://github.com/Future-Mobility-Lab/EV-charging-impact上找到
2021-10-26 cs.SY eess.SY
A Negotiation-based Right-of-way Assignment Strategy to Ensure Traffic Safety and Efficiency in Lane Change
人们普遍认为，验证自动驾驶策略的安全性需要大量的模拟测试和道路测试。近年来，以责任敏感安全（Responsibility-Sensitive Safety，RSS）为代表的正式安全方法鼓励了低成本的自动驾驶安全研究，得益于其对安全的准确评估和明确的责任划分。然而，如何在保证安全的同时保持交通效率，仍然是一个挑战。为了解决这个问题，本文提出了一个公式化的基于协商的换道策略，使安全和效率之间的权衡。理论分析和数值实验结果均表明，与RSS相比，该策略在保证安全的前提下，能够显著提高车辆换道的成功率。
2021-03-08 cs.SY eess.SY
Interaction-aware Traffic Prediction and Scenario-based Model Predictive Control for Autonomous Vehicles on Highways
本文提出一种结合交互感知交通预测与基于场景的模型预测控制的自动驾驶高速公路决策系统，通过考虑交互和“最坏情况”保证安全，并在HighD数据集上验证了其有效性。
2023-10-11 cs.SY eess.SY
Traffic smoothing through automated vehicle control with optimal parameter selection
The University of Kansas（堪萨斯大学）；The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
本研究提出一种仅需局部信息的加性反馈控制器，通过最优参数选择平滑混合交通流，显著降低振荡和油耗，并提升可实现性。
2026-09-09 cs.SY eess.SY
Reinforcement Learning for Freeway Lane-Change Regulation via Connected Vehicles
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对低自动驾驶渗透率下车道变更控制适用性受限的问题，提出基于多智能体强化学习的网联车辆高速公路车道变更调控框架，可提升交通效率并保障安全。
2026-08-11 cs.SY eess.SY
Enhancing Traffic Safety Analysis with Digital Twin Technology: Integrating Vehicle Dynamics and Environmental Factors into Microscopic Traffic Simulation
针对传统交通安全分析和微观交通仿真的不足，本文将数字孪生技术整合车辆动力学与环境因素模拟器，通过替代安全指标评估不同场景，识别潜在安全问题，为交通控制和基础设施改进提供支持。
2025-02-13 cs.SY eess.SY math.OC
Data-Driven Predictive Control for Connected and Autonomous Vehicles in Mixed Traffic
互联和自动驾驶车辆（CAV）的协同控制为混合交通带来了巨大的好处。大多数现有的研究集中在基于模型的控制策略，假设人驾驶车辆的跟车动力学是明确已知的。在本文中，而不是依赖于一个参数的汽车跟驰模型，我们引入了一个数据驱动的预测控制策略，以实现安全和最佳的混合交通中的CAV控制。首先，我们提出了一个线性化的混合交通系统的动力学模型，并研究其可控性和可观性。基于这些控制理论特性，我们提出了一种新的DeeP-LCC（数据驱动的预测领先巡航控制）策略的CAV的基础上可测量的驾驶数据，以平滑混合交通。我们的方法是实现在一个滚动的地平线的方式，其中输入/输出约束被纳入实现无碰撞的保证。非线性交通模拟显示，在城市外驾驶循环的制动情况下，它可以节省高达24.96%的燃油消耗，同时确保安全。
2022-03-25 cs.SY eess.SY
Adaptive Traffic Light Control for Competing Vehicle and Pedestrian Flows
我们研究的交通灯控制（TLC）的问题，一个单一的交叉口，同时考虑直行车辆流和相应的交叉口的行人流量，以实现公平的联合最优共享政策的平均等待时间。使用随机混杂系统模型，我们设计了一个准动态的策略控制交通灯周期与几个阈值参数施加到光周期和部分观察到的车辆和行人队列的内容。无穷小扰动分析（IPA），然后用于获得一个数据驱动的梯度估计的成本度量相对于政策参数，并通过一个在线的基于梯度的算法，以提高整体性能，以适应不断变化的交通状况的政策，以迭代地调整这些参数。该控制器被应用到一个模拟的十字路口在Veberöd镇，瑞典，以说明这种方法的性能，使用真实的交通数据从这个十字路口。
2023-03-14 cs.SY eess.SY
Development of Simulation-based Lane Change Control System for Autonomous Vehicles
原来，车辆变道的决定和控制都在人类驾驶员身上。在以往的研究中，人类驾驶员的换道决策主要是为了增加个体的利益。然而，这些人类驾驶员的变道行为有时会对整体交通流量产生不良影响。随着自动驾驶车辆技术的发展，车道变换动作以及车道变换决策属于自动驾驶车辆的控制范畴。然而，由于目前许多自动驾驶汽车的车道变换决策算法是基于人类驾驶员模型，很难知道这种车道变换的潜在交通影响。因此，本研究将重点放在考虑交通流的车道变换决策上，并相应地研究考虑整体交通流的车道变换控制系统。在本研究中，车道变换控制系统通过最流行的宏观交通仿真模型之一的单元转移模型来预测未来的交通状况，并通过遗传算法来确定使总时间延迟最小的各车道的变换概率。然后，变道控制系统将变道概率传递给该车辆。在宏观仿真结果中，所提出的控制系统减少了整体行程时间延迟。该系统被应用到微观交通仿真，过饱和高速公路交通流算法（OFFA），以评估其应用于实际交通系统时的潜在性能。在交通流密度方面，最大交通流有所增加，拥挤区域内的点也大大减少。总体而言，每辆车所需的时间减少了。
2021-08-27 cs.SY eess.SY
Connectivity-Aware Traffic Phase Scheduling for Heterogeneously Connected Vehicles
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文提出一种考虑车辆连接异质性的交通相位调度算法，以提高交叉口通行效率，通过仿真验证其优于基线方法。
2016-08-26 cs.SY eess.SY
Learning Optimal Robust Control of Connected Vehicles in Mixed Traffic Flow
本文针对混合交通中人类驾驶行为非线性带来的控制难题，提出基于策略迭代和零和博弈的方法学习H∞最优鲁棒控制器，并通过平方和规划优化衰减水平，仿真验证其能有效抑制交通扰动。
2023-09-18 cs.SY eess.SY
Distributed Traffic State Estimation in Connected Vehicle and Roadside Infrastructure Networks
University of Groningen（格罗宁根大学）；KTH Royal Institute of Technology（皇家理工学院）
研究车路协同网络中交通状态估计问题，核心方法是结合基础设施传感器与联网车辆，通过V2X通信及分布式卡尔曼滤波器等进行估计，主要贡献是能准确重建交通状态，检测冲击波动态，还分析了多种因素对估计精度的影响。
2026-07-14 cs.SY eess.SY
Decentralized On-Ramp Merging Control of Connected and Automated Vehicles in the Mixed Traffic Using Control Barrier Functions
互联车辆与自动驾驶车辆（CAV）的协同控制是缓解交通拥堵、提高交通安全的有效途径，特别是在入口匝道瓶颈路段。然而，在混合交通中，人类驾驶车辆（HDVs）的不确定性使得CAV的入口匝道并入控制更具挑战性。针对混合交通条件下高速公路入口匝道的CAV合流控制问题，提出了一种分散最优控制方法。我们首先制定的最优合并控制问题，其中包括安全和车辆动力学的约束，以最小化行程时间和能源消耗的目标。然后，提出了一种结合控制障碍函数和控制李雅普诺夫函数的控制框架。CBF使系统受到安全关键约束，而CLF使系统稳定到目标。此外，为了有效控制混合交通流中的CAV，提出了一种递归合并控制框架，将HDV视为干扰，CAV重复收集周围车辆的状态并递归更新其轨迹，以满足严格的合并要求。最后，合并问题被重新表述为一个二次规划问题，它允许实时应用。仿真结果表明，所提出的入口匝道合流控制方法具有较强的鲁棒性，能有效地抑制HDV的干扰，提高车辆的通行效率和节能效果。
2021-11-01 cs.SY eess.SY
Traffic-Aware Eco-Driving Control in CAVs via Learning-based Terminal Cost Model
针对现有生态驾驶忽略宏观交通影响的问题，提出基于神经网络终端代价的MPC方法，纳入上游拥堵信息，生成更节能且对出行时间影响极小的速度轨迹。
2025-10-10 cs.SY eess.SY
Shared-phase-dedicated-lane based intersection control with mixed traffic of human-driven vehicles and connected and automated vehicles
互联自动驾驶汽车（CAV）和人类驾驶汽车（HV）预计将在不久的将来共存。CAV专用车道和相位已经被探索以处理混合交通环境中HV驾驶行为的不确定性。然而，CAV专用阶段可能会显著牺牲HV益处。提出了一种基于共享相位专用车道（SPDL）的混合交通环境下单交叉口交通控制模型。左转和通过CAV共享CAV专用车道，并在与HV共享的阶段穿过交叉口。建立了一个三级优化模型。在上层，一个标准的NEMA（国家电气制造商协会）环形屏障结构用于信号优化和屏障持续时间的优化，通过动态规划，以最大限度地减少总的车辆延误。在中间层，从上层对给定的障碍物进行枚举，优化相序和相持续时间，并将最小车辆延误反馈给上层。在下层，根据中层障碍物的信号时序进行缓冲区CAV排队和通过区CAV轨迹规划，并将CAV的行程时间反馈给中层。进一步设计了滚动时域方案，用于动态实现时变交通条件下的模型。数值研究验证了基于SPDL的控制在平均车辆延误和交叉口通行能力方面优于基于蓝相的控制。此外，SPDL为基础的模型进行了扩展，作为一种替代方法，没有缓冲区。
2021-04-13 cs.SY eess.SY
Self-Triggered Coordination Control of Connected Automated Vehicles in Traffic Networks
本文提出了一种自触发的方案，以最佳控制交通网络的冲突区域的连接和自动驾驶车辆（CAV）的交通流，其主要目的是减少控制区域内的CAV之间的数据交换，同时最大限度地减少旅行时间和能源消耗。利用控制障碍函数（CBF）框架，考虑了安全约束和车辆限制，提出了一种基于CBF约束的自触发方案。此外，修改CBF约束的开发，以确保最小的事件间的时间间隔，建议的自触发计划。最后，它是通过模拟研究表明，CAV之间的数据交换的数量显着减少，使用所提出的自触发方案相比，标准的时间触发框架。
2022-04-08 cs.SY eess.SY
Coordinated Formation Control for Intelligent and Connected Vehicles in Multiple Traffic Scenarios
提出了一种适用于多种交通场景的智能互联车辆（ICVs）统一多车编队控制框架。在一维情况下，分析了不同的几何形状和交错结构的数学模型，以提高驾驶安全性，同时充分利用车道的能力。为提高该方法在多场景下的灵活性，采用匈牙利算法求解车辆和目标位置的分配问题。在二维场景下，基于旋转投影的思想，提出了一种改进的虚拟队列方法，将复杂的二维超车问题转化为一维编队控制问题。此外，车辆重组的方法，提出了连接这两个场景。仿真结果表明，所提出的多车辆编队控制框架可以适用于多种典型场景，具有更好的性能比现有的方法。
2020-10-29 cs.SY eess.SY
Robust Safety for Mixed-Autonomy Traffic with Delays and Disturbances
针对混合交通中CAV的执行器、传感器时延及扰动会破坏安全保证的问题，提出鲁棒安全关键交通控制RSTC，通过带误差界的状态预测器、鲁棒CBF约束及结合观测器的预测型CBF实现鲁棒安全，仿真验证其可在两类危险场景下避免追尾。
2023-10-06 cs.SY eess.SY
Eco-Driving Control for Electric Vehicles with Multi-Speed Transmission: Optimizing Vehicle Speed and Powertrain Operation in Dynamic Environments
University of Minnesota（明尼苏达大学）
本文提出了一种针对多速变速器电动车的生态驾驶算法，通过联合优化车辆速度和动力总成操作，在动态环境中实现能耗降低。
2026-01-27 cs.SY eess.SY
Investigating Driver Behavior in Complex Traffic Situations While Driving Partially Automated Vehicles
Technical University of Munich（慕尼黑工业大学）；BMW AG（宝马集团）
本研究通过真实城市交通中20名驾驶员的数据，分析了主观交通复杂度对驾驶员行为（车辆交互、注视模式、引导注视）的影响，发现随复杂度增加，速度偏差、制动率增加而制动强度降低，水平注视分散度和熵增大，引导注视率降低，为复杂度自适应部分自动化车辆提供了行为指标。
2026-07-02 cs.SY eess.SY
Optimal Formation of Autonomous Vehicles in Mixed Traffic Flow
多个自动驾驶车辆的排队在学术界和工业界都引起了极大的关注。尽管具有巨大的潜力，但在自动驾驶汽车和人类驾驶汽车（HDV）共存的混合交通流中，排队并不是形成自动驾驶汽车的唯一选择。在本文中，我们研究了自动驾驶汽车的最佳编队，可以实现最佳的系统范围内的混合交通流的性能。具体来说，我们考虑整个交通流的最佳$\mathcal{H}_2$性能，反映了自动驾驶汽车在缓解交通扰动方面的潜力。然后，我们将最优编队问题表示为一个集函数最优化问题。数值结果显示，两个主要的最佳形式：均匀分布和队列形成，取决于交通参数。此外，我们表明：1）流行的队列编队并不总是最佳的选择; 2）当HDV具有较差的串稳定性行为时，队列编队可能是最差的选择。这些结果表明，在混合交通流中，除了排队之外，还有更多的机会形成自动驾驶汽车。
2020-04-01 cs.SY eess.SY math.OC
Smoothing Traffic Flow via Control of Autonomous Vehicles
University of Oxford（牛津大学）；Harvard University（哈佛大学）；Tsinghua University（清华大学）
本文从控制论角度研究自动驾驶车辆在环形道路中与人工驾驶车辆混合交通系统的可控性、稳定性及可达性，证明其可稳定交通流并提升速度，提出最优控制策略以抑制扰动，验证了自动驾驶车辆平滑交通流的潜力。
2020-05-10 cs.SY eess.SY math.OC
Improving Urban Traffic Throughput with Vehicle Platooning: Theory and Experiments
在本文中，我们提出了一个模型预测控制（MPC）为基础的方法在城市交通环境中的车辆排队。我们的主要目标是证明，车辆排队有可能显着增加在交叉口，这可能会造成交通流量的瓶颈吞吐量。为此，我们的方法依赖于车辆连接：车辆到车辆（V2V）和车辆到基础设施（V2I）通信。特别是，我们引入了一个自定义的V2V消息集，它具有速度预测，即对未来速度轨迹的预测，这使得排队车辆能够准确地保持较短的跟随距离，从而提高吞吐量。此外，V2I通信允许车队立即对附近交通灯的状态变化做出反应，例如当交通相位变为绿色时，从而实现交通效率的额外提高。我们提出了我们的车辆排队系统的设计，然后通过估计潜在的收益方面的吞吐量，使用我们的模拟结果，以及与真实的测试车辆在一个封闭的轨道上进行的实验来评估性能。最后，我们简要地概述了我们的示范，在阿卡迪亚，加利福尼亚州的公共道路上的车辆排队。
2020-07-28 cs.SY eess.SY math.OC
Game-theoretic Modeling of Traffic in Unsignalized Intersection Network for Autonomous Vehicle Control Verification and Validation
University of Michigan（密歇根大学）；Bilkent University（比尔肯大学）
在可预见的未来，自动驾驶汽车（AV）将与人类驾驶的汽车一起在交通中运行。他们的规划和控制系统需要进行广泛的测试，包括模拟自动驾驶/人类驾驶车辆之间的交互的早期测试。出于对这种仿真工具的需求，我们提出了一种博弈论的方法来建模车辆的相互作用，特别是在城市交通环境与无信号交叉口。我们开发的交通模型与异构（在他们的驾驶风格方面）和互动的车辆基于我们提出的方法，并使用它们进行虚拟测试，评估和校准的AV控制系统。为了说明，我们考虑两种AV控制方法，分析其特性和性能的基础上，我们开发的交通模型的仿真结果，并优化其中之一的参数。
2020-07-18 cs.RO cs.SY eess.SY
Vehicle path and traffic flow optimization via lane changing of automated or semi-automated vehicles on motorways
本文研究自动或半自动驾驶车辆在高速公路上采用MOBIL换道策略对车辆行程时间和交通流的影响，通过Aimsun微观仿真分析不同参数及交通条件下的优化效果。
2023-12-02 cs.SY eess.SY math.OC
Stabilizing Traffic via Autonomous Vehicles: A Continuum Mean Field Game Approach
本文基于连续介质交通流模型，利用平均场博弈对自动驾驶车辆建模，通过线性稳定性分析和数值实验证明自动驾驶车辆能稳定交通，并量化了渗透率与控制器设计的影响。
2020-01-22 cs.SY eess.SY math.OC
Road Traffic Law Adaptive Decision-making for Self-Driving Vehicles
Tsinghua University（清华大学）；Road Traffic Safety Research Center（道路交通安全研究中心）；Beijing Institute of Technology（北京理工大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种基于强化学习和线性时序逻辑的道路交通法规自适应决策方法，通过法规自适应后备策略、长期动作空间监测和轨迹重规划，使自动驾驶车辆在CARLA模拟场景中有效遵守新颁布或更新的交通法规。
2023-04-19 cs.RO cs.SY eess.SY
DSRC & C-V2X Comparison for Connected and Automated Vehicles in Different Traffic Scenarios
研究一直致力于使连接和自动驾驶车辆（CAV）在不同的交通场景中更快。通过使用C-V2X或DSRC通信协议，CAV可以更有效地工作。在本文中，我们比较了这两种通信协议的CAV在三个不同的交通场景，包括匝道合并，交叉口，和排队制动。它表明，在将C-V2X或DSRC用于CAV时，通信范围和间隔之间存在权衡。研究结果可为CAV在不同交通场景下自主选择通信协议的应用设计提供支持。
2022-03-23 cs.NI cs.SY eess.SY
Optimal Trajectory Planning for Connected and Automated Vehicles in Lane-free Traffic with Vehicle Nudging
本文提出了一种最优控制方法，连接和自动驾驶车辆（CAV）的移动策略，在无车道的交通环境中的车辆轻推。控制输入上的状态依赖约束被认为是确保车辆在道路边界内移动，并防止碰撞。一个目标函数，包括各种加权的子目标，设计，其最小化导致车辆前进在所需的速度，在可能的情况下，同时避免障碍物。一个非线性最优控制问题（OCP）制定的目标函数的最小化受到约束的每辆车。在模型预测控制（MPC）框架内，基于事件触发的可行方向算法（FDA）可以实时计算有限时域内的数值解。该方法适用于道路上的每一辆车，同时运行模拟无车道的环路上，广泛的车辆密度和不同类型的车辆。从模拟，创建无数的驾驶情节为每个涉及的车辆，它是观察到，所提出的方法是非常有效的提供安全，舒适和高效的车辆轨迹，以及高交通流量的结果。该方法正在研究中，以进一步用于CAV交通的各种无车道道路基础设施。
2023-02-01 cs.SY eess.SY math.OC
Virtual Rings on Highways: Traffic Control by Connected Automated Vehicles
California Institute of Technology（加州理工学院）；Ford Research and Innovation Center（福特研究与创新中心）；University of Michigan（密歇根大学）
这项工作介绍了连接的自动驾驶汽车的交通控制。讨论了车辆控制对车辆交通的影响以及交通控制策略，并进行了比较。值得强调的是，车辆到一切的连接允许连接的自动驾驶车辆访问其背后的交通状态，以便可以利用反馈来减轻不断变化的干扰。数值模拟表明，这种基于连通性的交通控制有利于公路交通的平稳性和能源效率。交通流的动力学和稳定性，在所提出的控制器，进行了详细的分析，构建稳定性图，指导稳定控制增益的选择。
2022-04-24 cs.RO cs.SY eess.SY
Design Of Fuzzy Logic Traffic Controller For Isolated Intersections With Emergency Vehicle Priority System Using MATLAB Simulation
Jabalpur Engineering College（贾巴尔普尔工程学院）
本文设计了基于模糊逻辑的交通控制器，通过MATLAB仿真优化隔离交叉口交通流，利用等待时间和队列长度进行控制，并集成紧急车辆优先系统以提升交通效率。
2014-05-05 cs.AI cs.SY eess.SY
Leveraging Vehicle Connectivity and Autonomy to Stabilize Flow in Mixed Traffic Conditions: Accounting for Human-driven Vehicle Driver Behavioral Heterogeneity and Perception-reaction Time Delay
人类驾驶的不稳定性往往会触发不希望的波，随着连续的驾驶员反应从错误的车辆传播到上游的车辆，这些波会放大。这种现象被称为幻影拥堵，在文献中被认为是交通拥堵的主要原因之一。本文的前提是，车辆自动化和连接可以帮助缓解这种拥堵。在本文中，我们设计了一个控制器，用于连接和自动驾驶汽车（CAV），以稳定的人驾驶车辆（HDV）的流量，是CAV的上游，从而降低碰撞风险，在上游交通环境。在模拟混合交通流中的HDV动态时，我们充分考虑了HDV驾驶员的异质性和与其感知反应时间相关的时间延迟。我们可以发现，与不考虑人类驾驶员潜在时间延迟和异质性的情况相比，CAV可以稳定的HDV的最大数量更低。这一结果表明，HDV行为的异质性和时间延迟损害了CAV稳定交通的能力。因此，在设计CAV控制器的交通稳定，它是必不可少的考虑这种不确定性相关的条件。在我们的演示中，我们还表明，所设计的控制器可以显着提高混合交通流的稳定性和流中的CAV和HDV的安全性。结果是有用的实时校准的模型参数，表征HDV运动的混合流。
2020-08-17 cs.SY eess.SY math.OC
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University（庆北国立大学）
本文针对高速公路自动驾驶中的车辆交互问题，提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架，并基于庞特里亚金极小值原理实现轨迹优化，仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Optimization-based Coordination of Traffic Lights and Automated Vehicles at Intersections
本文将信号化交叉口交通信号灯与自动驾驶车辆协调建模为混合整数非线性规划问题，提出上下层分解方法，利用下层解和参数优化技术通过序列二次规划求解，数值算例验证了其有效性。
2025-02-03 cs.SY eess.SY math.OC
Design, Field Evaluation, and Traffic Analysis of a Competitive Autonomous Driving Model in a Congested Environment
Korea Advanced Institute of Science and Technologies (KAIST)（韩国科学技术院）
最近，许多研究已经调查了使用车辆到一切（V2X）之间的通信的协作交通系统。不幸的是，当部署多个自动驾驶车辆同时暴露于通信故障时，各种自动驾驶车辆之间可能存在理想条件的冲突，从而导致道路上的对抗情况。在韩国，虚拟和现实城市自动多车比赛分别于2021年3月和11月举行。在比赛中，多辆车同时参与，这需要操纵，如超车低速车辆，通过十字路口，并遵守交通法规。在这项研究中，我们引入了一个完全自动驾驶的软件栈来部署一个有竞争力的驾驶模型，这使我们能够赢得城市自动驾驶多车比赛。我们评估基于模块的系统，如导航，感知和规划在现实和虚拟环境中。此外，在通过通信收集多个车辆位置数据之后执行交通分析，以获得对多智能体自动驾驶场景的额外洞察。最后，我们提出了一种分析交通的方法，以比较多辆自动驾驶汽车的空间分布。我们研究每个团队的驾驶日志数据之间的相似性分布，以确定竞争性自动驾驶对交通环境的影响。
2022-11-07 cs.RO cs.SY eess.SY
A Game Theory Based Ramp Merging Strategy for Connected and Automated Vehicles in the Mixed Traffic: A Unity-SUMO Integrated Platform
匝道合流由于其混沌性，被认为是造成交通拥堵和交通事故的主要原因之一。随着互联与自动驾驶技术的发展，协同匝道并道成为解决这一问题的主流方法之一。在混合交通情况下，CAV不仅可以相互交互，还可以处理涉及人类驾驶车辆的复杂情况。针对混合交通条件下CAV的最优合流协调问题，提出了一种基于博弈论的匝道合流策略，确定了动态合流顺序和相应的纵向/横向控制。该策略通过保证车辆之间的安全间距和协调交通流中CAV的速度，提高了合并过程的安全性和效率。为了验证所提出的策略，不同的渗透率和不同的拥堵程度下的混合交通模拟已经进行了创新的Unity-SUMO集成平台，它连接了基于游戏引擎的驾驶模拟器与交通模拟器。该平台允许人类驾驶员参与模拟，并为CAV配备更逼真的传感系统。在交通流水平模拟测试中，Unity接管了模拟中所有CAV的感知和控制，而SUMO则处理所有传统车辆的行为。结果表明，该方案可使交通流平均速度提高110%，燃油消耗降低77%。
2021-01-27 cs.GT cs.SY eess.SY
Controllability Analysis and Optimal Control of Mixed Traffic Flow with Human-driven and Autonomous Vehicles
多个数值模拟和现场实验表明，互联自动驾驶车辆（CAV）在提高混合交通系统的交通效率方面具有巨大潜力。然而，混合交通流的一些基本性质，包括可控性和稳定性，还没有得到很好的理解。分析了混合交通系统的可控性，设计了系统级最优控制策略。利用Popov-Belevitch-Hautus（PBH）准则，首次证明了一个CAV和多个异质人驾驶车辆的环形混合交通系统不是完全可控的，但在一个非常温和的条件下是稳定的.然后，我们制定了CAV的系统级控制策略的设计作为一个结构化的最优控制问题，其中CAV的通信能力被明确考虑。最后，我们推导出一个上界的可达交通速度通过控制CAV。大量的数值实验验证了我们的分析结果和所提出的控制策略的有效性。我们的研究结果验证了利用CAV作为移动执行器来主动平滑交通流的可能性。
2020-02-06 cs.SY eess.SY math.OC
Traffic Control in a Mixed Autonomy Scenario at Urban Intersections: An Optimization-based Framework
我们考虑一个交叉区，其中自动驾驶汽车（AV）和人类驾驶的车辆（HDV）可以存在。当新的车辆到达时，交通控制器需要决定并施加将离开交叉口区域的车辆的最佳顺序。交通控制器可以发送关于AV可以穿过十字路口的时间的信息;然而，交通控制器不能与HDV通信，而只能使用交通灯来控制HDV。我们制定的问题作为一个整数约束的非线性优化问题的交通路口控制器只与一个子集的AV。由于可能的组合的数量随着系统中车辆的数量呈指数级增加，我们放松了原来的问题，并提出了一种算法，给出了放松的问题的最佳解决方案，但只与系统中的车辆数量呈线性关系。数值计算表明，我们的算法优于先进先出（FIFO）算法。
2021-08-28 cs.SY eess.SY math.OC
Microsimulation of Energy and Flow Effects from Optimal Automated Driving in Mixed Traffic
在PTV VISSIM微观仿真环境中研究了一种新型的预期巡航控制器对能源和交通的影响。我们将控制器分为两部分：1.预期模式，当自动化车辆车队渗透率较低时，更立即有益，以及2.连接模式，有利于协调车辆跟随场景和适用于自主车辆特定应用的高度自动化车辆渗透。概率约束处理安全考虑，并且通过使用动力系统映射来表示车辆加速能力的约束。真实的交通场景，然后使用交通数据的时间车头时距分布建模。为了研究对一系列需求的影响，我们将输入车辆数量从低到高进行变化，然后将自动驾驶车辆渗透率从低到高进行变化。在研究全人类驾驶场景时，网络容量无法满足高流量场景的需求，例如高峰时段的交通。我们进一步发现，随着自动驾驶汽车的引入，利用概率约束来平衡安全性和交通紧凑性，网络容量得到了提高，以支持高容量的场景。最后，我们研究了传统，电动和混合动力汽车的车队的能源效率。我们发现，在考虑传统动力系统时，自动驾驶汽车的能效比人类驾驶员高出10% - 20%，在考虑电动和混合动力系统时，自动驾驶汽车的能效比人类驾驶员高出3% - 9%。由于平滑交通流的次级效应，能源效益也适用于与自动驾驶车辆相互作用的人类驾驶车辆。研究发现，这种模拟人类的驾驶比基准全人类情景中的能源效率高出10%。
2020-02-28 cs.SY eess.SY math.OC
Highway Managed Lane Usage and Tolling for Mixed Traffic Flows with Connected Automated Vehicles (CAVs) and High-Occupancy Vehicles (HOVs)
本文针对CAVs、HOVs与HDVs混合交通流，通过中观仿真与蒙特卡洛模拟研究管理车道收费策略，提出在CAV渗透率有限时对HDV收费、对HOV/CAV免费的最优方案，以避免交通流崩溃并降低社会总成本。
2024-12-30 cs.SY eess.SY math.OC
Energy-Aware Lane Planning for Connected Electric Vehicles in Urban Traffic: Design and Vehicle-in-the-Loop Validation
Department of Mechanical Engineering, UC Berkeley（机械工程系，伯克利大学）；Department of Civil Engineering, UC Berkeley（土木工程系，伯克利大学）；Zoox, Inc.（Zoox公司）
本文提出了一种基于V2I通信的能耗感知运动规划框架，通过联合优化纵向速度和横向车道变更决策，实现城市交通中能耗降低24%的显著效果。
2025-12-07 cs.RO cs.SY eess.SY
Connected Cruise and Traffic Control for Pairs of Connected Automated Vehicles
University of Michigan（密歇根大学）；California Institute of Technology（加州理工学院）
针对含互联自动驾驶车与人类驾驶车的混合交通，提出配对互联自动驾驶车的协同控制策略，可稳定中间车流，中等渗透率下即可显著提升交通串稳定性。
2023-06-12 cs.RO cs.SY eess.SY
Queue Length Estimation at Traffic Signals: Connected Vehicles with Range Measurement Sensors
今天，车辆正在成为一个丰富的数据来源，因为它们配备了定位或跟踪和无线通信技术。随着对自动驾驶或自驾驶技术的兴趣日益增加，车辆也配备有测距传感器（例如，激光雷达、立体摄像机和超声波）来检测周围环境中的其他车辆和物体。可以设想这样的车辆可以与交通基础设施元件（例如，交通信号控制器）以实现不同的移动性和安全性应用。来自这些联网车辆的数据可以用于实时估计系统状态。本文开发了排队长度估计器，从连接的车辆配备测距传感器。简单的即插即用模型开发的队列长度估计，而不需要地面实况队列长度通过扩展以前的配方。该方法实现简单，可应用于相位长度已知的交通信号灯处的循环排队。从微观交通模拟的数据，所推导出的模型进行评估。数值实验表明，在市场渗透率低于20%的情况下，带距离传感器的QLE模型的方差均值比误差可达25%，变异系数误差可达5%。
2020-11-18 cs.SY eess.SY stat.AP
