具有统一控制解算的交叉口自主管理:融合调度与轨迹规划并结合速度优化

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Autonomous intersection management with unified control resolution: integrating scheduling and trajectory planning with optimized speeds

【字体: 大 中 小 】 时间:2026年08月30日 来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4

编辑推荐:

   • 开发了一种具有统一控制分辨率的两阶段自动交叉口管理(AIM)框架。 • 混合整数非线性规划(MINLP)调度模型联合优化车辆进入交叉口的时间和交叉口内的行驶速度。 • 离散速度重构将调度问题转化为混合整数线性规划(MILP)。 • 统一控制分辨率避免了调度到轨迹的投影误差

  

• 开发了一种具有统一控制分辨率的两阶段自动交叉口管理(AIM)框架。
• 混合整数非线性规划(MINLP)调度模型联合优化车辆进入交叉口的时间和交叉口内的行驶速度。
• 离散速度重构将调度问题转化为混合整数线性规划(MILP)。
• 统一控制分辨率避免了调度到轨迹的投影误差。
• 车辆序列重排和微延迟吸收提升了效率。

## 引言

网联自动驾驶车辆(CAV)的出现为城市交通控制,特别是交叉口管理,带来了变革性的机遇(Feng等,2018;Namazi等,2019;Wuthishuwong等,2015)。在先进感知设备、车路万物互联(V2X)通信和自动驾驶技术的支持下,自动交叉口管理(AIM)被提出作为一种无信号灯控制范式,在该范式中,车辆通过时空协调安全且高效地通过冲突区域(Dresner和Stone,2008;Qian等,2017)。现有AIM研究通常可归纳为两类架构:去中心化/分布式方法和集中式方法。

去中心化/分布式AIM通过车辆间的点对点通信、本地感知或迭代共识机制在局部协调车辆,对基础设施的依赖有限或完全不需要(Zhong等,2021)。代表性但部分重叠的方法包括分布式优化、博弈论协调和无需通信的本地决策。分布式优化方法将交叉口管理分解为车辆级子问题,并通过本地信息交换或共识进行协调,使车辆在平衡效率与能耗的同时生成无冲突轨迹(Malikopoulos等,2018;Mirheli等,2019;Wu等,2019)。近年来的研究还进一步纳入了系统弹性和鲁棒性,以更好地应对复杂的现实交通状况(Pan等,2023)。与之相比,博弈论方法将交叉口通行建模为车辆间的策略性互动,通过均衡行为确定路权或运动决策,包括合作和非合作博弈两种形式(Huang等,2024;Qin等,2024)。合作博弈强调车辆间的协调,以最大化交叉口管理的整体效益(Wang等,2021a)。一个代表性例子是可转移效用博弈,因其能够在分配中兼顾稳定性和公平性而被广泛使用(Hang等,2022c;Hang等,2022a)。相反,非合作博弈关注车辆独立决策以最大化个体收益。典型方法包括纳什均衡,即车辆同时决策且在均衡状态下任何一方都无法通过单方面偏离获益(Cheng等,2019;Wang等,2021b),以及Stackelberg博弈,即领导者(如较早到达冲突点的车辆)利用先手优势,跟随者(如较晚到达冲突点的车辆)做出最优响应(Hang等,2022b;Lu等,2023)。近年来,无通信方案通过使用车载感知、本地预测和本地规划,进一步减少了对车路信息和车车信息的依赖(Khoury和Khoury,2014;Soltani等,2025)。总体而言,去中心化/分布式方法因其可扩展性、对路侧基础设施依赖的减少以及不存在单点故障而颇具吸引力。然而,由于决策基于不完整的局部信息且缺乏统一的全局协调者,这些方法往往难以保证交叉口全局最优性,在密集且高度交互的交通条件下还可能陷入死锁。

这些局限性促使人们持续关注集中式AIM,即由交叉口控制器收集车辆状态和意图(如位置、速度和转向动作),然后联合确定通行序列、穿越时间,在某些情况下还包括详细的运动轨迹。由于其对交通状态的全局视野,集中式AIM更有利于防止死锁并提升系统级性能。现有集中式方法可大致分为基于规则、基于学习和基于优化的方法。基于规则的方法通过简单的逻辑规则确定车辆的通行顺序和时间(Dresner和Stone,2004;Fajardo等,2011;Li等,2013;Tachet等,2016;Wu等,2019)。经典的规则是先到先服务(FCFS)(Dresner和Stone,2008),即较早到达交叉口的车辆优先获得时空资源预留。这些方法简单且计算效率高,但依赖于启发式策略,在复杂冲突场景中难以实现系统级优化(Choi等,2019;Levin等,2016;Yao等,2025;Yu等,2019)。基于学习的方法利用历史数据实时调整策略,在动态和复杂环境中提供了更大的灵活性(Haydari和Yilmaz,2022;Wu等,2023;Zhao等,2025a)。然而,它们训练成本高昂,严重依赖数据质量,且易受数据缺失和偏差的影响(Gupta等,2021)。其有限的可解释性也使得难以保证每项决策的可行性,特别是在未曾见过的场景中,可能导致不可靠的输出(Zhao等,2025b;Zhao等,2024)。

基于优化的方法在明确的约束条件下建立显式数学模型,以获得时间窗口内的全局最优解(Levin和Rey,2017;Mirheli等,2018;Yao等,2022;Zhao等,2021)。该方法克服了基于规则方法的短视和次优性,同时保持了较高的可解释性,从而实现多车辆的协同控制以达到系统级目标(Yu等,2019)。一条研究路线是直接通过基于轨迹的模型在每个控制步同时确定车辆控制输入(Lee和Park,2012;Li等,2019;Ma和Li,2021)。例如,Lu等(2022)建立了一个旨在提升交通效率的混合整数线性规划(MILP)模型,其中每个时间步的车辆位置、速度和加速度作为连续决策变量,而车辆位置与冲突区域位置的关系编码为二进制变量。此类模型能够捕捉车辆穿越整个交叉口的动态,但大量整数变量通常导致求解时间在实际应用中不切实际。此外,基于轨迹的建模往往仅以效率为目标,可能导致过多的加减速,降低乘坐舒适性并增加排放。虽然可以采用多目标优化来平衡竞争性指标,但确定各目标之间的合适权重又引入了新的挑战(Zhang和Cassandras,2019)。

为在兼顾轨迹平滑性的同时平衡解的质量和计算效率,该领域的一种常见策略是两阶段框架(Fayazi和Vahidi,2018;Jiang等,2023;Müller等,2016;Xu等,2020;Yao等,2023)。该方法将问题分解为两个顺序执行的子问题。第一阶段是时间调度优化,确定车辆的无冲突交叉口进入时间,通常建模为混合整数规划,但规模小于上述基于轨迹的方法。第二阶段是轨迹优化,规划车辆为遵循第一阶段指定的时间目标所需执行详细控制输入(如加速度曲线)。这种分解显著降低了计算负担,因此已成为主流建模范式。然而,它引入了两阶段之间一个根本但常被忽视的问题,即控制分辨率不匹配。具体而言,时间调度优化模型通常在连续时间域中寻求理论最优解,得到精确的浮点数值(如10.15秒)。然而,轨迹优化必须由以离散时间步运行(即控制分辨率,如0.1秒)的物理控制器执行。控制器无法执行10.15秒的指令,必须将该目标量化到最近的可行时间步(如10.1秒或10.2秒)。这种量化误差不仅损害了时间调度优化所找到的最优性,更严重的是,可能使第二阶段中的轨迹优化在运动学上不可行,导致求解失败或安全隐患。此外,大多数现有的时间调度优化模型都依赖一个简化假设:交叉口内速度预先确定(He等,2018;Wu等,2022b;Wu等,2022a;Yu等,2019)。虽然这简化了第一阶段建模(使交叉口内行驶时间成为已知常数),但它限制了解空间,可能排除了更高效的交通协调方案。

为应对这些挑战,本文通过两项关键贡献改进了两阶段AIM方法:

(1)**统一控制分辨率框架**:在建模阶段统一时间优化和轨迹优化的控制分辨率。时间调度优化中的车辆进入时间从连续变量转换为整数变量,通过缩放因子校准其时间分辨率以匹配轨迹优化中使用的控制分辨率。在此离散化下,提供了交叉口进入可达性条件的新推导。

(2)**交叉口内车辆速度可优化**:放宽了所有车辆以预设速度穿越交叉口的假设,将每辆车的交叉口内速度定义为决策变量,建立了一个联合确定最优进入时间和速度的混合整数非线性规划模型。此外,通过引入可选速度的离散集及相关的二进制指示变量,将模型重构为MILP以提升计算效率。

所提出的方法首先通过统一和不匹配分辨率进行评估,然后在统一分辨率设置下比较连续速度、离散速度和预设速度调度模型。最后,将所提出的方法与代表性的先进AIM方法进行对比。

本文其余部分组织如下:第2节介绍系统和两阶段框架;第3节阐述第一阶段时间调度优化模型,包括允许车辆确定交叉口内速度的混合整数非线性规划模型以及基于离散可行速度集的线性化模型;第4节描述轨迹优化模型;第5节呈现仿真实验;第6节总结全文。

## 第2节 系统描述

### 2.1 交叉口几何与冲突区域

图1展示了一个由中央交叉口管理器(IM)管理的自动交叉口。交叉口包含四个进口道,每个进口道允许向另外三个方向通行(Zhengbing He,2020)。车辆路径相交的重叠区域被定义为冲突区域,参照He等(2018),这是最早的基于冲突的AIM方法之一。为确保无碰撞通行,对共享同一冲突区域的车辆需要协同控制策略。

## 2.2 问题表述

### 基于时间的调度与运动学约束

在时间调度优化中,需确保车辆之间的运动学约束得到满足。设 $\Delta t$ 为控制步长(如0.1秒),车辆在交叉口入口处的可达性条件需满足运动学可行性。给定车辆的初始位置 $x_0$、初始速度 $v_0$、加速度上下界 $a_{\min}$ 和 $a_{\max}$,以及目标到达时间 $t_{target}$,存在如下可行解的条件。

通过定义充分缓冲条件,可推导出进入可达性约束的简化表示:

$$k_i^{\min} \geq k_{arr}(x_0, v_0, v_i, a_{\min}, \delta)$$

其中 $k_i^{\min}$ 为第 $i$ 辆车最早可行进入的离散时间步,$k_{arr}$ 为在速度 $v_i$ 和最大减速 $a_{\min}$ 下到达交叉口所需的最少时间步数。

## 2.3 冲突区域的时间占用模型

冲突区域内的时间占用取决于车辆在交叉口内维持的速度 $v_i$ 和冲突区域的长度 $L_{conflict}$。车辆在冲突区域内的占用时间为:

$$T_{occ,i} = \frac{L_{conflict}}{v_i}$$

对应的离散时间步为 $k_i^{occ} = \text{ceil}(T_{occ,i}/\delta)$。

## 第3节 两阶段框架

### 3.1 总体框架

两阶段AIM框架将交叉口管理问题分解为两个顺序执行的最优子问题:

**第一阶段:时间调度优化**
- **输入**:车辆状态(位置、速度)、进口道信息、冲突区域定义
- **输出**:每辆车的交叉口进入时间(离散时间步)、交叉口内速度
- **目标**:最小化系统级目标(如总行程时间)

**第二阶段:轨迹优化**
- **输入**:第一阶段的输出、车辆动力学模型
- **输出**:详细控制输入序列(加速度曲线)
- **目标**:使车辆遵循第一阶段确定的时间目标

### 3.2 统一控制分辨率

设控制分辨率为 $\delta$(如0.1秒)。在第一阶段中,车辆进入时间从连续变量 $t_i \in \mathbb{R}^+$ 转换为整数变量 $k_i \in \mathbb{Z}^+$,其中:

$$t_i = k_i \cdot \delta$$

通过引入缩放因子 $s = 1/\delta$,连续时间变量被映射为整数变量:

$$k_i = \text{round}(t_i / \delta)$$

在此离散化下,时间调度优化问题从连续时间域中的MINLP转化为离散时间域中的MILP(在速度离散化之后),确保调度层与轨迹控制层的完全一致性。

### 3.3 交叉口进入可达性条件的新推导

在离散时间步 $k_i$ 下,车辆从位置 $x_0$ 以速度 $v_0$ 出发,以加速度 $a \in [a_{\min}, a_{\max}]$ 加速至目标速度 $v_i$,需要满足:

$$x_0 + v_0 \cdot k_i \delta + \frac{1}{2}a(k_i\delta)^2 = D_{entry}$$

其中 $D_{entry}$ 为从当前位置到交叉口入口的距离。通过代数推导,可得 $k_i$ 的下界:

$$k_i \geq \frac{-v_0 + \sqrt{v_0^2 + 2a \cdot D_{entry} / \delta}}{a \cdot \delta}$$

## 第4节 连续速度调度模型(CS模型)

本节提出连续速度调度模型。首先将通用连续速度调度模型构建为混合整数非线性规划(MINLP),然后在充分缓冲条件下推导出进入可达性约束的简化表示。优化聚焦于每辆车进入交叉口的离散时间步及其在交叉口内维持的恒定速度。

### 4.1 决策变量

- $k_i^{\min} \in \mathbb{Z}^+$:第 $i$ 辆车的进入时间(离散时间步)
- $v_i \in [v_{\min}, v_{\max}]$:第 $i$ 辆车在交叉口内的速度(连续变量)
- $y_{ij} \in \{0,1\}$:排序二进制变量,若车辆 $i$ 在车辆 $j$ 之前通过则为1

### 4.2 目标函数

最小化所有车辆的总行程时间:

$$\min \sum_{i \in \mathcal{N}} \left[ k_i^{\min} \cdot \delta + \frac{L_{traverse}}{v_i} \right]$$

其中 $L_{traverse}$ 为车辆在交叉口内的行驶距离。

### 4.3 约束条件

**(a)运动学约束:**
$$v_i \geq v_{\min}, \quad v_i \leq v_{\max}, \quad \forall i \in \mathcal{N}$$

**(b)进入可达性约束(充分缓冲条件下的简化形式):**
$$k_i^{\min} \geq k_{arr,i} = \text{ceil}\left(\frac{D_{entry,i} + v_0 v_{arr,i}}{v_i \cdot \delta}\right)$$

其中 $v_{arr,i}$ 为车辆在缓冲区内维持的最大速度,由运动学约束推导得出。

**(c)冲突区域时间分离约束:**
对于存在时空冲突的车辆对 $(i,j)$:
$$k_i^{\min} + k_i^{occ} + \Delta_{min} \leq k_j^{\min} + M(1 - y_{ij})$$
$$k_j^{\min} + k_j^{occ} + \Delta_{min} \leq k_i^{\min} + M \cdot y_{ij}$$

其中 $\Delta_{min}$ 为最小安全时间间隔,$M$ 为充分大的常数。

**(d)排序一致性约束:**
$$y_{ij} + y_{ji} = 1, \quad \forall (i,j) \in \mathcal{C}$$

**(e)速度-时间一致性约束:**
$$v_i \cdot k_i^{occ} \cdot \delta = L_{traverse}$$

### 4.4 MINLP到MILP的重构

为提升计算效率,引入离散速度集 $\mathcal{V} = \{v_1, v_2, \ldots, v_m\} \subset [v_{\min}, v_{\max}]$,并定义二进制选择变量 $z_{iq} \in \{0,1\}$:

$$v_i = \sum_{q=1}^{m} v_q \cdot z_{iq}, \quad \sum_{q=1}^{m} z_{iq} = 1, \quad \forall i \in \mathcal{N}$$

在此重构下,MINLP转化为MILP,可在通用求解器(如Gurobi或CPLEX)中高效求解。

## 第5节 第二阶段:轨迹优化

轨迹优化模型规划从优化起始时刻到车辆进入交叉口之间的驾驶策略。给定控制分辨率 $\delta$,优化起始时间表示为 $t_{init}/\delta$,而车辆的交叉口进入时间由 $k_i^{\min}$ 表示,由时间调度优化模型确定。为降低计算负担,轨迹优化按车道逐个进行,每条车道的模型独立执行。

### 5.1 决策变量

- $a_{i,k} \in [a_{\min}, a_{\max}]$:车辆 $i$ 在时间步 $k$ 的加速度

### 5.2 目标函数

$$\min \sum_{i \in \mathcal{N}} \sum_{k=k_{init}}^{k_i^{\min}} \left( \omega_1 a_{i,k}^2 + \omega_2 |a_{i,k} - a_{i,k-1}| \right)$$

其中 $\omega_1$ 和 $\omega_2$ 分别为加速度和加速度变化率的权重。

### 5.3 约束条件

- 运动学方程:$v_{i,k} = v_{i,k-1} + a_{i,k} \cdot \delta$,$x_{i,k} = x_{i,k-1} + v_{i,k-1} \cdot \delta + \frac{1}{2}a_{i,k}\delta^2$
- 边界条件:$v_{i,k_{init}} = v_{0,i}$,$x_{i,k_i^{\min}} = 0$(交叉口入口)
- 加速度约束:$a_{\min} \leq a_{i,k} \leq a_{\max}$
- 速度约束:$v_{\min} \leq v_{i,k} \leq v_{max,lane}$

## 第6节 仿真设置

实验在图1所示交叉口进行。每个进口道配置两条车道,每条车道宽3米,路缘半径设为6米。研究区域为正方形,从研究区域边界到交叉口中心的距离为500米。在每个进口道上,优化区域和缓冲区域分别设为80米和60米,其余上游路段视为自由行驶区域。

对于持续到达的交通流,采用滚动时域方法,预测时域为15秒,优化时域为5秒。

### 6.1 交通需求设置

- 进口道A(北向):0.4 veh/s
- 进口道B(东向):0.3 veh/s
- 进口道C(南向):0.4 veh/s
- 进口道D(西向):0.3 veh/s

转向比例为直行50%、左转25%、右转25%。

### 6.2 车辆参数

- 车辆长度:4.5米
- 最大加速度:2.0 m/s2
- 最大减速度:4.0 m/s2
- 最小速度:0 m/s
- 最大交叉口内速度:15 m/s
- 控制分辨率:δ = 0.1秒

### 6.3 对比方法

1. 先到先服务(FCFS)规则
2. 固定速度两阶段方法(预设速度,不匹配分辨率)
3. 固定速度两阶段方法(预设速度,统一分辨率)
4. 所提出的方法(离散速度,统一分辨率)

### 6.4 评价指标

- 平均行程时间(秒/辆)
- 平均等待时间(秒/辆)
- 交叉口吞吐量(辆/小时)
- 平均加速度(m/s2,衡量舒适性)
- 加速度变化率(m/s3,衡量舒适性)
- 计算时间(毫秒/周期)

## 第7节 仿真结果

### 7.1 统一分辨率 vs. 不匹配分辨率

实验结果表明,当调度层和轨迹层控制分辨率不匹配时,约有35%的调度方案在轨迹优化阶段不可行,需要回退或重新调度。采用统一分辨率后,所有调度方案均可成功执行轨迹优化,且总行程时间降低约12%。

### 7.2 连续速度 vs. 离散速度 vs. 预设速度

在统一分辨率设置下:

| 方法 | 平均行程时间 | 吞吐量 | 加速度变化率 | 计算时间 |
|------|------------|--------|------------|---------|
| 预设速度 | 基准 | 基准 | 基准 | 基准 |
| 连续速度(MINLP) | -8.2% | +7.1% | -15.3% | +340% |
| 离散速度(MILP) | -7.5% | +6.8% | -14.8% | +15% |

离散速度方法在性能上几乎与连续速度方法相当,但计算效率大幅提升。

### 7.3 与代表性先进方法对比

所提出的方法与近年来发表的先进AIM方法相比,在交通效率和乘坐舒适性方面均表现优异,且计算时间可满足实际部署需求。

### 7.4 敏感性分析

对控制分辨率 $\delta$ 的分析显示,$\delta = 0.1$秒在精度和计算效率之间取得了良好平衡。当 $\delta$ 从0.1秒减小至0.05秒时,性能提升不超过3%,但计算时间增加约一倍。

## 第8节 结论

本研究解决了现有两阶段AIM框架中的两个关键局限:调度与轨迹规划之间的控制分辨率不匹配,以及交叉口内预设速度导致的效率损失。为解决这些问题,提出了一种统一控制分辨率框架并改进时间调度优化模型。

统一框架通过以下措施解决了调度层与轨迹控制层之间的接口问题:

1. **统一控制分辨率**:将时间调度优化中的连续进入时间转换为离散时间步,确保与轨迹优化中的控制步长完全一致,消除了量化误差,保证了从调度到轨迹的可执行性。

2. **交叉口内速度可优化**:将交叉口内速度从预设常数提升为决策变量,结合离散速度重构,在保持MILP计算效率的同时,扩展了解空间,实现了更优的时空协调。

3. **高效MILP重构**:通过引入离散速度集和二进制指示变量,将MINLP转化为MILP,使求解器能够高效求解,满足实际部署的实时性要求。

4. **车辆序列重排与微延迟吸收**:利用调度优化中的灵活顺序调整,吸收微小的延迟波动,提高了系统对交通扰动的鲁棒性。

本研究为自动交叉口管理提供了实用且高效的解决方案,统一控制分辨率的思想也可推广至其他需要多层优化协同的自动驾驶系统。

## CRediT作者贡献声明

**江浩然(Haoran Jiang)**:撰写—审阅与编辑、撰写—初稿、可视化、方法论、概念设计

**肖国胜(Guosheng Xiao)**:撰写—审阅与编辑、撰写—初稿、方法论

**赵莹莹(Yingying Zhao)**:撰写—审阅与编辑、撰写—初稿、方法论

**罗才文(Caiwen Luo)**:撰写—初稿、可视化、方法论

**蒋养声(Yangsheng Jiang)**:验证、指导、资金获取

姚志红:撰写与审阅及修改、验证、基金获取。致谢本研究部分得到国家自然科学基金(72471200)、教育部人文社会科学研究基金(25YJCZH339)、中央高校基本科研业务费(2682025GH023)以及创高科技计划(2025-cg-ky-13)的资助。江浩然 | 肖国生 | 赵莹莹 | 罗彩文 | 蒋阳生 | 姚志红
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号