Совместное управление сигналами светофоров и траекториями движения транспортных средств
Ключевые слова:
траектории движения, управление сигналами светофоров, совместное управление, детерминированная модель, интеллектуальная транспортная системаАннотация
Транспортная система является одной из важнейших частей экономики страны. В то же время, рост интенсивности транспортного потока оказывает существенное отрицательное влияние на экономические показатели отрасли. Одним из способов повышения эффективности использования транспортной инфраструктуры является управление транспортными потоками. Решение задачи эффективного управления транспортными потоками в настоящее время часто осуществляется путем применения систем управления сигналами светофоров на регулируемых перекрёстках. В связи с развитием и постепенным внедрением самоорганизующихся автомобильных сетей, позволяющих обмениваться информацией между транспортными средствами и объектами инфраструктуры, а также развитием автономных транспортных средств другим перспективным подходом к решению рассматриваемой задачи является управление траекторией движения беспилотных транспортных средств. Как следствие, становится возможной постановка задачи совместного управления траекториями движения транспортных средств и сигналами светофоров для повышения пропускной способности перекрестков, снижения потребляемого топлива и времени движения. В данной работе представлен метод управления транспортным потоком на перекрестке, заключающийся в совместном управлении сигналами светофоров и траекториями движения подключенных/автономных транспортных средств. Разработанный метод сочетает метод адаптивного управления сигналами светофоров, основанный на детерминированной модели прогнозирования движения транспортных средств, и двухэтапный алгоритм построения траектории движения транспортных средств. Целевая функция оптимизации, используемая для построения оптимальных траекторий, учитывает расход топлива, время движения по дорожной полосе и время ожидания на перекрестке. Экспериментальные исследования разработанного метода проведены в системе микроскопического моделирования движения транспортных средств SUMO с использованием трех сценариев моделирования, включающих синтетические сценарии и сценарий движения в реальной городской среде. Результаты экспериментальных исследований подтверждают эффективность разработанного метода по критериям потребления топлива, времени движения и времени ожидания по сравнению с методом адаптивного управления сигналами светофоров.
Литература
1. Transport sector economic analysis // EU Science Hub. URL: https://joint-research-centre.ec.europa.eu/scientific-activities-z/transport-sector-economic-analysis_en. (дата обращения: 30.05.2022).
2. О производстве и использовании валового внутреннего продукта (ВВП) в 2021 году // Официальный сайт федеральной службы государственной статистики. URL: https://rosstat.gov.ru/storage/mediabank/59_08-04-2022.htm. (дата обращения: 30.05.2022).
3. Traffic congestion to cost the UK economy more than £300 billion over the next 16 years // Inrix. 2014. URL: https://inrix.com/press-releases/traffic-congestion-to-cost-the-uk-economy-more-than-300-billion-over-the-next-16-years/. (дата обращения: 30.05.2022).
4. Requia W.J. et al. The health impacts of weekday traffic: A health risk assessment of PM 2.5 emissions during congested periods // Environment international. 2018. vol. 111. pp. 164–176.
5. Zhang K., Batterman S. Air pollution and health risks due to vehicle traffic // The Science of the total environment. 2013. vol. 450–451. pp. 307–316.
6. Li X. et al. Stop-and-go traffic analysis: Theoretical properties, environmental impacts and oscillation mitigation // Transportation Research Part B: Methodological. 2014. vol. 70. pp. 319–339.
7. Наличие автомобильного транспорта // Единая межведомственная информационно-статистическая система (ЕМИСС). URL: https://fedstat.ru/indicator/36228. (дата обращения: 30.05.2022).
8. ГОСТ Р 56829-2015 Интеллектуальные транспортные системы. Термины и определения // Электронный фонд правовых и нормативно-технических документов. URL: https://docs.cntd.ru/document/1200128315. (дата обращения: 20.07.2022).
9. Как работают Яндекс.Пробки // Яндекс. URL: https://yandex.ru/company/technologies/yaprobki/. (дата обращения: 30.05.2022).
10. Агафонов А.А., Мясников В.В. Метод определения надежного кратчайшего пути в стохастической сети с использованием параметрически заданных устойчивых распределений вероятностей // SPIIRAS Proc. 2019. Т. 18. № 3. С. 558–582.
11. Lopez P.A. et al. Microscopic Traffic Simulation using SUMO Maui, HI: IEEE, 2018. pp. 2575–2582.
12. Ma J. et al. Parsimonious shooting heuristic for trajectory design of connected automated traffic part II: Computational issues and optimization // Transportation Research Part B: Methodological. 2017. vol. 95. pp. 421–441.
13. Hu J. et al. Integrated optimal eco-driving on rolling terrain for hybrid electric vehicle with vehicle-infrastructure communication // Transportation research. Part C: Emerging technologies. 2016. vol. 68. pp. 228–244.
14. Asadi B., Vahidi A. Predictive cruise control: Utilizing upcoming traffic signal information for improving fuel economy and reducing trip time // IEEE transactions on control systems technology: a publication of the IEEE Control Systems Society. 2011. vol. 19. no. 3. pp. 707–714.
15. Zhang H. et al. A priority-based autonomous intersection management (AIM) scheme for connected automated vehicles (CAVs) // Vehicles. 2021. vol. 3. no. 3. pp. 533–544.
16. Jiang H et al. Eco approaching at an isolated signalized intersection under partially connected and automated vehicles environment // Transportation research. Part C: Emerging technologies. 2017. vol. 79. pp. 290–307.
17. Lee J., Park B. Development and evaluation of a cooperative vehicle intersection control algorithm under the connected vehicles environment // IEEE transactions on intelligent transportation systems: a publication of the IEEE Intelligent Transportation Systems Council. 2012. vol. 13. no. 1. pp. 81–90.
18. Yu C. et al. Managing connected and automated vehicles at isolated intersections: From reservation- to optimization-based methods // Transportation Research Part B: Methodological. 2019. vol. 122. pp. 416–435.
19. Zhou F., Li X., Ma J. Parsimonious shooting heuristic for trajectory design of connected automated traffic part I: Theoretical analysis with generalized time geography // Transportation Research Part B: Methodological. 2017. vol. 95. pp. 394–420.
20. Yang Z. et al. Eco-trajectory planning with consideration of queue along congested corridor for hybrid electric vehicles // Transportation research record. 2019. vol. 2673. no. 9. pp. 277–286.
21. Barth M. et al. Dynamic ECO-driving for arterial corridors // IEEE Forum on Integrated and Sustainable Transportation Systems. 2011. pp. 182-188.
22. Webster F.V. Traffic Signal Settings. Road Research Technical Paper / Stationery Office, 1958. no 39.
23. Little J., Kelson M., Gartner N. MAXBAND: A Program for Setting Signals on Arteries and Triangular Networks // Transportation Research Record Journal of the Transportation Research Board. 1981. vol. 795. pp. 40–46.
24. Li M.-T., Gan A.C. Signal timing optimization for oversaturated networks using TRANSYT-7F // Transportation Research Record. 1999. № 1683. pp. 118–126.
25. Papageorgiou M. et al. Review of road traffic control strategies // Proceedings of the IEEE. 2003. vol 12. no. 91. pp. 2043–2065.
26. El-Tantawy S., Abdulhai B. An agent-based learning towards decentralized and coordinated traffic signal control 2010.pp. 665–670.
27. Varaiya P. The Max-Pressure Controller for Arbitrary Networks of Signalized Intersections Complex Networks and Dynamic Systems // Complex Networks and Dynamic Systems. New York, NY: Springer New York, 2013. pp. 27–66.
28. Genders W., Razavi S. An Open-Source Framework for Adaptive Traffic Signal Control // arXiv:1909.00395. 2019.
29. Мясников В.В., Агафонов А.А., Юмаганов А.С. Детерминированная прогнозная модель управления сигналами светофоров в интеллектуальных транспортных и геоинформационных системах // Компьютерная оптика. 2021. Т. 45. № 6. С. 917–925.
30. Abdulhai B., Pringle R., Karakoulas G. Reinforcement Learning for True Adaptive Traffic Signal Control // Journal of Transportation Engineering. 2003. (129).
31. Wei H. et al. IntelliLight: A Reinforcement Learning Approach for Intelligent Traffic Light Control London United Kingdom: ACM, 2018. pp. 2496–2505.
32. Wang X. et al. Large-Scale Traffic Signal Control Using a Novel Multiagent Reinforcement Learning // IEEE Transactions on Cybernetics. 2021. vol. 1. no. 51. pp. 174–187.
33. Agafonov A., Myasnikov V. Traffic Signal Control: A Double Q-learning Approach 2021. pp. 365–369.
34. Schulman J. et al. Proximal Policy Optimization Algorithms // arXiv:1707.06347. 2017.
35. Ault J., Hanna J.P., Sharon G. Learning an Interpretable Traffic Signal Control Policy // arXiv:1912.11023. 2020.
36. Li Y., He J., Gao Y. Intelligent Traffic Signal Control with Deep Reinforcement Learning at Single Intersection. 2021. pp. 399–406.
37. Yang J., Zhang J., Wang H. Urban Traffic Control in Software Defined Internet of Things via a Multi-Agent Deep Reinforcement Learning Approach // IEEE Transactions on Intelligent Transportation Systems. 2021. vol. 6. no 22. pp. 3742–3754.
38. Yang S. et al. IHG-MA: Inductive heterogeneous graph multi-agent reinforcement learning for multi-intersection traffic signal control // Neural Networks. 2021. vol 139. pp. 265–277.
39. Haarnoja T. et al. Soft Actor-Critic Algorithms and Applications // arXiv:1812.05905. 2019.
40. Yau K.-L.A. et al. A survey on Reinforcement learning models and algorithms for traffic signal control // ACM Computing Surveys. 2017. vol. 3. 50 p.
41. Wei H. et al. A Survey on Traffic Signal Control Methods // arXiv:1904.08117. 2020.
42. Haydari A., Yilmaz Y. Deep Reinforcement Learning for Intelligent Transportation Systems: A Survey // IEEE Transactions on Intelligent Transportation Systems. 2022. vol. 1. no. 23. pp. 11–32.
43. Fang S. et al. Trajectory Planning Method for Mixed Vehicles Considering Traffic Stability and Fuel Consumption at the Signalized Intersection // Journal of Advanced Transportation. 2020. pp. 1–10.
44. Guo Y., Ma J. DRL-TP3: A learning and control framework for signalized intersections with mixed connected automated traffic // Transportation Research Part C: Emerging Technologies. 2021. vol. 132. pp. 103416.
45. Zhang L., Wang Y., Zhu H. Theory and Experiment of Cooperative Control at Multi-Intersections in Intelligent Connected Vehicle Environment: Review and Perspectives // Sustainability. 2022. vol. 3. no. 14. pp. 1542.
46. Agafonov A., Yumaganov A., Myasnikov V. Adaptive Traffic Signal Control Based on Maximum Weighted Traffic Flow // 2022 International Conference on Information Technology and Nanotechnology (ITNT). pp. 1–4.
47. Krauß S. Microscopic modeling of traffic flow: Investigation of collision free vehicle dynamics. – 1998.
48. RESCO. URL: https://github.com/Pi-Star-Lab/RESCO (дата обращения: 30.05.2022).
2. О производстве и использовании валового внутреннего продукта (ВВП) в 2021 году // Официальный сайт федеральной службы государственной статистики. URL: https://rosstat.gov.ru/storage/mediabank/59_08-04-2022.htm. (дата обращения: 30.05.2022).
3. Traffic congestion to cost the UK economy more than £300 billion over the next 16 years // Inrix. 2014. URL: https://inrix.com/press-releases/traffic-congestion-to-cost-the-uk-economy-more-than-300-billion-over-the-next-16-years/. (дата обращения: 30.05.2022).
4. Requia W.J. et al. The health impacts of weekday traffic: A health risk assessment of PM 2.5 emissions during congested periods // Environment international. 2018. vol. 111. pp. 164–176.
5. Zhang K., Batterman S. Air pollution and health risks due to vehicle traffic // The Science of the total environment. 2013. vol. 450–451. pp. 307–316.
6. Li X. et al. Stop-and-go traffic analysis: Theoretical properties, environmental impacts and oscillation mitigation // Transportation Research Part B: Methodological. 2014. vol. 70. pp. 319–339.
7. Наличие автомобильного транспорта // Единая межведомственная информационно-статистическая система (ЕМИСС). URL: https://fedstat.ru/indicator/36228. (дата обращения: 30.05.2022).
8. ГОСТ Р 56829-2015 Интеллектуальные транспортные системы. Термины и определения // Электронный фонд правовых и нормативно-технических документов. URL: https://docs.cntd.ru/document/1200128315. (дата обращения: 20.07.2022).
9. Как работают Яндекс.Пробки // Яндекс. URL: https://yandex.ru/company/technologies/yaprobki/. (дата обращения: 30.05.2022).
10. Агафонов А.А., Мясников В.В. Метод определения надежного кратчайшего пути в стохастической сети с использованием параметрически заданных устойчивых распределений вероятностей // SPIIRAS Proc. 2019. Т. 18. № 3. С. 558–582.
11. Lopez P.A. et al. Microscopic Traffic Simulation using SUMO Maui, HI: IEEE, 2018. pp. 2575–2582.
12. Ma J. et al. Parsimonious shooting heuristic for trajectory design of connected automated traffic part II: Computational issues and optimization // Transportation Research Part B: Methodological. 2017. vol. 95. pp. 421–441.
13. Hu J. et al. Integrated optimal eco-driving on rolling terrain for hybrid electric vehicle with vehicle-infrastructure communication // Transportation research. Part C: Emerging technologies. 2016. vol. 68. pp. 228–244.
14. Asadi B., Vahidi A. Predictive cruise control: Utilizing upcoming traffic signal information for improving fuel economy and reducing trip time // IEEE transactions on control systems technology: a publication of the IEEE Control Systems Society. 2011. vol. 19. no. 3. pp. 707–714.
15. Zhang H. et al. A priority-based autonomous intersection management (AIM) scheme for connected automated vehicles (CAVs) // Vehicles. 2021. vol. 3. no. 3. pp. 533–544.
16. Jiang H et al. Eco approaching at an isolated signalized intersection under partially connected and automated vehicles environment // Transportation research. Part C: Emerging technologies. 2017. vol. 79. pp. 290–307.
17. Lee J., Park B. Development and evaluation of a cooperative vehicle intersection control algorithm under the connected vehicles environment // IEEE transactions on intelligent transportation systems: a publication of the IEEE Intelligent Transportation Systems Council. 2012. vol. 13. no. 1. pp. 81–90.
18. Yu C. et al. Managing connected and automated vehicles at isolated intersections: From reservation- to optimization-based methods // Transportation Research Part B: Methodological. 2019. vol. 122. pp. 416–435.
19. Zhou F., Li X., Ma J. Parsimonious shooting heuristic for trajectory design of connected automated traffic part I: Theoretical analysis with generalized time geography // Transportation Research Part B: Methodological. 2017. vol. 95. pp. 394–420.
20. Yang Z. et al. Eco-trajectory planning with consideration of queue along congested corridor for hybrid electric vehicles // Transportation research record. 2019. vol. 2673. no. 9. pp. 277–286.
21. Barth M. et al. Dynamic ECO-driving for arterial corridors // IEEE Forum on Integrated and Sustainable Transportation Systems. 2011. pp. 182-188.
22. Webster F.V. Traffic Signal Settings. Road Research Technical Paper / Stationery Office, 1958. no 39.
23. Little J., Kelson M., Gartner N. MAXBAND: A Program for Setting Signals on Arteries and Triangular Networks // Transportation Research Record Journal of the Transportation Research Board. 1981. vol. 795. pp. 40–46.
24. Li M.-T., Gan A.C. Signal timing optimization for oversaturated networks using TRANSYT-7F // Transportation Research Record. 1999. № 1683. pp. 118–126.
25. Papageorgiou M. et al. Review of road traffic control strategies // Proceedings of the IEEE. 2003. vol 12. no. 91. pp. 2043–2065.
26. El-Tantawy S., Abdulhai B. An agent-based learning towards decentralized and coordinated traffic signal control 2010.pp. 665–670.
27. Varaiya P. The Max-Pressure Controller for Arbitrary Networks of Signalized Intersections Complex Networks and Dynamic Systems // Complex Networks and Dynamic Systems. New York, NY: Springer New York, 2013. pp. 27–66.
28. Genders W., Razavi S. An Open-Source Framework for Adaptive Traffic Signal Control // arXiv:1909.00395. 2019.
29. Мясников В.В., Агафонов А.А., Юмаганов А.С. Детерминированная прогнозная модель управления сигналами светофоров в интеллектуальных транспортных и геоинформационных системах // Компьютерная оптика. 2021. Т. 45. № 6. С. 917–925.
30. Abdulhai B., Pringle R., Karakoulas G. Reinforcement Learning for True Adaptive Traffic Signal Control // Journal of Transportation Engineering. 2003. (129).
31. Wei H. et al. IntelliLight: A Reinforcement Learning Approach for Intelligent Traffic Light Control London United Kingdom: ACM, 2018. pp. 2496–2505.
32. Wang X. et al. Large-Scale Traffic Signal Control Using a Novel Multiagent Reinforcement Learning // IEEE Transactions on Cybernetics. 2021. vol. 1. no. 51. pp. 174–187.
33. Agafonov A., Myasnikov V. Traffic Signal Control: A Double Q-learning Approach 2021. pp. 365–369.
34. Schulman J. et al. Proximal Policy Optimization Algorithms // arXiv:1707.06347. 2017.
35. Ault J., Hanna J.P., Sharon G. Learning an Interpretable Traffic Signal Control Policy // arXiv:1912.11023. 2020.
36. Li Y., He J., Gao Y. Intelligent Traffic Signal Control with Deep Reinforcement Learning at Single Intersection. 2021. pp. 399–406.
37. Yang J., Zhang J., Wang H. Urban Traffic Control in Software Defined Internet of Things via a Multi-Agent Deep Reinforcement Learning Approach // IEEE Transactions on Intelligent Transportation Systems. 2021. vol. 6. no 22. pp. 3742–3754.
38. Yang S. et al. IHG-MA: Inductive heterogeneous graph multi-agent reinforcement learning for multi-intersection traffic signal control // Neural Networks. 2021. vol 139. pp. 265–277.
39. Haarnoja T. et al. Soft Actor-Critic Algorithms and Applications // arXiv:1812.05905. 2019.
40. Yau K.-L.A. et al. A survey on Reinforcement learning models and algorithms for traffic signal control // ACM Computing Surveys. 2017. vol. 3. 50 p.
41. Wei H. et al. A Survey on Traffic Signal Control Methods // arXiv:1904.08117. 2020.
42. Haydari A., Yilmaz Y. Deep Reinforcement Learning for Intelligent Transportation Systems: A Survey // IEEE Transactions on Intelligent Transportation Systems. 2022. vol. 1. no. 23. pp. 11–32.
43. Fang S. et al. Trajectory Planning Method for Mixed Vehicles Considering Traffic Stability and Fuel Consumption at the Signalized Intersection // Journal of Advanced Transportation. 2020. pp. 1–10.
44. Guo Y., Ma J. DRL-TP3: A learning and control framework for signalized intersections with mixed connected automated traffic // Transportation Research Part C: Emerging Technologies. 2021. vol. 132. pp. 103416.
45. Zhang L., Wang Y., Zhu H. Theory and Experiment of Cooperative Control at Multi-Intersections in Intelligent Connected Vehicle Environment: Review and Perspectives // Sustainability. 2022. vol. 3. no. 14. pp. 1542.
46. Agafonov A., Yumaganov A., Myasnikov V. Adaptive Traffic Signal Control Based on Maximum Weighted Traffic Flow // 2022 International Conference on Information Technology and Nanotechnology (ITNT). pp. 1–4.
47. Krauß S. Microscopic modeling of traffic flow: Investigation of collision free vehicle dynamics. – 1998.
48. RESCO. URL: https://github.com/Pi-Star-Lab/RESCO (дата обращения: 30.05.2022).
Опубликован
2023-01-27
Как цитировать
Агафонов, А. А., & Юмаганов, А. С. (2023). Совместное управление сигналами светофоров и траекториями движения транспортных средств. Информатика и автоматизация, 22(1), 5-32. https://doi.org/10.15622/ia.22.1.1
Раздел
Робототехника, автоматизация и системы управления
Copyright (c) Антон Александрович Агафонов, Александр Сергеевич Юмаганов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).