个人快速交通系统智能协同控制与优化_孙沐霖.pdf

个人快速交通系统智能协同控制与优化*孙沐霖赵春晓（北京建筑大学电气与信息工程学院，北京建筑大学未来城市设计高精尖创新中心，100044，北京）摘要提出了一种新型智能协同控制运行方案，基于个人快速交通（PRT）车辆的运行规则与车辆间的自组织关系，以自底向上的方式建立动态知识图谱，用以辅助车辆运行决策；通过领航者-跟随者策略在车辆行驶过程中形成虚拟车队运行，在此基础上，将滚动优化策略与粒子群算法（PSO）相结合，对车辆的加速度和减速度进行滚动优化调整，缩短了PRT 车辆形成虚拟编队的运行时间，进一步提高了 PRT 系统的运输能力.结果表明：智能协同控制运行方案使得PRT 车辆形成虚拟编队所耗时间平均减少了约 38%，每小时运输客流量平均提高了约 1.5 倍；该运行方案保证了 PRT 系统运行的高效性和安全性，符合低碳出行、绿色发展的需要.关键词个人快速交通系统；动态知识图谱；虚拟编队；滚动优化；粒子群算法中图分类号U495；TP273DOI：10.12202/j.0476-0301.20220910引言随着中国社会城市化发展进程的不断加快，机动客运车辆保有量逐年高速递增，中国大中城市交通拥堵问题愈加突出，给人们出行带来了新的挑战1.中国城市公共交通体系基本形成了以大运量地铁为主体，出租车、公用汽车作为补充的格局.然而地铁、轻轨等大运量轨道交通只能为人们提供站到站的交通服务，不能将乘客直接运输到最终目的地.个人快速交通（personalrapidtransportation，PRT）于 20 世纪50 年代由 Fichter2首次提出，它是一种主要由无人小型智能车辆，且以高架为主的专属路权轨道组成的新型交通系统，旨在避开城市地面上拥挤复杂的开放式公共道路，在专属路权轨道线路内行驶以实现城市站到站间车辆的安全快速及便捷直达服务，以满足都市人群个性化交通的需求3.自 PRT 概念提出以来，在国外多个国家，如美国、英国、加拿大等得到了广泛的发展4.1975 年，波音公司在西弗吉尼亚大学首次完成对 PRT 理念的试验，建造了 1 个长为 8km 的 PRT 系统，让学生能够便捷地在不同校区之间活动，该系统目前仍然正常服务.2011 年，基于 ULTra（urbanlighttransportation）技术研发在英国希思罗机场建造了 1 条运输旅客的PRT 线路，被视为对未来智能交通科技的一次革命性创新.PRT 在国内也有应用：成都天府国际机场通过PRT，将航站楼和机场北侧远端的停车场连接在一起，该线路全长 4.8km，仅需 5min 就可以完成航站楼到停车场的单向运输，这是 PRT 技术在中国的首次应用；赵汝江等5针对广州城中心区及周边交通堵塞的问题，提议将 PRT 作为广州市除大运量地铁以外的主要公共交通工具，同时规划了首条 PRT 路线方案；袁小伟等6对北京朝阳 CBD交通出行规划方式进行了深入考察研究，基于 PRT技术对车辆主要行驶线路、停车场、站点均做了初步的规划及设计，希望传达新城市交通方式的规划理念.然而中国大中城市最显著的特点是人口基数大.据统计，中国的北京、上海这 2 个超大型城市日均客运量超过 900 万人，而英国目前运营的 ULTra 线路运输能力大约为 3600 人h1.显然传统的 PRT 模式因单个车辆座位数量有限，不能满足中国城市的大运量需求7.本文在对 PRT 系统研究的基础上，重点研究车辆运行的协同控制问题，提出了一种新型智能协同控制运行方案；通过研究 PRT 系统中车辆行为与运行规则，自底向上形成动态知识图谱，通过车辆自主控制、列车间相互作用，基于领航者-跟随者法控制，使车辆在运行中保持最小安全距离，最大程度缩小车辆运行间隔，增大 PRT 系统单位运输客流量；另外针对 PRT 系统车辆数目多易造成形成虚拟编队的时间过长，不但会增加乘客的出行时间，而且会导致专属路权线路的拥挤，易发生交通安全事故问题，同时提*国家自然科学基金重点资助项目（62031003）通信作者：赵春晓（1964.2），男，博士，教授.研究方向：WEB 智能信息系统、复杂系统.E-mail:收稿日期：2022-04-18北京师范大学学报（自然科学版）2022-12830JournalofBeijingNormalUniversity（NaturalScience）58（6）出了通过滚动优化策略与粒子群算法（particleswarmoptimization，PSO）相结合，对 PRT 车辆的加速度与减速度进行优化，缩短虚拟编队的形成时间，进一步提高整体线路的通过能力和效率.本文基于所提出的协同控制方案在 Netlogo 仿真平台搭建了 PRT 虚拟编队和滚动粒子群优化模型.协同控制方案仿真试验的结果表明，本文所提出的控制方案能够在使 PRT 车辆安全行驶的前提下，实现虚拟编队运行，使 PRT 车辆形成虚拟编队的时间平均减少了约 38%，每小时载客运量平均提高了约1.5 倍.1PRT 车辆虚拟编队模型1.1构建基于知识图谱的车辆协同控制模型PRT车辆在行驶过程中需要根据道路环境的变化选择行驶工况，为保证乘客的安全性和交通流畅性，车辆在短时间内选择合适的行驶工况尤为重要.知识图谱是 2012 年谷歌公司提出的概念，其本质是一个从多种渠道收集信息，以提高搜索效率的大规模语义网络知识库.它可以描述现实世界中实体、属性与实体之间的关系，以更接近人类认识世界的知识网络形式存在，从而得到一个对复杂整体的具体描述8.PRT 系统是由大量智能车辆及其控制系统组成的复杂结构，具有大规模、分布式、动态的特点，传统的建模方法不能很好地揭示其背后蕴藏的原理，因此，本文通过自底向上的构建方式，利用一定的科技手段，在车辆行驶过程中直接采集大量数据，经筛选之后再融入知识库网络中9.将建立初始分为信息提取、知识融合和认知加工，通过这 3 个步骤将异构的知识结构化并取得知识间的潜在关联，从而形成强大的动态知识网络，进而对 PRT 车辆行驶数据进行深度挖掘以及大数据分析，以达到辅助决策的功能.PRT 车辆行驶工况分为加速、减速和匀速这 3 种：当前方车辆行驶工况发生改变时，后方的车辆通过车间通信获取此时 2 辆车行驶间距 d 和速度 v；当 2 辆车行驶间距超过最小安全距离但后车在未达到最大速度时车辆会加速行驶，直至与前车保持最小的安全距离 dl，并使前后车辆以最大行驶速度运行；同理，当2 辆车行驶间距在最小安全距离以内时，后车会调整速度进行减速，使 2 辆车之间达最小安全距离，同时2 辆车行驶速度均保持最大值.PRT 车辆协同控制运行知识网络概念模型如图 1 所示.感应前后车距离、速度d前后=dld前后dld前后dlv后dlv后=vmax感应前后车距离、速度感应前后车距离、速度a后=0，现状行驶a后=0，后车作为第 1 辆车形成车队a后0，车辆加速a后0，车辆减速a后、d前后分别为后车加速度、前后 2 车间的距离；v后、vmax分别为后车速度、最大速度；dl为前后 2 车间的最小安全距离.图1PRT 运行概念知识网络模型1.2基于领航者-跟随者的编队形成方法领航者-跟随者策略在早期被应用于机器人编队控制10.在车辆运行、无人机队列等编队控制领域逐步得到了广泛应用.其基本思想是：根据控制需要在编队中选定 1 个或多个智能体作为领航者，编队中其余的智能体则均设为跟随者11.在行驶过程中，领航者的作用是引领整个编队按规划路线前行，通过设置领航者与跟随者之间的距离和角度可控制多智能体形成编队队形，具有运动灵活、扩展性强等特点12.l-本文采用领航者-跟随者策略中的反馈控制方l-ldl法形成虚拟 PRT 车辆编队.法是通过控制领航者与跟随者智能体二者间的距离 和运行方向夹角，使跟随者智能体保持指定的位置，达到控制队形的目的.本次试验环境为 PRT 车辆行驶在专属路权直线路段上，因此领航者与跟随者智能体运行方向一致，主要研究 PRT 车辆编队行驶的最小安全距离，如图 2 所示.PRT 车辆虚拟编队运行的另一个关键步骤是车辆跟随过程.跟随车辆的行驶状态受前车影响13，通过车车交互，跟随车辆能够实时获取前车的速度以第 6 期孙沐霖等：个人快速交通系统智能协同控制与优化831及与前车的实际距离等信息，进行自适应调整.相邻车辆之间的行车间距与 2 辆车的位置、行车速度以及加速度有关，故 PRT 车辆的协同编队控制实际上是对车辆位置和加速度的控制.PRT 车辆跟随过程概念如图 3 所示，号 PRT 车辆在专属路权线路上行驶时，会通过雷达感应器等车载设备实时感知并采集运行环境变化的数据，结合PRT 系统的动态知识图谱，对采集到的数据进行比较分析，针对车辆运行环境的变化作出适当决策，以此对 PRT 车辆的行驶状态做出调整，同时基于车车通信，将调整后的行驶状态信息反馈给相邻的号PRT 车辆.同理，2 号 PRT 车辆会根据获取的 1 号PRT 车辆行驶数据及环境变化信息进行自适应调整，即lim(v1v2)=0,（1）lim(s1s2)=dl.（2）运行环境PRT 车辆 1PRT 车辆 2PRT 车辆 3PRT 车辆 n决策PRT1 状态信息感知信息交互分析反馈信息交互信息交互影响控制执行lim(v1v2)=0lim(s1s2)=dl状态调整自身速度 v2、加速度 a2、位置 s2调整速度 v1、加速度 a1、位置 s1图3PRT 车辆跟随模型概念在运行一段时间后，1、号 PRT 车辆的速度趋于一致，并且使 2 辆车之间保持安全距离行驶；其他车辆按此反馈控制进行调整，最终实现与号 PRT车辆运行状态的协同.2滚动粒子群优化算法由于 PRT 车辆行驶状态受前车速度、加速度、相对距离等多种因素的影响，且是动态变化的，同时加速度过小将会增大形成虚拟车队的时间，影响 PRT专属线路的运输效率；加速度过大时则需较大的紧急制动减速度，这会降低系统整体稳定性，在一定程度上影响舒适度.为了使 PRT 车辆的加速度和减速度能够进行自适应调整，本文采取滚动粒子群优化算法对车辆行驶的加速度和减速度进行在线优化，以最大程 度 地 减 少 虚 拟 车 队 形 成 时 间，同 时 增 强 PRT系统的鲁棒性14.滚动优化原理是基于周期驱动在多个有限时间窗口实施滚动优化的具体表现形式.自采样起，优化参数只对相邻采样的这段固定时间起作用，即采样时间间隔，同时不断向前滚动，进行实时优化，在每个滚动优化时间窗口采用 PSO 算法对加速度、减速度进行优化.1995 年，Eberhart 等15首次提出了 PSO 算法，其基本原理是通过个体间的信息交互和影响，不断寻找最优解.该算法在优化求解过程中，将每个粒子都作为具体问题的一个潜在的解，每个粒子的移动速度矢量决定这些粒子在搜索域中移动的距离和方向16.在迭代收敛过程中，粒子通过 2 个最优值更新速度矢量：一个是粒子在自身移动过程中发现的个体最优解；另一个是通过比较，得出当前整个粒子群的全局最优解.在 PSO 算法搜索域中，所有的粒子以一种速度矢dldl跟随者领航者图2领航者-跟随者策略示意832北京师范大学学报（自然科学版）第 58 卷ND量进行移动搜索.假设有个粒子在一个维的搜索域中移动，粒子的坐标和速度分别为xi=(xi1,xi2,xiD),（3）vi=(vi1,vi2,viD),（4）i 1,N式中：；粒子的速度作为粒子在每次迭代中移动的距离和方向.粒子当前经过位置的最优值表示为pbest=(pi1,pi2,piD).（5）粒子群当前经过的最优位置为gbest=(pg1,pg2,pgD),（6）Pg(t)P0(t),P1(t),PN(t)|f(P0(t)f(P1(t)f(PN(t).（7）2 个最优值找到之后，粒子据此更新自己的速度和位置：vid(t+1)=vid(t)+c1r1(Pid(t)xid(t)+c2r2(Pgd(t)xid(t),（8）xid(t+1)=xid(t)+vid(t),（9）c1c2c1c2r1r2式中：为惯性权重，代表粒子对自身速度矢量的认可程