【无标题】

文章标题：

Traffic Signal Optimization under Connected-Vehicle Environment: An Overview

from ：Journal of Advanced Transportation
author：Jindong Wang,1,2 Shengchuan Jiang ,1 Yue Qiu ,1 Yang Zhang,3 Jianguo Ying,2 and Yuchuan Du

文章内容：

文章分几个部分对于信号控制领域常见的方法、数据来源以及待解决的问题几个方面进行了介绍和分析，对当前研究进展进行了统筹和总结，并对于未来需要探索的方向进行了简单的总结和归纳。

信号控制：

按控制类型可以分为：

①定时控制
遵循一定时间内交通需求不会大幅度变化的原则，通过实施分时段的定时控制方案，以应对不同时间内，相同时间段交通需求的波动
优点；计算简单，硬件要求低
缺点：无法获取动态需求，相应紧急事件，如交通事故和道路封闭等情况
②感应控制
通过检测交通量的动态变化，来修改当前的信号配时方案，例如 如果当前相位没有车辆通过则跳过该相位，切换至下一相位。
③自适应控制
通过传感器实时获取当前道路的动态信息，根据实时获取的信息对于信号控制方案进行动态的调整，以达到匹配每个相位内的交通需求的效果。

传统感应控制和自适应控制需要大量使用道路之上的传感器，如感应线圈，超声波检测器，视频检测器等，一方面，传感器的安装可能会破坏路面结构，提高养护成本，另一方面上述传统检测器还会收到天气、温度等因素的影响，是的信息获取的效果变差。
在这种大环境和背景下，基于CV的数据来源显然成为了一个更加可靠、方便且低成本的选择。

数据需求和目标函数：

1. 数据需求：

信号控制算法当中常见的参数可以分为两类，即静态信息和动态信息：

• 静态信息

通常为有关交叉口的一些道路线形、车道数、相位设置等信息，通常为实现预定义在系统当中

• 动态信息

则是通过V2X与车辆之间进行动态交互获得或通过传感器获得的。通常包括车辆的位置、速度、加速度、方向、横摆角、等信息

2.目标函数：

• 时间类：

最小化行程时间、最小化延误、最小化等待时间、最小化延误

• 排队、停车类：

最小化启停次数、最小化排队长度

• 平均类：

最小化平均排队长度、最小化交叉口总体压强

• 环境类
  最小化燃油消耗、最小化污染物排放
• 其他
  最小化相位压强、最小化速度波动

常见优化算法：

• 基于交通规则
  该类方法通过特定的优化准则建立特定的方程来确定控制参数的模型
  最典型的如韦伯斯特方法，是最小延误周期长度的损失时间和临界流量比的函数
  优点：公式简洁，计算方便
  缺点：对交通模型做了较多的简化，会影响控制模型的准确性

• 基于数学规划
  该方法为信号控制领域中最常见的方法，选择与控制效果最相关的某项元素，建立线性方程求解
  常见的一些方法包括：双层规划（通过线性不等式放缩，转化为线性规划）、混合整数规划（多用于涉及优先的控制方面）、动态规划等
  该类方法当中最大的问题是约束的建立和约束的非线性给求解带来困难

• 基于人工智能方法
  常见的人工智能算法包括强化学习、神经网络、深度学习和模糊逻辑等
  尽管人工智能方法能够很大程度上提升当前信号控制算法的性能
  但是也面临这一些大问题：模型的解释性太差，并且会消耗大量算力。
  以强化学习为代表的方法在实际运用过程中还存在一定的试错学习过程

当前阶段的技术问题：

• CV的渗透率的不同阶段
  当前阶段CV的渗透率不会处于一个较高的水平，未来很长一段时间内将会处于CV、CAV、HDV混行的符合环境当中。如何恰当的综合考虑三种交通主要参与者的特征，获得更好的控制效果。
  部分自适应控制算法需要在CV渗透率达到一定规模后才能达到较明显的提升水平

• 集中式控制和分布式控制
  当前大部分控制系统使用的控制方法仍然为集中式控制，该种控制方法是利用中央控制器，对控制范围内的各项信号配时参数进行优化。适合用于单点信号控制，但是由于网络信号控制是一个典型的非线性规划问题， 集中式的优化无法拓展至网络信号控制优化当中。

  分布式控制可以将信号配时优化问题拆解为几个不同控制节点相关联的子问题，降低了计算的复杂度，因此适用于进行网络控制，但是该类方法的问题在于，由于通信延误的存在，使用完全分布式控制可能会导致区域间流量平衡的延迟

• 点信号控制和干线信号控制
  点信号控制是信号控制当中的最基本的形式，因此也是各类研究人员所关注的重点，
  协调控制的目标是通过各个点之间的干线协调，实现各个节点之间的协调，进而实现全局最优

• 优先控制

---

未来需要解决的问题：

交通流模型

现今距离完全网联及自动驾驶还存在一个非常漫长的距离，我们将长期处于一个非网联人工驾驶、网联人工驾驶、网联自动驾驶的环境当中。该环境下，交通流特征将会区别于传统的交通流模型，使用更加完备的，能够清楚描述交通流特征的交通流模型能够进一步提升信号控制效果。

控制与诱导相结合

信号控制有希望与驾驶员辅助系统相协调，通过对驾驶员的引导和信号控制的协调，达到一个更加良好的信号控制效果

结合分布式与集中式控制的优点

当前对于交通网络信号的优化研究并不充分，不同交叉口之间的信息交互并不充分。集合集中式控制和分布式控制的优点，进而对交通网络控制，如何达到全局最优，是一个有待进一步研究的方向。

---

学习心得：

交通信号是交叉口控制最基本的形式，也是当前以及未来很长一段时间内交叉口控制中最基本的形式。
在人工智能技术高速发展的今天，多种人工智能算法的出现，很大程度上提升了信号控制算法的效果。

但是在V2X技术出现之后，该项技术带来了什么？信号控制是否仍然是一个单纯的信号控制问题？网联车辆能否成为信号控制的另一项助力？如何将车辆的控制和信号控制结合，并在三种车辆混合交通的环境下，进一步提升交叉口的通行效率，可否成为一个更加具有实际意义且更具创新之处的地方？