HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways

📄 arXiv: 2507.11621v1 📥 PDF

作者: Tianyi Wang, Yangyang Wang, Jie Pan, Junfeng Jiao, Christian Claudel

分类: cs.RO, cs.AI, eess.SY

发布日期: 2025-07-15

备注: 7 pages, 2 figures, 3 tables, accepted for IEEE International Conference on Intelligent Transportation Systems (ITSC) 2025

💡 一句话要点

提出一种分层协同匝道汇入控制框架，用于解决双车道高速公路混合交通环境下的汇入问题。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 匝道汇入控制 混合交通流 协同控制 分层控制 博弈论 多目标优化 智能驾驶 交通仿真

📋 核心要点

  1. 现有匝道汇入控制方法难以有效处理混合交通流，尤其是在人工驾驶车辆和自动驾驶车辆共存的情况下，安全性和效率难以兼顾。
  2. 论文提出分层协同匝道汇入控制框架（HCOMC），通过分层规划、博弈论变道和多目标优化，协调人工驾驶车辆和自动驾驶车辆的汇入行为。
  3. 仿真结果表明，HCOMC在不同交通密度和自动驾驶车辆渗透率下，能有效提升安全性、交通效率，并降低油耗，优于现有基准方法。

📝 摘要（中文）

高速公路匝道汇入区域是常见的交通拥堵和事故瓶颈。目前，基于联网和自动驾驶车辆（CAV）的协同控制策略是解决这一问题的根本方案。然而，在CAV尚未完全普及的情况下，有必要提出一种分层协同匝道汇入控制（HCOMC）框架，以解决双车道高速公路上的异构交通流问题。本文基于智能驾驶员模型扩展了纵向跟驰模型，并使用五次多项式曲线扩展了横向变道模型，以考虑人工驾驶车辆（HDV）和CAV，综合考虑了人为因素和协同自适应巡航控制。此外，本文提出了一个HCOMC框架，该框架包括基于改进的虚拟车辆模型的分层协同规划模型、基于博弈论的自由变道模型以及使用精英非支配排序遗传算法的多目标优化模型，以确保安全、平稳和高效的汇入过程。通过仿真分析了我们的HCOMC在不同交通密度和CAV渗透率下的性能。研究结果表明，与基准相比，我们的HCOMC在提高群体车辆的安全性、稳定和加速汇入过程、优化交通效率以及节省燃料消耗方面具有显著的综合优势。

🔬 方法详解

问题定义：论文旨在解决双车道高速公路混合交通环境下匝道汇入的安全、高效问题。现有方法在处理人工驾驶车辆（HDV）和联网自动驾驶车辆（CAV）混合交通流时存在不足，难以兼顾安全性、效率和燃油经济性。尤其是在 CAV 渗透率较低的情况下，如何有效协调 HDV 的驾驶行为是一个挑战。

核心思路：论文的核心思路是采用分层协同控制策略，将匝道汇入问题分解为多个层次，分别进行优化。通过协同规划，引导 CAV 的行为，同时考虑 HDV 的驾驶特性，利用博弈论建模 HDV 的变道行为，最终实现整体交通流的优化。这种分层结构允许对不同类型的车辆进行差异化控制，从而提高整体性能。

技术框架：HCOMC 框架包含三个主要模块：1) 分层协同规划模型：基于改进的虚拟车辆模型，对 CAV 进行协同轨迹规划，生成期望的汇入轨迹。2) 自由变道模型：基于博弈论，模拟 HDV 的变道决策过程，预测 HDV 的行为。3) 多目标优化模型：使用精英非支配排序遗传算法（NSGA-II），同时优化安全性、效率和燃油经济性等多个目标。整个流程首先进行协同规划，然后预测 HDV 的行为，最后通过多目标优化调整控制策略。

关键创新：论文的关键创新在于提出了一个完整的分层协同控制框架，能够有效处理混合交通流。具体来说，改进的虚拟车辆模型能够更好地描述 CAV 的行为，博弈论变道模型能够更准确地预测 HDV 的行为，而多目标优化算法能够平衡多个性能指标。与传统的控制方法相比，该框架能够更好地适应混合交通环境，提高整体性能。

关键设计：在分层协同规划模型中，虚拟车辆模型的参数需要根据 CAV 的性能进行调整。在博弈论变道模型中，需要合理设置博弈的收益函数，以准确反映 HDV 的驾驶偏好。在多目标优化模型中，需要选择合适的交叉和变异算子，以保证算法的收敛性和多样性。此外，目标函数的权重也需要根据实际需求进行调整。

📊 实验亮点

仿真结果表明，与基准方法相比，HCOMC 在提高群体车辆的安全性、稳定和加速汇入过程、优化交通效率以及节省燃料消耗方面具有显著的综合优势。具体性能数据未知，但摘要强调了其在多个指标上的优越性，表明该方法具有实际应用潜力。

🎯 应用场景

该研究成果可应用于智能交通系统、自动驾驶车辆控制和交通仿真等领域。通过部署该系统，可以显著提高高速公路匝道汇入区域的交通效率和安全性，减少交通事故的发生，并降低车辆的燃油消耗。未来，随着自动驾驶技术的普及，该研究成果有望在实际交通场景中得到广泛应用。

📄 摘要（原文）

Highway on-ramp merging areas are common bottlenecks to traffic congestion and accidents. Currently, a cooperative control strategy based on connected and automated vehicles (CAVs) is a fundamental solution to this problem. While CAVs are not fully widespread, it is necessary to propose a hierarchical cooperative on-ramp merging control (HCOMC) framework for heterogeneous traffic flow on two-lane highways to address this gap. This paper extends longitudinal car-following models based on the intelligent driver model and lateral lane-changing models using the quintic polynomial curve to account for human-driven vehicles (HDVs) and CAVs, comprehensively considering human factors and cooperative adaptive cruise control. Besides, this paper proposes a HCOMC framework, consisting of a hierarchical cooperative planning model based on the modified virtual vehicle model, a discretionary lane-changing model based on game theory, and a multi-objective optimization model using the elitist non-dominated sorting genetic algorithm to ensure the safe, smooth, and efficient merging process. Then, the performance of our HCOMC is analyzed under different traffic densities and CAV penetration rates through simulation. The findings underscore our HCOMC's pronounced comprehensive advantages in enhancing the safety of group vehicles, stabilizing and expediting merging process, optimizing traffic efficiency, and economizing fuel consumption compared with benchmarks.