Cooperative Control of Traffic Signals and Vehicle Trajectories

Cover Page

Cite item

Full Text

Abstract

The transportation system is one of the most important parts of the country's economy. At the same time, the growth in road traffic has a significant negative impact on the economic performance of the industry. One of the ways to increase the efficiency of using the transportation infrastructure is to manage traffic flows, incl. by controlling traffic signals at signalized intersections. One of the trends in the development of intelligent transportation systems is the creation of vehicular ad hoc networks that allow the exchange of information between vehicles and infrastructure, as well as the development of autonomous vehicles. As a result, it becomes possible to formulate the problem of cooperative control of vehicle trajectories and traffic signals to increase the capacity of intersections and reduce fuel consumption and travel time. This paper presents a method for managing traffic flow at an intersection, which consists of the cooperative control of traffic signals and trajectories of connected/autonomous vehicles. The developed method combines an algorithm for the adaptive control of traffic signals based on a deterministic model for predicting the movement of vehicles and a two-stage algorithm for constructing the trajectory of vehicles. The objective optimization function used to construct the optimal trajectories takes into account fuel consumption, travel time on the road lane, and waiting time at the intersection. Experimental studies of the developed method were carried out in the microscopic traffic simulation package SUMO using three simulation scenarios, including two synthetic scenarios and a scenario in a real urban environment. The results of experimental studies confirm the effectiveness of the developed method in terms of fuel consumption, travel time, and waiting time in comparison with the adaptive traffic signal control algorithm.

About the authors

A. A Agafonov

Samara National Research University

Email: ant.agafonov@gmail.com
Lukachev St. 39Б

A. S Yumaganov

Samara National Research University

Email: yumagan@gmail.com
Lukachev St. 39Б

References

  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).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».