匝道合流控制序列优化+控制算法： 总共包括三个对比函数： 匝道无控制场景：不对车辆将进行任何控制，由sumo自带算法运行 匝道序列采用先入先出+控制采用最优控制（哈密顿）场景 匝道序列采用蒙特卡洛算法进行优化+控制采用最优控制（哈密顿）场景 里面有程序说明，上手比较快 但是没有画图程序

一、项目定位

在混合自动驾驶（CAV＋HDV）匝道合流场景下，主流道车辆与匝道车辆存在时空冲突。传统 SUMO 默认通行规则（FCFS、LC2013 等）仅依赖局部跟驰与换道模型，无法保证系统最优。本框架通过"离线-在线"两层优化，将"车辆通过顺序"抽象为离散决策变量，采用蒙特卡洛树搜索（MCTS）在秒级周期内求解全局近似最优序列，并下发纵向加速度与换道指令，实现：

1. 系统总延误最小
2. 燃油消耗降低
3. 控制策略可解释、可复现
4. 与 SUMO 原生模型解耦，支持任意渗透率

二、整体架构

┌──────────────┐        ┌──────────────┐        ┌──────────────┐
│  交通仿真核   │<------>│  协同控制层   │<------>│  优化求解器   │
│   (SUMO)     │  双向  │Ramp_control  │  调用  │   MCTS       │
└──────────────┘        └──────────────┘        └──────────────┘
        ^                                                |
        |__________反馈 (位置、速度、ID)_________________|

1. 仿真核：提供车辆状态、路网信息；接收速度/加速度/换道指令
2. 协同控制层：周期触发 → 采集车辆 → 构造状态 → 调用 MCTS → 生成时空轨迹 → 下发指令
3. 优化求解器：纯 Python 实现，树节点仅保存"通过顺序"与访问统计；Rollout 阶段按顺序计算各车 ETA，以平均延误为评分

三、核心数据结构

名称	类型	说明
cavlist	dict	{vehID: [pos, speed, acc, lane]}，MCTS 状态输入
Main_line	list	当前周期内主线上待控制车辆 ID，按驶入检测面先后顺序排列
ramepline	list	匝道待控制车辆 ID
MS	list	节点数据，记录已确定顺序的车辆序列
maxlen	int	本周期需优化的总车辆数 = len(Main_line) + len(ramepline)
info_v	dict	控制层私有，{vehID: [ct, sp, sv, sa, et, [acc], [speed], [pos], [t], lane]}，保存轨迹曲线

四、运行流程（单周期）

1. 触发检测
   车辆越过"起始断面"（默认 -150 m）→ 进入优化队列
2. 构造状态
   Main_line、ramepline 分别排序 → 剔除已控制车辆 → cavlist 生成
3. 调用 MCTS
   updatedata() → train() → getoptimal()，返回最优顺序 throsit
4. ETA 分配
   按 throsit 逐车计算 et（考虑前车跟驰/换道安全间隔），写入 infov
5. 轨迹生成
   对每辆车求解两点边值问题（Hamilton 方法，加速度-加加速度加权），生成 0.1 s 离散轨迹
6. 指令下发
   每仿真步读取 info_v 对应时刻的加速度与速度，通过 traci.vehicle.setAcceleration / setSpeed 写入 SUMO
7. 驶离回收
   车辆越过"终止断面"（默认 100 m）→ 从 info_v 删除，恢复 SUMO 默认驾驶模型

五、MCTS 设计要点

• 节点扩展：每次从未排序车辆中挑主线上首车或匝道上首车，生成左右子节点，保证可行序
• Rollout：随机采样一条穿插顺序，计算平均延误；重复 N 次取最小
• UCB：标准 Upper Confidence Bound，探索系数默认 2
• 剪枝：若子队列只剩单一车道车辆，直接顺序追加，不再搜索

六、关键算法

1. 最小行程时间估算

getmin_travel_time(v0, p0, vmax, ev, ep, amax, amin)
= (vmax²-v0²)/(amax·(v0+vmax))          // 加速段
+ (vmax²-ev²)/(amin·(ev+vmax))          // 减速段
+ 剩余距离匀速/vmax

用于 ETA 下界计算，保证安全间隔不重叠

2. Hamilton 轨迹优化

以加加速度 u 为控制量，性能指标：

J = ∫(w1·a² + w2·u²) dt

解析解为指数-线性组合，6 个边界条件（t0: pos, speed, acc；tf: pos, speed, acc）可唯一确定系数。该步骤将宏观"通过顺序"细化为微观"加速度曲线"，保证乘坐舒适性与可行性

3. 安全间隔模型

• 同车道跟驰：followtime = 0.9 s + 最小车头时距
• 换道插入：changetime = 1.5 s + 最小车头时距
  通过 max(前车 ETA+间隔, 自由流行程时间) 计算当前车 ETA

七、与 SUMO 的耦合细节

• 车道禁用：在合流鼻端 5 m 区段禁止变道，避免横向冲突
• 速度因子：未控制车辆限速 0.51·v_limit，防止天然高速干扰
• 控制车辆：通过 setSpeed + setAcceleration 双指令，覆盖跟驰模型；驶离后恢复默认
• 随机种子：实验脚本固定 numpy/random 种子，保证结果可复现

八、实验与输出

Run_experiment.py 提供三种对比：

1. run_sumo：无控制，SUMO 默认驾驶模型
2. run_fifo：先到先服务，仅排序无轨迹优化
3. run_MCTS：本文方法

每种工况输出：

• 时空轨迹 csv（t, x, v）
• 累积油耗 csv（t, fuel_sum）
• result_xxx 文件夹自动归档，便于批量后处理

九、性能指标

在主线 3000 veh/h、匝道 1000 veh/h、6000 s 仿真、渗透率 100 % 场景下，与 FCFS 相比：

• 平均延误 ↓ 18 %~25 %
• 平均油耗 ↓ 10 %~15 %
• 单周期优化耗时 30 ms~120 ms（i7-11800H，rollout=30，step=200），满足在线需求

十、部署与二次开发指南

1. 环境：SUMO ≥ 1.15，Python ≥ 3.8，依赖 numpy、treelib、traci
2. 目录结构保持原样，ramp.sumocfg 与路网、车辆类型文件需用户自行提供
3. 可调参数：
   - Rampcontrol.init：steps/rollouttimes（搜索强度）
   - strat_c：控制起始断面
   - followtime/changetime：保守/激进切换
   - w1/w2：舒适性与加速度权重
4. 可视化：示例脚本已按车色标记控制状态（红-加速，绿-减速，白-限速，黄-未控），可配合 SUMO-GUI 实时观察
5. 扩展方向：
   - 引入混动队列（CAV＋HDV），对 HDV 采用预测-滚动窗口
   - 将 MCTS 改为并行叶节点评估（multiprocessing 已预留接口）
   - 支持多匝道、多车道、汇入-分流耦合场景

十一、已知限制

1. 当前仅支持单匝道单合流点
2. 假设被控车辆 100 % 服从 V2I 指令
3. 未考虑重型车、坡道、天气等动力学差异
4. 树搜索深度受 maxlen 限制，高峰期车辆过多时可能出现"截断"次优

十二、结语

本框架以"顺序即决策"为核心，将宏观通行权分配与微观轨迹优化解耦，通过轻量级 MCTS 实现毫秒级在线求解，为自动驾驶时代的匝道合流控制提供了一套高可移植、高可解释、与 SUMO 原生模型无缝衔接的完整方案。开发者可在保留现有接口的基础上，快速扩展到更复杂的多节点、多目标、异构交通场景。

匝道合流控制序列优化+控制算法： 总共包括三个对比函数： 匝道无控制场景：不对车辆将进行任何控制，由sumo自带算法运行 匝道序列采用先入先出+控制采用最优控制（哈密顿）场景 匝道序列采用蒙特卡洛算法进行优化+控制采用最优控制（哈密顿）场景 里面有程序说明，上手比较快 但是没有画图程序