Optimisasi Sinyal Lalu Lintas dan Pengendalian Trajektori Kendaraan Campuran pada Persimpangan Menggunakan Kerangka Bi-Level Berbasis Algoritma Rolling Horizon
Syifa Ramadhanty, Dr. Dwi Ertiningsih, S.Si., M.Si.
2026 | Skripsi | MATEMATIKA
Optimisasi sinyal lalu lintas dan trajektori kendaraan campuran Connected Automated Vehicle (CAV) dan Connected Human Vehicle (CHV) dilakukan melalui integrasi dua level, yang terdiri dari level atas Platoon Mixed Integer Linear Programming (PMILP) dan level bawah Distributed Model Predictive Control (DMPC) berbasis Nash. PMILP menentukan skema siklus optimal berdasarkan kedatangan kendaraan setiap waktu untuk meminimalisasi delay serta mengoptimalkan durasi lampu hijau melalui algoritma rolling horizon. Selain itu, pada level atas juga dilakukan pembentukan platoon pada kendaraan campuran untuk mengoptimalkan kapasitas arus jalan serta menghasilkan target waktu kedatangan. Pada level bawah, DMPC mendistribusikan MPC lokal pada setiap kendaraan CAV di masing-masing fase, sementara CHV menentukan trajektori berdasarkan pemodelan car-following yaitu Intelligent Driver Model (IDM). Setiap CAV memperbarui trajektori terbaiknya dengan menganggap gangguan kendaraan lain tetap berdasarkan prinsip permainan nonkooperatif Nash. Dalam penelitian ini, algoritma iteratif berbasis Nash berhasil meminimalisasi deviasi trajektori sehingga mampu mencapai target waktu yang diinginkan PMILP dengan konvergensi yang cepat. Kerangka optimisasi dua level ini efektif mengendalikan kendaraan dalam melintasi persimpangan dengan aman tanpa fluktuasi akselerasi yang tajam.
Traffic signal and trajectory optimization for a mixed traffic stream of Connected Automated Vehicles (CAVs) and Connected Human-driven Vehicles (CHVs) is achieved through a two-level integration: an upper-level Platoon Mixed Integer Linear Programming (PMILP) and a lower-level Nash-based Distributed Model Predictive Control (DMPC). The PMILP determines the optimal signal cycle scheme based on real-time vehicle arrivals to minimize delay and optimize green light durations using a rolling horizon algorithm. Additionally, the upper level facilitates platoon formation among the mixed vehicle fleet to optimize road capacity and establish target arrival times. At the lower level, the DMPC distributes local MPC controllers to each CAV for each phase, while CHVs determine their trajectories based on a car-following model—specifically, the Intelligent Driver Model (IDM). Each CAV updates its optimal trajectory by treating the actions of other vehicles as fixed, adhering to the Nash non-cooperative game principle. In this study, the Nash-based iterative algorithm successfully minimized trajectory deviations, enabling the system to meet the PMILP's target times with rapid convergence. This two-level optimization framework effectively controls vehicles as they traverse the intersection safely, avoiding sharp fluctuations in acceleration.
Kata Kunci : Optimisasi sinyal lalu lintas, Trajektori kendaraan, MPC, Connected Automated Vehicle (CAV), Connected Human Vehicle (CHV), Platoon Mixed Integer Linear Programming (PMILP), Distributed Model Predictive Control (DMPC), Permainan Nash.