智能网联环境下多车道异质交通流建模与仿真

为探究智能网联自动驾驶车辆(Connected and Autonomous Vehicle, CAV)与人工驾驶车辆 (Human Driving Vehicle, HDV)混合行驶的多车道异质交通流运行特征,本文剖析了异质交通流中不同类型车辆的跟驰模式,提出不同类型车辆双车道及多车道换道模型,进而构建了多车道异质交通流仿真模型,并分析了不同CAV混入率下的道路通行能力及换道行为特征。研究结果表明,随着CAV渗透率的提高,单车道通行能力由1678 pcu·h-1提升至4200 pcu·h-1,交通流临界密 度由25 pcu·km-1增长至35 pcu·km-1 ,同一渗透率下不同车道数的道路通行能力及临界密度值呈现显著差异性。异质交通流换道行为呈现三阶段特征：在低密度下,不同类型车辆均可自由行驶及换道;密度在20~100 pcu·km-1 时,车辆换道频率呈“上凸”状,CAV渗透率越高,HDV凸形峰值越大,而CAV峰值较低;在高密度下,受可换道空间的约束,不同类型车辆均无法完成换道。此外,进一步讨论了不同CAV渗透率及密度条件下的异质交通流仿真效益,包括交通量提升及秩序改善特征等。研究成果有助于理解智能网联环境下多车道异质交通流运行状况,为未来异质交通流管理提供理论参考。     

异质流网联车的不同换道集聚策略

为研究车联网环境下异质交通流的演变规律，首先，引入相对熵定量描述异质流的有序性，并分析有序性与智能网联车（connected and autonomous vehicle,CAV）市场渗透率、协同自适应巡航控制（cooperative adaptive cruise control,CACC）队列数之间的内在联系，推导得出智能网联车渗透率的增加及队列数的减少可以提升异质流的有序性；其次，提出了保守型集聚（conservative aggregation,CSA）、激进型集聚（radical aggregation,RDA）两种改进的智能网联车集聚换道策略，并通过元胞自动机仿真实验，从通行能力、相对熵和平均队列长度等方面比较了无集聚（no aggregation,NOA）、常规集聚（conventional aggregation,CVA）、CSA、RDA 4种换道策略的优劣；最后，在CSA换道策略中分析了不同最小队列规模限制对于通行能力的影响.研究结果表明：在双车道环境下，采取集聚换道策略能使智能网联车形成CACC队列，使异质流趋于“有序”，在20～95辆/km密度范围内提升通行能力；...     

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.      

多前车影响的智能网联车辆纵向控制模型

为了更好地模拟智能网联车辆(CAV)的跟驰特性, 在纵向控制模型(LCM)的基础上考虑V2V环境下多辆前车速度和加速度的影响, 构建了智能网联环境下的纵向控制模型(C-LCM); 对LCM和C-LCM进行稳定性分析, 比较了2个模型的交通流稳定域, 确定了不同通信距离时C-LCM对交通流稳定域的影响; 设计数值仿真试验对加速和减速的常见交通场景进行模拟, 分析了在V2V通信条件下CAV的跟驰行为特征; 仿真分析了CAV不同通信距离以及不同渗透率影响下的交通流安全水平; 构建了包含不同CAV渗透率的混合交通流基本图模型。研究结果表明: 交通流稳定域随着考虑前车数量的增多而增大, 当只考虑1辆前车时, 前车与本车的间隔越远, 车辆速度系数对C-LCM稳定域的影响越大; C-LCM可以提前对多前车的行为做出反应, 更好地模拟CAV的动力学特征, 在减速情景中速度超调量从0.15减少为0.08, 最大速度延迟时间由7.5 s缩短为4.9 s, 在加速情景中速度超调量从0.07减少为0.04, 最小速度延迟时间由3.5 s缩短为2.6 s; 随着CAV渗透率的提升, 交通流的安全水平不断提升, 当通信范围内有4辆CAV时, 交通流的安全性能达到最高, 其TIT和TET指标的最大减少量分别为57.22%和59.08%;随着CAV渗透率的提升, 道路通行能力从1 281 veh·h-1提升为3 204 veh·h-1。可见, 提出的C-LCM可以刻画不同车辆的跟驰特点, 实现混合交通流建模, 并降低混合交通流的复杂性, 为智能网联车辆对交通流的影响分析提供参考。      

融入公交车与自动驾驶车队的异质交通流模型

为研究网联自动驾驶车（connected autonomous vehicle, CAV）和人工驾驶车（human-pilot vehicle, HPV）所组成的异质交通流特性及公交车驾驶行为对环境的影响，首先，分析异质交通流中的4种跟驰模式：人工驾驶小汽车跟驰、人工驾驶公交车跟驰、自适应巡航控制(adaptive cruise control, ACC)跟驰和协同自适应巡航控制(cooperative adaptive cruise control, CACC)跟驰；接着，基于各跟驰模型的特点，构建车辆跟驰和换道的元胞自动机模型，综合考虑CAV车队特性、驾驶员与CAV各自反应时间特性以及HPV加塞特性，并利用跟驰模式判断参数融合不同跟驰模式特性，实现统一的模型表达；最后，仿真分析不同CAV渗透率下CAV排队强度及公交车换道行为对交通流的影响.结果表明：在一定的CAV渗透率下，促使CAV形成队列比单纯提高CAV渗透率更能有效提升道路通行效率；适量的公交换道有助于充分利用道路通行能力，过多的公交换道则会妨碍正常交通，公交换道对交通流造成的通行效率衰减随CAV渗透率的增大而减小；同步流状态...     

智能网联卡车车队混合流通行能力分析方法

智能网联卡车车队有望成为网联自动驾驶率先应用的场景之一，本文针对智能网联卡车车队混合交通流通行能力开展研究。首先，以智能网联卡车车队、人工驾驶卡车及人工驾驶小汽车构成的随机混合交通流为研究对象，考虑智能网联卡车车队规模空间分布特征，分析混合交通流中10种跟驰行为类型，理论推导其概率表达式，进而构建智能网联卡车车队混合交通流通行能力的通用性分析方法。然后，考虑实际交通流运行中卡车分布的随机性，将智能网联卡车车队混合交通流分为优势流、随机流和劣势流3种态势，以此提升混合交通流通行能力分析方法的普适性。最后，选择实测数据标定的跟驰模型进行案例分析，验证理论分析方法的有效性。研究结果表明：智能网联卡车比例提高或其车队规模增大均有利于3种态势混合交通流中车辆转换系数及相对熵的减小，从而可有效提升混合交通流通行能力。不同智能网联卡车比例条件下，智能网联卡车车队随机分布最优车队规模为2~4辆，同时，优势流、随机流和劣势流3种混合交通流通行能力依次递减。研究结果揭示了智能网联卡车车队混合交通流通行能力提升的内在机理，为未来智能网联卡车车队的运营管理提供方法支撑。     

考虑自动驾驶的混合交通流路段阻抗函数

为解决未来自动驾驶专用车道的规划设计问题,本文提出了一种自动驾驶车与人工驾驶车混合交通流路段阻抗函数模型.首先,分析了自动驾驶专用车道的设置对混合交通流中车辆跟驰模式的影响;其次,在此基础上,引入微观跟驰驾驶模型,推导了不同自动驾驶车辆渗透率条件下的路段通行能力函数,分析了自动驾驶车辆对路段通行能力的影响;然后,将混合交通流通行能力引入经典的BPR函数,推导了考虑自动驾驶的混合交通流路段阻抗函数模型;最后,设计了数值实验讨论了自由流速度(自由流行程时间)、自动驾驶车辆的渗透率和安全车头时距对路段阻抗的影响.结果 表明:(1)当路段流量较小时,自动驾驶车辆的引入对路段阻抗行程时间的影响较小;(2)当自动驾驶车的渗透率为30％时,设置自动驾驶专用车道对行程时间的改善最为明显;(3)当流量较小时,自动驾驶车辆渗透率对路段阻抗行程时间的影响较小,而随着路段流量的增大,自由流速度和自动驾驶车辆渗透率将共同决定路段的行程时间.相关成果可为未来自动驾驶专用车道的规划与设计提供理论支撑.     

智能网联环境下复杂异质交通流稳定性解析

针对网联车辆与普通车辆构成的异质交通流,考虑网联车辆车对车(V2V)、车对基础设施(V2I)不同通信技术,研究复杂异质交通流稳定性.基于李雅普诺夫理论,分析对比不同通信技术下网联车辆与普通车辆构成的异质交通流稳定性;基于V2V、V2V/V2I的网联车辆和普通车辆以不同比例混合时,进行异质交通流稳定性判别及稳定域解析.通过数值仿真,验证理论解析的正确性.研究结果表明,基于V2V/V2I的网联车辆比基于V2V的网联车辆混入对异质交通流稳定性改善效果更显著.基于V2V、V2V/V2I的网联车辆同时汇入普通车辆交通流的情况下,当基于V2V的网联车辆比例较低时,不会明显提高异质交通流稳定性;而基于 V2V/V2I的网联车辆即使在低比例时,也会显著改善交通流稳定性;且基于V2V网联车辆比例较低时,平衡态临界速度值随着基于V2V/V2I网联车辆的比例增加近似呈线性减小.     

面向新型混合交通流的智能交叉口网络布局优化

考虑网联自动驾驶车辆(Connected Autonomous Vehicle, CAV)应用先进的车联网与自动驾驶技术，可以采用智能交叉口的组织形式，大幅提升交叉口的通行效率，为降低CAV与人工驾驶车辆(Human-driven Vehicle, HV)混行条件下城市交通系统的整体出行成本，提出智能交叉口在城 市交通网络中的布局优化问题，建立数学优化模型并求解。首先，基于对两类车辆行驶特性的分析，建立混合用户均衡模型，描述CAV与HV的路径选择行为；其次，从交通规划者的角度，以系统最优为目标，整合混合用户均衡模型，建立面向新型混合交通流的智能交叉口网络布局优化模型，并利用改进的遗传算法求解；最后，选取Sioux-Falls交通网络作为案例分析，验证模型与算法的有效性，并研究CAV渗透率变化对优化结果的影响。研究表明，智能交叉口在城市路网中的合理规划极大地提高了新型混行场景下城市交通系统的出行效率，同时，大幅降低了由于网联自动 驾驶单方面技术优势带来的CAV与HV的出行效率差距，增进了出行公平性。     

考虑多车影响的分子动力学智能网联跟驰模型

为研究含智能网联汽车(Connected and Automated Vehicle, CAV)和人工驾驶汽车(Regular Vehicle, RV)混行交通流下CAV跟驰行为的控制问题,考虑前后多车的速度、车头间距、速度差、 加速差等参数,采用分子动力学定量表达不同周边车辆对主体车的影响,得到可用于描述CAV在 混行交通流中的跟驰过程。稳定性分析结果表明,与全速度差模型相比,本文提出的考虑前后多车信息的CAV跟驰模型有利于提高交通流的稳定性。数值仿真与模型验证结果表明,与PATH 实验室的CACC(Cooperative Adaptive Cruise Control)模型相比,本文建立的CAV跟驰模型平均速度最大误差减小了0.19 m∙s-1 ,平均误差减小26.79%,拟合精度提高了0.91%。同时,在CAV和 RV组成的混行交通流中,随着CAV比例的逐渐增加,车队的平均速度和交通流量逐渐增加。迟滞回环曲线表明,与全速度差(Full Velocity Difference, FVD)模型相比,本文提出的CAV模型控制下的交通流稳定性更强。该模型可用于同质流或CAV与人工驾驶车辆等混行环境下的CAV跟驰控制,在目前开展混行实车实验困难的情况下,为混行交通流场景下的车辆控制及交通设施规划设计提供理论依据和模型支持。     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

面向快速路交通瓶颈的混合交通群体节流控制策略

针对传统人驾车(HV)和网联自动车(CAV)组成混合交通条件下的快速路道路缩减瓶颈问题,从群体控制角度,提出了一种新的速度协调控制策略(简称节流控制策略);基于瓶颈交通状态和Greenshields模型,设计了领航CAV速度控制器;面向CAV节流群体组群过程的控制问题,提出了目标切换下的非线性控制器;构建了CAV节流群体类队列控制器,实现了基于瓶颈交通状态的群体形态与群体速度动态调节,进而联合领航CAV速度控制方法,周期性管控超过每组节流群体的车辆;提出了CAV纵向安全控制器来解决组群和群体演化过程的车辆安全问题。仿真结果表明:在快速路瓶颈路段下,对比传统交通系统,提出的动态节流控制策略CAV渗透率达到5%,在车流量分别为2 000、3 000、5 000、6 000 veh·h-1条件下,可对应分别提高通行效率约5.87%、16.97%、11.07%、10.25%;在固定车流量为3 000或6 000 veh·h-1的快速路混合交通瓶颈路段中,对比传统交通系统,若CAV渗透率分别为10%、20%、30%,受控交通系统的通行效率可提升约24%;通过对车头间距分析,受控CAV在节流全过程中无碰撞事故发生,且可与前车保持9 m以上安全距离。可见,节流控制策略在应对快速路瓶颈问题是有效的。      

车路协同环境下群体车辆诱导与协同运行方法

为解决城市发展带来的交通拥堵问题,发掘道路交通的潜力,提高车路协同环境下车辆在路网中的行驶效率,面向群体车辆提出了一种诱导优化方法和协同控制策略;在车辆诱导分配方面,在起始点和目的地之间的可达路径中,以交通效率最优、车辆排放最小为目标,设计了基于道路饱和度、车辆行程时间和延误的群体车辆分配规则,建立了群体车辆诱导分配优化模型,并用多目标非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)和多目标粒子群优化算法进行求解;在车辆协同运行控制策略方面,基于引力场思想建立了多车协同运行模型,并提出了多车协同加减速策略;通过仿真验证比较了不同网联自动驾驶车辆(CAV)渗透率下的车辆诱导优化结果,同时仿真了车辆协同加减速策略,并将诱导优化方法和协同控制策略进行了联合仿真。仿真结果表明:多目标诱导分配方法可以提升车辆速度和环境效益,且群体车辆平均速度与CAV渗透率正相关;在四车组队行驶环境中,车辆协同加减速策略能够将车辆在加速和减速时的初始平均加速度分别提高15.0%和8.2%,让车辆快速达到目标速度,保障行车安全;在联合仿真环境中,路网群体车辆的加速度平均提高了11.6%,速度平均提高了1.6%,碳氧化合物排放量减少约4.9%。由此可见,提出的方法能够提高路网通行效率,降低车辆能源消耗,减少对环境造成的不良影响。      

新型混合交通交叉口信号与车辆轨迹协同控制方法

新型混合交通环境下的交叉口交通控制可通过信号灯控制与自动驾驶车辆的轨迹控制协同实现,能够极大地优化道路通行资源利用效率。已有研究中,信号配时与车辆轨迹集中优化的控制策略难以应用于车辆自组织控制的现实场景,且往往计算复杂度较高。本文提出一种无中心框架下基于逻辑的交叉口信号与车辆轨迹协同控制方法。基于协同理论中的快慢变量主动伺服控制原理,设计一种交叉口信号配时慢变量与车辆轨迹策略快变量协同框架,并分别提出基于逻辑的信号配时优化和网联自动驾驶车辆轨迹协同控制方法。协同控制方法可以在车辆自主控制的条件下,一方面,实现交叉口信号配时动态适应交通需求;另一方面,实现网联自动驾驶车辆主动优化驾驶速度,高效通过交叉口。而且网联自动驾驶车辆在进口道可引导混合车队高效通过交叉口,降低绿灯启动损失,提高交叉口通行效率。仿真实验表明,本文的协同控制方法相较于传统控制方法可显著降低交叉口车辆平均延误,同时,基于逻辑的决策模型可实现快速求解。通过对网联自动驾驶车辆控制策略关键参数的敏感性分析,进一步讨论新型混合交通流交叉口通行公平性,并比较在不同网联自动驾驶车辆渗透率下的控制效果。     

混合交通下智能网联车借道公交专用车道控制

为研究含人工车的混合交通流下部分智能网联车借道城市公交专用车道的控制问题，以 两个信号交叉口间公交专用车道为研究对象，提出以不妨碍公交车优先通行、满足换道动机和换 道安全条件的智能网联车借道公交车道控制策略。基于公交车道控制预测模块设计智能网联车 进入和离开公交专用道规则，采用改进最小化由换道引起的所有制动模型计算的收益作为智能 网联车换道时激励准则。期望跟随车类型若为人工车时，目标车辆礼让系数取1；妨碍公交优先 必须离开公交道时，满足安全规则即可。通过具体仿真实验予以验证，结果表明：本方法在高交 通需求下，与不允许借道控制方法、基于清空距离公交专用车道控制方法对比，人均延误分别减 少60%和40%，车均延误分别减少65%和32%，渗透率在30%~40%范围内控制效果显著。