协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析

在人工驾驶车辆、自适应巡航控制（ACC）车辆和协同自适应巡航控制（CACC）车辆的行车行为特征分析的基础上，运用跟驰模型和换道模型分别构建人工驾驶车辆、ACC车辆及CACC车辆在下匝道分流区混合交通流仿真环境，解析CACC车辆占比对混合交通流安全性的影响。选取全速度差模型、ACC跟驰模型、CACC跟驰模型分别作为人工驾驶车辆、ACC车辆、CACC车辆的纵向跟驰模型，利用随意换道模型、强制换道模型分别构建下匝道分流主线段、远近端区的横向换道模型。基于碰撞时间（TTC）、暴露碰撞时间（TET）、整合碰撞时间（TIT）等参数构建交通流安全性评价指标。利用MATLAB进行数值模拟，仿真分析不同CACC车辆占比下的混合交通流安全性。结果表明:CACC车辆占比为40%~50%时，混合交通流安全性恶化最严重，TET和TIT分别增加约68%和89%，车辆速度离散系数为0.9以上；通过在下匝道分流区设置远端强制换道区（设置长度≤ 1 000 m），可有效降低混合交通流的追尾碰撞风险。      

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，网联自动驾驶车辆（CAV）、自动驾驶车辆（AV）和常规人驾车辆混行的交通流将在未来长时间存在。建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型，考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素，并进行典型场景的数值仿真。刹车和起步过程的3种混流数值仿真结果显示，模型在几种典型混行场景下均具有可行性，车辆的加速度和速度变化更为平缓。不同CAV比例下的数值仿真结果显示，车队中CAV比例越高，车队整体恢复至平稳状态的时间越短，波动幅度越小。CAV均质流数值仿真结果表明，与MHVAD模型相比，该模型不稳定区域减小33.8%，所控制的车队速度波动幅度减小14%。CAV与AV混流的数值仿真结果显示，与PATH实验室模型相比，由该模型控制的车队加速度进入相对稳定状态提前5.5 s。该模型可用于不同车辆均质流及3种车辆混行的队列控制，在目前开展混行实车试验困难的情况下，也可应用该模型进行混行跟驰仿真，从而为混行交通流的道路交通管理及基础设施布设提供理论依据和模型支持。     

自动驾驶车辆混行集聚MAS控制模型

随着车路协同技术和自动驾驶技术的不断发展，越来越多的网联自动驾驶车辆（Connected and Autonomous Vehicle， CAV）涌入道路交通，与传统人工驾驶车辆（Human Pilot Vehicle， HPV）形成混合交通流（Mixed Traffic Stream， MTS）。为在提高MTS交通流量的同时保证交通安全，面向未来的混行交通环境，结合交通工程中人、车、路等要素，设计基于多智能体系统的CAV集聚控制模型（Agglomeration Control Model of Connected and Autonomous Vehicle Based on Multi-Agent System，ACMCAV-MAS）。该模型针对CAV的可控性和HPV的随机性，意在通过集聚控制，促使道路中分散行驶的CAV集聚成行驶条件更优的队列。具体以Agent的形式设计与集聚控制相关的底层车辆Agent（CAV-Agent和HPV-Agent两类）和上层管理Agent。同时，针对同质要素间的匹配和异质要素间的风险规避，区别于常规的无集聚（No Agglomeration，NOA）策略，提出车队级集聚（Platoon Level Agglomeration， PLA）和车道级集聚（Lane Level Agglomeration，LLA）2种策略及相关的CAV-Agent集聚控制算法。基于ACMCAV-MAS及元胞自动机模型，在不同交通流密度和不同CAV-Agent渗透率下进行仿真试验。结果表明：集聚策略能在60%的CAV-Agent渗透率下取得最佳效益，同时，在60 veh·km^-1密度条件下，车队级集聚策略平均能提升38.14%的交通流量，比车道级集聚的提升效果高9.73%，并能在40~50 veh·km^-1的密度范围和50%~70%的CAV-Agent渗透率条件下有效缓解交通拥堵；通过对中高密度交通流下的纵向风险分析，发现2种集聚策略在低CAV-Agent渗透率下的风险发生率无显著差异，且最大风险降低比例都能达到20%以上，然而，在实际交通情况下，集聚策略可能会在一定程度上导致横向碰撞风险的增加。在未来的工作中，将继续探究降低横向碰撞风险的方法，同时着力解决目前仿真框架中对于人工驾驶行为异质性建模不够完善的缺陷，不断优化ACMCAV-MAS，为未来MTS中自动驾驶策略的制定提供理论依据。     

智能网联环境下的混合交通流LWR模型

LWR（Lighthill,Whitham and Richards,LWR）模型可推演交通流宏观状态演化过程,在智能网联环境下混有协同自适应巡航控制（Cooperative Adaptive Cruise Control,CACC）车辆混合交通流LWR模型的研究,可为该混合交通流的宏观动力学特性分析提供理论工具。应用加州伯克利PATH真车试验验证的CACC模型作为CACC车辆跟驰模型,采用智能驾驶人模型（Intelligent Driver Model,IDM）模拟驾驶人在智能网联环境中的"智能"驾驶特性。基于不同CACC车辆比例下的混合交通流基本图,证明混合交通流基本图的切线斜率为交通波在混合车队中传播的波速,建立混合交通流LWR模型的一般性解析框架,得到混有CACC车辆的混合交通流LWR模型。最后,针对LWR模型冲击波特性,在6组平衡态条件下进行数值仿真试验。研究结果表明：所建立的混合交通流LWR模型可较好地描述不同CACC车辆比例时冲击波在混合车队中的传播波速;冲击波波速理论值与仿真均值的相对误差基本控制在10%以内,当冲击波处于由正向波转变为反向波的过渡阶段时,相对误差较大,为19%~26%,但绝对误差仍然较小。研究结果一方面可为混有CACC车辆的交通流宏观状态演化提供理论参考,具有推动该混合交通流其他宏观模型研究进展的积极作用;另一方面,建立的混合交通流LWR模型解析框架能够适应CACC车辆与人工-网联车辆跟驰模型选取的多样性,同时可为其他类型混合交通流LWR模型的建立提供理论支撑。     

交叉口左转与直行车辆动态碰撞风险估计模型

为改善交叉口安全状况,提高整个交叉口的交通安全水平,对交叉口碰撞类型之一的左转与直行车辆动态碰撞风险估计模型及警告阈值进行了研究。分析了交叉口左转与直行车辆的运行过程并基于风险内涵,提出了左转与直行车辆的动态碰撞风险估计模型;运用Vissim微观交通仿真软件仿真输出的车辆运行数据计算碰撞风险估计值。仿真结果表明,根据碰撞风险估计值变化规律可以确定出左转与直行车辆的碰撞预警阈值。     

道路交叉口不同相序下车辆碰撞风险模型研究

道路交叉口具有车辆冲突交织、碰撞风险加剧的交通安全复杂性的特点,而道路信号交叉口中的相序设计是制约降低车辆碰撞风险、提高交叉口安全性的主要瓶颈。文中针对上述问题,以道路交叉口车辆轨迹的不同冲突点和碰撞风险概率作为切入点,提出了不同相序下左转车与直行车不同驾驶行为的碰撞风险模型。根据运动学理论考虑车辆运行特性,运用条件概率的思想求出碰撞概率来表征车辆碰撞风险,从安全的本质出发提出了碰撞风险的表述方法,建立密度函数模型,从而建立基于概率计算的动态碰撞风险模型,通过VISSIM微观仿真软件仿真车辆的运行场景,利用仿真输出的运行数据计算风险值。研究结果表明,根据碰撞风险估计值变化规律可以确定不同相序下不同驾驶行为的碰撞风险预警阈值,而且能较好地反映实际交通安全状况,比较两种相序预警阈值的大小,还可以为信号交叉口相序设计提供定量依据。     

信号交叉口基于出发时刻预测的生态驾驶方法

在城市道路交通中,信号交叉口区域内车辆频繁停车启动的现象,加剧了整体交通流的能源消耗、污染排放与车辆延误。为了减少信号交叉口启停波现象对整体交通流产生的负面影响,以面向未来人工驾驶车辆(HDV)/智能网联车辆(CAV)混合构成的新型混合交通环境为基础,提出了一种基于出发时刻预测的生态驾驶方法,通过优化CAV的驾驶轨迹,减少交叉口区域的车辆延误和能源消耗。首先,对混合交通流的基本图模型进行了分析,根据启停波影响范围,划分CAV通过交叉口的驾驶场景;然后,建立了子区渗透率对饱和车头时距的影响关系,预测了CAV以当前饱和车头时距通过交叉口的时间;最后,结合车辆与交叉口的距离,利用分段三角函数模型,生成其通过交叉口的速度限制曲线,并将优化速度嵌入到智能车辆的跟驰模型中作为限制速度,从而使CAV在无法通过当前绿灯窗口的条件下,实现提前减速,在通过交叉口区域后解除速度限制,切换回自身的跟驰模型。此外,还提出了平均综合效能这一指标来综合评价驾驶策略在效率和能耗2个方面的性能,并将提出的基于出发时刻预测的生态驾驶方法与传统网联车辆控制方法、经典交叉口节能控制方法进行了对比。研究结果表明:提出的出发时刻预测方法可以精确预测CAV在交叉口的出发时刻,有效减少车辆的能源消耗与污染排放,同时提高信号交叉口的通行效率;在渗透率大于60%情况下,该方法对系统效能的提高达到12%左右,在10%渗透率条件下也可以达到6%的效能增益;在交通饱和流率在0.5~0.9的范围内时,系统的效能增益较明显。     

网联自动驾驶车辆通过信号交叉口的速度轨迹优化

以网联自动驾驶汽车(Connected Autonomous Vehicle, CAV)为研究对象, 研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略。基于最优控制理论, 采用CAV的自动驾驶模型描述车间相互作用, 以所有CAV车辆在行驶过程中的总油耗为优化目标, 根据信号灯的配时信息建立模型约束, 通过优化CAV头车的速度轨迹, 保证整个CAV车队在绿灯相位下快速通过交叉口并实现油耗最小。为了对该优化控制进行高效求解, 采用离散Pontryagin极小值原理建立最优解的必要条件, 利用基于神经网络训练的弹性反向传播(Resilient backpropagation, RPROP)算法设计了数值求解算法。多个典型场景的仿真结果显示: 整个CAV车队均能在不停车的情形下通过信号交叉口, 避免因在红灯时间窗到达停车线造成的停车、启动等过程, 总油耗量最高可减少69.74%。该控制方法利用网联自动驾驶技术的优势, 显著改善了城市交通通行效率和燃油经济性。      

网联车对抗神经网络跟驰模型

针对当前混行交通流场景下网联车对前车速度变化的实时性、安全性和车队稳定性较差的状况,提出一种由生成模型和辨别模型构成的网联车生成式对抗网络车辆跟驰模型(GANVFM)。其中,生成模型提取跟驰参数中的前车速度、跟驰车速和相对车距计算生成加速度;辨别模型对生成模型生成的加速度参数进行相似度计算,并通过更新函数加以更新。采用速度和加速度的均方差σ、追尾预测因子γn和跟驰状态因子φn作为对应的指标,对车辆的实时性、安全性和车队的稳定性进行分析。实验结果表明:GANVFM的σ和γn均最小,GANVFM对前车速度变化的实时性和安全性高;随着网联车渗透率δ的升高,φn降低、车队长度缩短,车队稳定性提高。     

智能网联环境下城市路网通行能力分析

为了探究城市路网中混有智能网联车辆(CAV)的交通流特性，研究CAV不同渗透率分布下对路网通行能力的影响。应用智能驾驶模型(IDM)和协同自适应巡航控制模型(CACC)分别作为人工驾驶车辆(HDV)和智能网联车辆的纵向速度更新规则，并建立考虑车辆到信号交叉口距离影响的横向换道规则。推导基于各渗透率等级路段占路网长度比例下的混合交通宏观基本图模型(MFD),通过SUMO仿真验证模型有效性。最后针对模型中的比例参数进行敏感性分析。结果表明：混合交通MFD可以用于异质交通流组成的城市路网宏观交通状态的有效估计与通行能力分析。当CAV渗透率均匀时，在路段渗透率高于30%时，路网通行能力提升显著；当CAV渗透率非均匀时，异质路网的通行能力随着渗透率等级较高路段比例的增加而逐渐提高，100%CAV路段比例的影响尤为显著。混合交通MFD为混有CAV的城市交通调控和CAV在路网中的路径规划提供理论参考。     

Investigating performance of a novel safety measure for assessing potential rear-end collisions: An insight representing a scenario in developing nation

Road safety is one of the major concerns in the ever-growing traffic network. In addressing this, surrogate safety measures play a critical role in identifying collision instincts. Besides the added advantage of quantifying collision instincts in advance, surrogate safety measures have their limitations. For example, in some instances, those measures tend to show erroneous results. In this paper, a new surrogate safety measure Instant Heeding Time (IHT), is presented based on follower vehicle attention in the traffic streams. This new measure is integrated with a distance gap and the vehicles' speeds to assess probable rear-end collisions. Further, along with other safety measures, the developed safety framework is tested over a study section, with the help of trajectory datasets at three traffic flow conditions (free flow, capacity, and congested) under prevailing heterogeneous (mixed) traffic conditions. Based on the safety framework, it is observed that, in the case of free flow and capacity conditions, 23 and 55 probable rear-end collisions points are detected. At the congested conditions, no rear-end collision points are observed. Further, smaller vehicles in the traffic stream are associated with a higher number of rear-end collision instincts than other vehicle categories. The conceptualized safety framework can be applied on a real-time basis for monitoring the safety measures for vehicles in a mixed traffic stream.     

智能网联混合交通流交叉口控制：研究进展与前沿

交叉口是城市道路交通运行的瓶颈点，是造成交通拥堵的问题所在。交通控制是调控交通流、预防和缓解交通拥堵的关键策略，在效费比上具有较大优势。智能网联、自动驾驶技术的发展催生了常规车辆(Regular Vehicle, RV)、网联车辆(Connected Vehicle, CV)和智能网联车辆(Connected and Automated Vehicle, CAV)组成的智能网联新型混合交通流，推动着城市道路交通控制对象、数据环境和控制手段的变革，为交通控制提出巨大挑战的同时，也为交通控制理论方法的创新发展创造了新的条件。智能网联混合交通流交叉口控制已成为国内外研究热点，尚处于研究起步阶段。根据路权特征，先从单点交叉口、干线交叉口和路网多交叉口3个层面梳理智能网联混合交通流环境下的共用设施交叉口控制研究，包括交通信号配时、车辆轨迹/路径规划以及车辆轨迹-信号配时协同控制。然后介绍自动驾驶专用设施交叉口控制研究，包括CAV专用车道、CAV专用路段、CAV专用区域和快速公交-CAV混合专用车道。通过对现有成果的梳理发现：虽然新型混合交通流交叉口控制研究取得了部分进展，但RV驾驶行为的随机性、...     

考虑预碰撞时间的自动紧急制动系统分层控制策略研究

为提升汽车的主动安全,对车辆自动紧急制动系统控制策略进行研究。利用分层控制的思想对控制策略进行建模,上层控制器为对车辆制动减速度进行决策的预碰撞时间模型,根据汽车追尾事故深度调查的驾驶员紧急制动数据分析制动系统的制动减速度,在考虑舒适性的条件下确定预碰撞时间阈值。下层控制器按照上层控制器输出的制动减速度,分析车辆轮胎模型和制动系统的关系,通过PID控制调节制动压力对车辆进行控制。在安全评价规程标准工况下验证控制策略的可靠性,通过追尾事故场景的重建来验证控制策略的有效性。仿真结果表明:设计的控制策略在相对车速65km/h以内时能有效避撞,而高于65km/h时能最大程度地降低碰撞车速,减小伤害。     

基于线性路径跟踪控制的换道避撞控制策略研究

为实现车辆自主避撞，改善道路交通安全状况，提出一种基于线性路径跟踪控制的换道避撞控制策略。为实时确定制动和换道时机，获取跟车状态下自车和前车车速、加速度、相对距离以及驾驶人制动反应时间计算制动安全距离和换道安全距离，并在此基础上分别引入制动危险系数B和换道危险系数S评估制动与换道风险，使得车辆发生追尾碰撞的危险程度和主动干预阈值更直观。根据车辆期望横向加速度和期望横向位移的变化特性，采用5次多项式法规划符合驾驶人换道避撞特性的避撞路径。为保证换道避撞过程中驾驶人的安全舒适，采用最大横向加速度约束换道避撞轨迹。为实现对换道避撞路径的线性跟踪控制，保证车辆的操纵稳定性和横摆稳定性，基于车辆稳态动力学模型建立前馈控制，结合线性反馈控制消除换道路径的位置和横摆角偏差，修正参考路径实现直车道场景追尾避撞控制。仿真和实车交叉验证试验表明：根据车辆期望横向加速度和期望横向位移建立的符合驾驶人换道避撞特性的五次多项式换道路径与驾驶人实际换道避撞路径基本吻合，结合碰撞时间和车间时距的制动避撞控制策略能够在保证车辆行驶安全舒适性的同时有效避免车辆追尾碰撞，减少交通事故的发生。     

自适应巡航及协同式巡航对交通流的影响分析

自适应巡航（ACC）和协同式自适应巡航（CACC）等自动驾驶技术正逐渐进入市场，未来一段时间内道路交通流将由人工驾驶车辆与不同等级、不同形式的自动驾驶车辆混合构成。为分析ACC和CACC对交通流的影响，利用实测交通数据NGSim建立人工驾驶车辆跟驰模型，并在综合已有ACC和CACC模型的基础上，提出基于安全间距的自动驾驶跟驰行为模型，进而得出不同ACC，CACC车辆渗透率下交通流的基本图模型。研究结果表明：自动驾驶可以提升交通容量；与ACC车辆比例r_a相比，CACC车辆比例r_c对交通容量的影响更为显著；当r_c>0.5时，饱和流量快速增加，当r_c=1时，饱和流量约为纯人工驾驶时的2倍。进一步，通过仿真考察车辆在车队中的跟驰响应和交通流在瓶颈处的运行情况。研究结果表明：自动驾驶改善了交通流的动态特性，对存在跟驰关系的连续车流来说，自动驾驶使得后车可以更加及时地响应前车的行为，车流会在更短的时间内进入稳态；在交通瓶颈处，自动驾驶降低了拥堵程度，提高了阻塞发生的临界流量。总体来看，自动驾驶对交通流静态和动态性能均有所提升，特别是在协同式自动驾驶场景下，车辆行为更加协调一致，交通流表现出良好的抗扰性，进一步验证了车路协同对自动驾驶的意义。     

队列车辆碰撞严重性及车队排布策略

针对自动驾驶车辆队列发生不可避免碰撞的事故场景,研究以整体碰撞严重性达到最低为目标的车队排布策略.首先根据引发事故的障碍物是否会明显影响领航车运动,将碰撞划分为队内碰撞和队外碰撞.队列几何构型一定时,针对均质化队列发生一维碰撞过程建立理论模型,计入碰撞前车辆对前车紧急制动的感应及自车进行紧急制动的过程,计算并定义时间截...