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。     

跟跟驰驰自自动动驾驾驶驶车车时时人人驾驾车车行行为为研研究究：实证与建模

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,智能网联车辆（Connected and Automated Vehicle,CAV）、自动驾驶车辆（Autonomous Vehicle,AV）和人工驾驶车辆（Human-driven Vehicle,HDV）混行的状态将在未来一段时间内存在。在混行条件下,车辆间的交互影响模式将发生变化。本文以HDV跟驰AV的驾驶行为为研究对象,通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型（Intelligent Driver Model,IDM）,建立了前车为AV时的HDV跟驰模型。该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定,能根据不同跟驰风格采取相应的跟驰策略。经数据拟合检验,该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据,其中直行跟驰的平均拟合精度为96.2%,转弯跟驰的平均拟合精度为91.4%。可见,本文提出的模型可以刻画HDV跟驰AV时的行为特征。在目前难以进行大规模混流实车实验的情况下...     

考虑多前车反馈的智能网联车辆跟驰模型

基于智能网联车辆(Connected Autonomous Vehicle, CAV)跟驰特性,本文研究CAV跟驰模型.考虑多前车电子节气门角度反馈,构建CAV跟驰模型,并应用稳定性分析方法,推导所提模型稳定性判别条件.以考虑3辆前导车的CAV跟驰模型为例,设计数值仿真实验,分析不同CAV比例时混合交通流的安全性.模型稳定性分析表明：所提模型相比已有模型(CAV的T-FVD模型及常规车辆FVD模型)具备更优的稳定域,且考虑前车数量越多、多前车反馈权重系数越大,所提模型的稳定性越好;相同取值条件下,距离越远处的前车反馈权重系数对所提模型稳定性的影响越大.数值仿真表明,CAV有利于降低交通流的车辆尾部碰撞安全风险.     

考虑速度对反应强度影响的车辆跟驰模型

全速度差(FVD)跟驰模型考虑了速度差对司机驾驶行为的影响,但是其仍不能反应车辆跟驰过程中的非对称性。在FVD模型的基础上,考虑司机对速度差的反应强度受车辆当前速度的影响,建立了新的模型。新模型能够解释司机加速和减速过程中的非对称性现象出现的原因:司机对前后车速度差的关注强度与车辆当前速度大小成负相关,从而造成司机减速过程比加速过程更为急促。模型的自然稳定曲线也表现出车辆的减速和加速过程的非对称性。计算机仿真结果指出新模型能够描述车辆跟驰过程中的非对称性,并指出当前速度是引起这种非对称性的原因之一。     

车辆荷载特性影响下的碰撞时间分布规律

受车辆荷载特性影响的碰撞时间(Time-To-Collision, TTC)，被认为是车辆避撞系统中跟驰过程风险评估的有效指标.本文以车辆类型、超重和超速指标量化表征车辆荷载特性，分解前后车辆不同荷载特性组合的12类跟驰场景.基于动态称重技术获取融合荷载特性的交通流数据，分析车辆荷载特性对自由流交通状态下12类跟驰场景TTC分布的影响，利用KS 检验对比TTC分布的显著性.结果表明：TTC累计频率分布服从指数模型，在5%置信度水平上，跟驰前后车的车辆类型对TTC分布无显著影响；前后车均为超重轻车显著增加了潜在冲突风险，超重增加了轻车跟驰重车，轻车跟驰轻车场景的潜在冲突风险；前后车不超速跟驰场景下，轻车跟驰重车的风险比例高于轻车跟驰轻车.     

混合交通环境下网联自动驾驶车辆跟驰模型与优化策略

为进一步提高混合交通环境下车辆的行车效率与交通流的稳定性，在考虑后视效应的基础上，融合多辆前车速度与加速度等状态信息，以指数平滑方式构建了网联自动驾驶车辆(CAV)跟驰模型；在此基础上，研究了前后方车辆数和状态信息完整度对模型稳定性的影响，结合Lyapunov第一方法和线性谐波微扰法进行了线性稳定性分析，并确定了模型最优参数；利用混合交通环境特性，在考虑通信信息丢失的情况下提出了CAV在不同位置和状态下的跟驰策略，并在该策略支撑下进行了不同CAV渗透率的车辆启动、车辆刹车停止、环形道路3个典型场景下的数值仿真。研究结果表明：在刹车停止场景中，全部车辆的停止波速最大提高了26.1%;在车辆启动场景中，启动波速最大提高了15.5%,车辆加速度和速度变化更为平缓；在环形道路场景中，当混合交通流中CAV渗透率由40%提高至100%时，在较大扰动条件下车辆的平均速度波动时间相较于低CAV渗透率场景下降了44.8%,波峰下降了5.7%,波谷上升了19.4%,而CAV渗透率较低时提出的优化策略对混合交通流的改善并不明显。由此可见，在当前构建实际混合交通环境与开展CAV实车试验比较困难的情况下，该跟驰...     

基于分子动力学的车流运行动态特性及其模型

车辆跟驰行为受前导车和道路环境等的影响,将车辆抽象成相互作用的分子,基于分子动力学构建相互作用势函数,建立基于相互作用势函数的分子跟驰模型.采集试验路段不同点位的交通流样本,从视频中获得所需数据,并对加速度波动特性进行分析.将车辆运行状态分为常态行驶,起动加速和减速停车3种,根据实测交通数据对3种车辆运行状态进行模型参数标定,同时对分子跟驰模型进行稳定性分析验证,结果表明,相对于经典GM模型,分子跟驰模型稳定性更好,对实际交通状态拟合程度更高.     

前后多车影响的跟驰模型及稳定性分析

驾驶员在跟车行驶过程中,通常会通过视野前后车辆的行驶状态来调整自己的跟驰行为,基于此本文提出了一种考虑驾驶员视野内双前车和后车对跟驰车辆影响的改进跟驰模型.根据线性稳定分析方法,得到了改进模型的中性稳定性条件,并通过计算机仿真模拟进行了验证.为了进一步加强验证结果及说明改进模型的优越性,同经典FVD模型进行了数值仿真对比.仿真结果表明：灵敏度α越大越有利于提高改进跟驰系统的稳定性;同经典FVD跟驰模型相比,改进模型抵抗干扰的能力更突出,能够消散交通系统中的微小扰动,具有抑制交通拥堵和稳定交通流的有利作用.     

车辆协同巡航控制系统设计改进与试验评价

为提高交通流运行的机动性、稳定性，对车辆协同巡航控制(CACC)系统进行了改进设计. 基于经典Newell 模型提出了考虑CACC的改进跟驰模型，分析了所提出的CACC改进跟驰模型的动力学特性，给出了CACC改进跟驰模型的线性稳定性条件，并对由CACC车辆和非CACC车辆组成的非均匀车队的不同无线通讯拓扑结构进行了比较研究. 通过数值试验进一步研究了在起步、刹车和意外事件的情况下，CACC车辆的存在对交通流动力学的影响. 研究结果表明，通过合理设计CACC跟驰系统的模型参数取值后，CACC车辆的存在一方面可以提高交通流运行的机动性与稳定性，另一方面可以使交通出行更加的安全和舒适. 此外，由于不同车队中CACC车辆的无线通讯拓扑结构会影响交通流的机动性与稳定性，对于 CACC车辆的无线通讯拓扑结构应慎重的设计与优化.     

车辆荷载特性影响下的碰撞时间分布规律

受车辆荷载特性影响的碰撞时间(Time-To-Collision, TTC),被认为是车辆避撞系统中跟驰过程风险评估的有效指标.本文以车辆类型、超重和超速指标量化表征车辆荷载特性,分解前后车辆不同荷载特性组合的12类跟驰场景.基于动态称重技术获取融合荷载特性的交通流数据,分析车辆荷载特性对自由流交通状态下12类跟驰场景TTC分布的影响,利用KS 检验对比TTC分布的显著性.结果表明：TTC累计频率分布服从指数模型,在5%置信度水平上,跟驰前后车的车辆类型对TTC分布无显著影响;前后车均为超重轻车显著增加了潜在冲突风险,超重增加了轻车跟驰重车,轻车跟驰轻车场景的潜在冲突风险;前后车不超速跟驰场景下,轻车跟驰重车的风险比例高于轻车跟驰轻车.     

车路协同环境城市快速路分流区通行能力提升策略

根据车路协同环境城市快速路分流区不同车型的自动、人工驾驶混合车流特征，引入动态加速度、可变换道概率改进元胞自动机模型车流运行规则；设计了考虑主路自动驾驶渗透率、大型车混入率、驶出自动驾驶渗透率、驶出车流率、出口匝道车道数、换道决策点距离等因素耦合作用的分流区换道仿真试验；对比分析了多因素耦合作用下驶出车辆自由换道率、平均换道距离等指标影响程度，研究了城市快速路分流区道路通行能力变化规律；提出了基于可变换道决策点距离的分流区道路混合车流通行能力提升策略。研究结果表明:分流区驶出车辆自由换道率越高，道路通行能力越大；主路车流自动驾驶渗透率对通行能力的影响最为显著，自动驾驶环境可达到人工驾驶环境道路通行能力的2倍；出口匝道车道数对通行能力的影响不显著，2条出口匝道比1条出口匝道的通行能力提升约3%；换道决策点距离对通行能力的影响较为显著，车辆换道决策点距离从100 m增加到150 m时，分流区道路通行能力可提高9.6%~10.6%。可见，可借助移动式交通标志提前引导车辆换道决策，显著提高分流区道路通行能力。      

手动-自动驾驶混合交通流元胞传输模型

为了分析自动驾驶车辆对交通流宏观特性的影响, 以手动驾驶车辆与自动驾驶车辆构成的混合交通流为研究对象, 提出了不同自动驾驶车辆比例下的混合交通流元胞传输模型(CTM); 应用Newell跟驰模型作为手动驾驶车辆跟驰模型, 应用PATH实验室真车测试标定的模型作为自动驾驶车辆跟驰模型; 计算了手动驾驶与自动驾驶车辆跟驰模型在均衡态的车头间距-速度函数关系式, 推导了不同自动驾驶车辆比例下的混合交通流基本图模型, 计算了混合交通流在不同自动驾驶车辆比例下的最大通行能力、最大拥挤密度以及反向波速等特征量, 依据同质交通流CTM理论建立了不同自动驾驶车辆比例下的混合交通流CTM; 选取移动瓶颈问题进行算例分析, 应用混合交通流CTM计算了不同自动驾驶车辆比例下的移动瓶颈影响时间, 应用跟驰模型对移动瓶颈问题进行微观数值仿真, 分析了混合交通流CTM计算结果与跟驰模型微观仿真结果之间的误差, 验证了混合交通流CTM的准确性。研究结果表明: 混合交通流CTM能够有效计算移动瓶颈的影响时间, 在不同自动驾驶车辆比例下, 混合交通流CTM计算结果与跟驰模型微观仿真结果的误差均在52 s以下, 相对误差均小于10%, 表明了混合交通流CTM在实际应用中的准确性; 混合交通流CTM体现了从微观到宏观的研究思路, 基于微观跟驰模型与目前逐步开展的小规模自动驾驶真车试验之间的关联性, 混合交通流CTM能够较真实地反映未来不同自动驾驶车辆比例下单车道混合交通流演化过程, 增加了模型研究的应用价值。      

考虑车流异质性的信号交叉口疏解车辆跟驰模型

为客观地描述绿灯期间交叉口进口道异质疏解车流的跟驰行为，基于实测数据验证全速差模型发现，其加速度、速度、车间距的仿真结果存在较大误差. 考虑不同车型车辆性能和驾驶员驾驶行为差异，基于4 种跟驰情景，即小客车跟驰小客车(car-car)，小客车跟驰公交车(car-bus)，公交车跟驰小客车(bus-car)，公交车跟驰公交车(bus-bus)，建立考虑车流异质性的车辆跟驰模型. 结果表明，改进模型的性能提升明显，较全速差模型，速度和跟驰间距的均方根百分比误差(RMSPE)分别下降了15.29%，22.32%，更符合交叉口进口道异质疏解车流的跟驰行为.     

连续流交叉口信号协调配时及延误模型

为解决连续流交叉口车辆二次停车和人-车冲突问题,防止车辆排队溢出,破坏连续流交叉口稳定的运行状态,提出人-车信号协调优化控制策略。根据车流运行特征,协调主、预信号配时,优化信号相位方案,以车均延误最小为目标构建优化模型。通过仿真对比可知,本文模型计算的延误估算误差在5%以内。通过案例分析可知,现状方案南北左转车均延误和车均停车次数是优化方案的2倍以上,说明优化方案避免了车辆二次停车;从整个交叉口来看,优化方案在两种流量场景下,车均延误分别降低了27.8%、18.5%,提升了交叉口运行效率。通过敏感性分析发现,移位左转车道长度在100 m时,综合效益最佳。     

非机动车跟驰模型的研究

交通仿真技术的广泛应用,提高了方案预测的准确性和实时再现性。在以模拟机动车为主的仿真软件不能较好满足国内混合交通的背景下,非机动车跟驰模型的研究尤为重要。论文首先参照机动车定义了非机动车的虚拟行车道,提出了跟驰状态的判断条件,以此作为非机动车跟驰行为的研究基础。其次,以车辆间应保持的最小安全车头间距为思路,充分考虑非机动车中电动自行车与自行车之间的差异,构建了非机动车的跟驰模型。最后,将模型所涉及的参数与宏观的交通流参数联系起来,通过流量、速度和密度关系,验证了模型的有效性。研究对于完善现有的交通仿真软件具有一定的参考和实用价值。     

不同CACC渗透率条件下的混合交通流稳定性分析

未来协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆和传统车辆混合交通流的稳定性决定了CACC技术对交通拥堵、能耗排放的改善程度.鉴于此,研究不同CACC渗透率时这种混合交通流的稳定性.应用基于轨迹数据标定的IDM(Intelligent Driver Model,IDM)模型和由加州伯克利PATH实验室实车测试验证的CACC模型分别作为传统车辆跟驰模型和CACC车辆跟驰模型.依据传统车辆在扰动下的稳定性,确定高稳态速度和低稳态速度,并考虑两种车型相对数量、相对位置的随机性,设计数值仿真实验.实验结果表明,在高稳态速度下,不同CACC渗透率时混合车队均整体稳定;在低稳态速度下,当CACC渗透率较小时,车队整体不稳定,CACC渗透率需达到50%以上时,才有可能使得混合车队由不稳定转变为稳定.     

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。      

车辆长度和速度对双车道交通流的影响

为研究大型车辆转道及敏感驾驶行为对公路交通的影响,在SDNS(Sensitive Driving Nash)交通流模型基础上,引入长短车辆转道规则,假定双车道上同时存在长度和最大速度均不同的车辆,建立混合交通流模型.在周期性边界条件下,模拟得到当转道概率、混合比例、减速概率、车辆长度、速度等参数改变时,混合交通流的速度、流量与密度的基本图.仿真结果表明,系统临界密度、最大平均速度、流量随减速概率增加而减小;当慢速长车占总车辆比例大于50%时,更容易产生阻塞,此时车辆转道成功率小于5%;当系统中长车比例为50%时,流量峰值仅为0.42,比全小车的情况减少了20%;长车是造成转道困难的主要因素,当转道概率均为50%时,系统长车比例从25%增加至75%,转道成功率最大值由6.32%减少至2.78%.