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.     

不同交通管理策略下异质交通流稳定性分析

为研究智能网联车辆（CAV）对交通流稳定性的影响机理,对CAV车辆与人工车辆（HMV）构成的异质交通流,先建立车道管理策略下的交通流分配模型,提出车队管理策略下的车辆编队规模计算方法;再基于CAV与HMV车辆的跟驰模型,运用李雅普诺夫理论,搭建交通流稳定性分析框架;最后,构建异质交通流稳定性判别式,对比分析在不同管理策略下异质交通流稳定性的演变机理。研究结果表明：在随机混行条件下,当车辆速度大于23.12 m/s或CAV车辆的渗透率高于92%时,异质交通流处于恒稳定的状态;在车道管理策略条件下,当CAV车辆的渗透率低于60%时,异质交通流趋于稳定,随着CAV车辆渗透率的增大,通用车道稳定性开始逐级变差;当车辆采取编队控制算法且CAV车辆渗透率大于19%时,异质交通流处于稳定状态。CAV车辆在道路中随机混行,会对交通流的稳定性造成不良影响,而通过车道管理和编队控制,交通流的稳定性得到了明显改善。该研究可为智能网联汽车的安全管控及相关交通规划提供理论指导与借鉴。     

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.      

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...     

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。     

网联自动驾驶车辆混合交通流专用道管控方法

分析了网联自动驾驶车辆(CAV)混合交通流中各车辆类型及其跟驰模式下的车头间距，从通用性混合交通流特征层面理论推导了各车头间距模式的概率表达式，从而对混合交通流进行了数学描述；以混合交通流整体通行流率最大为目标，计算了多车道混合交通流中一个CAV专用道的设置条件以及专用道设置后CAV交通流在专用道和混合道上的最优交通流分配比例，将一个CAV专用道情形推广至多个CAV专用道动态管控的一般性情形，构建了混合交通流专用道动态管控的分析方法；应用案例分析论证了CAV专用道管控方法的有效性。研究结果表明：在交通需求为2 000 veh·h^-1时，各CAV渗透率阶段均无需设置CAV专用道；在交通需求为3 000 veh·h^-1时，需在CAV渗透率为0.2～0.4的阶段下考虑设置CAV专用道；在交通需求为5 000 veh·h^-1时，需考虑在各CAV渗透率阶段下设置CAV专用道；提出的CAV专用道管控方法可根据交通需求和车道总数等条件定量化计算不同CAV渗透率阶段下的最优CAV专用道数量以及CAV交通流最优分配比例，且交通需求能够影响...     

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...     

智能网联异质交通流混合特性

为研究车联网环境下异质交通流的演变规律,基于改进的NaSch模型,针对智能网联化程度的前期、中期和后期分别进行仿真实验,得到交通流基本图,并分析通行能力与网联车渗透率的内在联系;其次,通过马尔可夫链证明了网联车形成的有序排列能提高道路通行能力,随机仿真实验验证了理论推导的正确性;最后,引入考虑车辆排列方式的相对熵,从而定量描述异质车流的有序性,阐明了智能网联车辆（connected and autonomous vehicle,CAV）改善交通状况的本质原因. 研究结果表明:随着智能网联车渗透率的增加,通行能力增加,在智能网联化前期,渗透率的增加对通行能力提升较小,最高仅提升23.5%,中、后期通行能力最高能提升125.0%;在一定交通密度下,CAV渗透率与流量呈现正相关,相对熵与流量呈现负相关;智能网联车处于分离态时相对熵较小,分离态对随机混合的通行能力的提升随着CAV渗透率的增加而降低.      

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.     

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。     

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。      

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。      

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。      

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；...     

城市快速路速度引导预测控制模型

在城市快速路控制系统中,将速度引导作为控制变量,建立了宏观动态交通流模型。以车辆总行程时间与速度引导为目标函数,计算了城市快速路入口区域流量和匝道入口区域流量,建立了快速路速度引导预测控制模型,对速度引导进行优化设计,利用MATLAB软件对下游交通流突变进行仿真分析。分析结果表明:通过速度引导控制,交通流平均速度由72.704 6km.h-1上升到74.167 6km.h-1,交通流平均密度由23.011 2veh.km-1下降到21.156 7veh.km-1,波动均小于8%;速度方差下降,且最大值仅为420(km.h-1)2;速度引导控制前后的速度方差与密度方差之比分别为3.57、1.91;在交通流突变时段内,速度引导控制前后的速度方差与密度方差之比分别为4.56、2.34。可见,速度引导控制模型有效。