智能网联环境下基于安全势场理论的车辆跟驰模型

为有效刻画未来智能网联环境下交通流微观跟驰行为，以更加精确地进行车辆的运动决策，建立了基于安全势场理论下的车辆跟驰模型。模型以势场理论为基础，首先阐述了交通环境中安全势场的客观性、普遍性以及可测性，然后通过引入加速度参数对既有安全势场模型进行改进，改进后的安全势场模型能够有效刻画出在不同速度、加速度值下车辆安全势场的变化趋势。在分析安全势场变化基础上，构建的车辆跟驰模型强化了加速度参数对车辆跟驰行为的影响，由于不同速度、加速度信息在智能网联环境下车辆可以实时获取，因此该模型可应用于未来智能网联环境中。此外，在模型参数标定过程中，通过对NGSIM数据进行筛选，得到含有较多减速停车以及启动加速状态的轨迹数据，共筛选得到412组NGSIM真实跟驰车对数据，并最终利用人工蜂群算法对该模型进行参数标定。为评估模型仿真效果，选择OVM模型、IDM模型与本文模型进行比较，并选取均方根误差RMSE和平均绝对百分误差MAPE为参数标定结果评价与验证的指标，结果表明，建立的基于安全势场理论的车辆跟驰模型具有良好的精度，适用于描述考虑加速度参数条件下的跟驰行为，可为今后智能网联环境下车辆微观驾驶安全决策、交通流中观安全势场分布、交通流宏观状态估计等奠定理论基础。     

基于模糊推断的车辆跟驰模型

在微观交通流模拟中，由于驾驶行为的不确定性，难以建立精确模型。在模糊推断的基础上，以直接自然的语言描述驾驶行为准则，提出了车辆跟驰模型。     

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。     

智能网联环境下异质交通流基本图和稳定性分析

为研究人工驾驶车辆和智能网联车辆（CAVs）的混合运行对交通流产生的影响，以其基本图和稳定性为突破口研究提高异质交通流运行效率的关键技术与方法。选择全速度差模型（FVDM）作为人工驾驶车辆跟驰模型，将加州伯克利分校实车数据标定的协同自适应巡航控制（CACC）模型作为CAVs跟驰模型。建立了异质交通流基本图模型，研究了CACC车辆的混入对道路通行能力的影响；对比了不同人工驾驶模型对异质流通行能力产生的差异性。从大车-小车组成的传统异质交通流研究方法入手，利用跟驰模型建立人工-网联异质流的稳定性解析方法，并运用Matlab验证了不同CACC比例下的稳定性分析。结果表明:与人工驾驶交通流相比，CACC同质交通流的道路通行能力大约提升了95%；实验中选用不同人工驾驶模型对通行能力实验结果造成的差异不大。平衡态速度为15 m/s时，低比例CAVs（如低于20%）并不能改善交通流；当CAVs比例达到20%及以上时，异质流稳定性随着CAVs的比例增加逐渐呈现出稳定趋势；当CAVs比例达到70%以上时，异质流基本稳定。      

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。      

基于车辆个体特征的IDM模型研究

现有的跟驰模型大多基于标准驾驶行为建立,未能真实体现车辆的个体差异.文中将反应时间和车型作为车辆的个体特征加入IDM跟驰模型中.假设反应时间在驾驶员人群和单个驾驶员的反应过程中都存在离散,采用车辆尺寸,加减速性能和车头时距等要素描述不同车型的差异,建立了考虑反应时间和车型的跟驰模型.对信号灯放行状态和稠密交通流中扰动传播的仿真表明,考虑反应时间和车型的跟驰模型能较好体现交通系统的随机性和异质流特征,仿真效果与实际更加契合.      

基于时变期望车距与最大车速的跟驰模型

为了精确模拟城市交通网络中行驶车辆之间的跟驰行为,在研究跟驰状态下车辆行驶特性的基础之上,考虑车辆行驶的最大限制速度和前车速度,对基于最大车速的广义力模型进行改进.改进的跟驰模型将处于跟驰状态的车辆与前车之间的期望车间距看作是与前车、目标车车速相关的时变量.将该模型与基于最大速度的广义力(GF)模型分别用于模拟车辆跟驰过程,与实测数据进行图表对比分析,表明该模型的仿真结果更接近实际的交通流特性.     

跟车模型研究综述

车辆跟驰理论作为最基础的交通流理论分支,国外在这方面的研究已经持续了半个多世纪,随着智能交通系统(ITS)正蓬勃展开,司机行为和车辆运行特征是构建智能交通系统的基础,从微观角度研究司机、车辆在快速路中的行为特征,其成果将为防止车辆追尾事故、构建智能交通系统、实现交通仿真和估算通行能力提供理论基础。文章在认真分析国内外车辆跟驰理论领域研究的基础上认为,尽管现有的许多跟车模型已经应用于实践,但每个模型都存在或多或少的不足,综合评述已有的成果,发现已有的研究缺乏描述跟车行为的时间序列数据。     

基于VSP分布的车辆跟驰模型的油耗测算对比研究

利用GPS收集了大量北京市快速路上车辆跟驰状态下的驾驶行为数据.以GPS采集的行为数据为前车驾驶数据,采用不同车辆跟驰模型来模拟并输出后车的跟驰行为.对连续的瞬时速度按照60s集成并且划分平均速度区间,在同速度区间内对比分析了不同跟驰模型输出的机动车比功率(VSP)分布与真实分布的差异.其后,利用车载油耗仪收集实测的逐秒油耗数据,采用基于VSP分布的油耗测算方法,测算并对比了不同跟驰模型的平均油耗率和油耗因子与真实油耗的差异.研究发现前后车全速度差是车辆跟驰模型中的关键参数,其能明显提升仿真跟驰行为VSP分布的准确性,进而更准确地测算车辆跟驰状态下的燃油消耗.     

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。