基于双向多车跟随式拓扑的混合车辆队列稳定性研究

车辆队列控制在提高驾驶安全性、提升交通流量、改善燃油经济性方面具有巨大潜力.现有车辆队列控制研究多针对完全由网联自动驾驶车辆组成的队列,难以应用于实际混合交通环境,而现有混合队列控制研究通常仅考虑网联自动驾驶车辆跟驰控制目标,而忽略了其对后方交通流与队列稳定性的影响.为此,研究了混合人工驾驶车辆与网联自动驾驶车辆的队列...     

混合交通环境下网联交叉口车辆协同诱导策略及仿真测试

在由智能网联汽车(CAV)与网联人工驾驶汽车(CHV)组成的混合交通环境下,以提升网联信控交叉口的行车效率、降低燃油消耗量为目标,设计了网联信控交叉口场景,在完成车辆运动学、跟驰及油耗建模的基础上,提出了一种基于车辆编队的网联车辆协同诱导策略,以平均行驶延误时间和平均燃油消耗量为评价指标,基于SUMO平台完成仿真测试。测试结果表明:在稀疏、欠饱和及过饱和交通流量条件下,随CAV渗透率的提升,通行效率和燃油经济性不断提高;在CAV渗透率低于60%时,CHV驾驶员服从度对协同行车诱导策略性能的影响更为显著。     

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。     

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。     

基于改进跟驰模型的混合车辆编队研究

现有的车辆编队控制研究多基于全智能网联环境，不适用于智能网联汽车(Connected and Automated Vehicle, CAV)与人工驾驶汽车(Human-Driven Vehicles, HDV)组成的混合交通场景，因此以混合交通环境下CAV和HDV组成的车辆编队为研究对象，引入头车及前车、后方HDV信息，提出一种改进的智能驾驶员模型(Intelligent Driver Model, IDM)。为更贴合驾驶员的操作行为，缓解优化速度模型(Optimal Velocity Model, OVM)受前车影响产生的速度波动，通过引入驾驶员误差，对OVM模型进行改进。为验证模型的有效性，分别对以上改进进行仿真对比分析，结果表明改进后的IDM模型和OVM模型组成的混合车辆编队在速度响应时间、跟驰间距、油耗、安全性、稳定性等性能方面得到明显改善。     

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、...     

网联自动车混行状态下信号交叉口通行能力分析

车头时距是表征交叉口通行能力的主要参数。为探讨网联自动车混行状态下交叉口的通行能力,通过网联自动车跟驰模型推导通过停止线的安全车头时距,分析混行状态下4种跟驰行为,针对是否考虑前车类型,基于概率模型构建混合交通流背景下交叉口通行能力模型,通过参数标定分析网联自动车速度、车头时距、渗透率及信号控制对交叉口通行能力的影响,其中人工驾驶车辆的相关参数和模拟场景中涉及的数据均为实测所得。结果表明,网联自动车速度增加、车头时距减小、渗透率增加、不考虑前车类型都会提升交叉口的通行能力,混合交通流背景下提升交叉口通行能力的根本原因在于车辆通过停止线的均衡态车头时距减小;交叉口受信号控制时的均衡态车头时距越小,通行能力降低幅度越显著。     

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。     

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。      

基于混行跟驰仿真的CAV专用进口道动态设置方法

信号交叉口是影响交通系统运行安全和效率的关键。在国家新基建战略的提出以及车路协同技术不断发展的环境下,合理设置网联自动驾驶车辆(Connected and Autonomous Vehicle,CAV)专用进口道,对信号交叉口进口道处不同网联类型的车辆进行科学的交通组织,能够提高交叉口的通行能力,降低行车延误,促进城市交通系统效率与安全的双提升。建立协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆跟驰模型和GM (General Motor)模型分别描述混行环境下网联车辆与非网联车的跟驰行为,以提高进口道通行能力、降低延误和油耗为优化目标,采取敏感度分析方法,提出不同CAV比例、进口道车道数、交通量和信号配时方案组合情况下CAV专用进口道的动态设置条件,适用于不同交通状况的信号交叉口,具有较强的普适性。数值仿真结果表明：采用该方法设置CAV专用进口道能够提高混行信号交叉口的通行能力、降低延误和车均油耗;在实际应用时,可视交叉口类型和交通智能化程度灵活选取CAV专用进口道设置方式,为混行交通流环境下交叉口进口道的交通组织优化提供理论依据和模型支持,对车路协同系统的相关研究具有参考意义。     

智能网联车辆跟驰模型及交通流特性研究

智能网联车辆(Intelligent and Connected Vehicle,ICV)跟驰模型是研究ICV交通流特性的基础模型,针对ICV跟驰模型的建模及交通流特性开展研究。分析现有ICV跟驰模型存在的缺陷,考虑模型结构简洁且参数物理意义明确的特性,提出新的ICV跟驰模型。理论推导本文ICV跟驰模型以及原跟驰模型的基本图函数关系式,对比分析通行能力的影响,考虑周期性边界条件,设计数值仿真实验,仿真分析ICV的混入对混合交通流稳定性的影响。研究结果表明:本文所提ICV跟驰模型能够克服原模型通行能力受恒定车头时距影响较大的缺陷,相比原模型而言,本文ICV跟驰模型通行能力随自由流速度的变化幅度较显著,与实际车流运行特性相符合,同时,ICV有利于混合交通流稳定性的提升,当ICV比例达到60%时,混合交通流由不稳定状态转变为稳定状态。研究结果论证了所提ICV跟驰模型具备良好的模型特性,可为智能网联环境下的交通流特性分析提供模型参考。     

欧曼超级重卡参加国内首次自动驾驶列队跟驰公开验证

<正>2019年5月7日,第5届智能网联汽车技术及标准法规国际交流会(ICV 2019)及"自动驾驶汽车列队跟驰标准公开验证试验"在天津西青区举行,这也是国内首次自动驾驶列队跟驰标准公开验证试验。最终,验证结果显示,本次进行验证的欧曼EST-A重卡以稳定车辆状态和优异的跟车距离,较同场验证的其它品牌重卡实现车间距更小,展现出福田戴姆勒汽车在自动驾驶领域尤其列队跟驰方面的技术优势,以创新引领商用车自动驾驶发展。     

网联环境下高速公路辅助驾驶车辆编队评估

为评估智能网联环境下高速公路辅助驾驶车辆编队的效果，首先基于V2X （Vehicle to Everything）和智能驾驶人模型（Intelligent Driver Model，IDM）对网联环境下的车辆跟驰行为进行建模，并对其进行参数校准；其次从安全性评价指标和通行效率两方面构建编队效果评价体系；然后通过VISSIM和VBA联合仿真，改变编队的车道、交通流量、网联车渗透率等变量进行试验。仿真结果表明，网联环境下车辆辅助驾驶编队在不同层面对于安全性与效率性都有提升；最后以不同期望速度在网联环境和非网联环境下分别进行实车辅助驾驶编队试验，以验证评价指标体系以及仿真试验的有效性。其中，实车试验结果显示，期望速度为70 km·h^-1时，网联环境下的辅助驾驶编队通行效率比非网联环境提升56%，90 km·h^-1时提升37.2%，110 km·h^-1时提升39.8%。通过与仿真试验结果对比，表明网联环境下车辆辅助驾驶编队对交通流安全性有一定程度的提升。     

考虑驾驶员操作误差的混合动力汽车队列生态驾驶控制

鉴于现有生态驾驶控制的研究多基于完全智能网联环境,不适用于传统人类驾驶汽车和网联汽车混行的交通场景,本文中以包含人类驾驶汽车和网联汽车的混合动力汽车队列为研究对象,提出一种考虑驾驶员操作误差的分层生态驾驶控制方法。基于随机模型预测控制算法设计上层控制器以实现车队机动性、燃油经济性和舒适性多目标优化,采用自适应等效燃油消耗最小化策略设计下层控制器以优化车辆发动机与电池的功率分配。仿真结果表明,所提出的方法可有效降低驾驶员操作误差导致的车队中混合动力汽车速度轨迹的偏移量,车辆平均油耗降低2.82%。     

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。      

中国重汽智能网联卡车:完成全国首次“列队跟驰”标准公开试验

<正>2019年5月7日,在天津举办的推荐性国家标准《智能网联汽车自动驾驶功能测试方法及要求第三部分列队跟驰功能》公开验证试验活动中,中国重汽作为国内智能网联汽车的先行者,派出了3辆汕德卡智能网联卡车全程参加了列队跟驰试验公开验证试验。同期共有中国重汽等3家企     

基于自然驾驶数据的跨江大桥小客车跟驰特性研究

为明确跨江大桥的跟驰行为特征以及驾驶模式,在重庆菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用华测航姿测量系统和前视碰撞预警系统Mobileye 630采集自然驾驶状态下汽车的连续行驶速度、车头时距和车头间距等数据。通过筛选得到了725条有效跟驰轨迹数据,对比分析发现跨江大桥与城市一般道路的跟驰行为存在一定差异性,明确了菜园坝大桥车头时距和车头间距的分布特征,并且对强跟驰(小于1.6 s)、过渡区间(1.6~2.6 s之间)以及弱跟驰(大于2.6 s)3种跟驰状态和驾驶人性别差异下的跟驰数据进行了分析。结果表明:桥梁段车头时距分布集中在1.6 s处,车头间距分布集中在18 m处;超过1/3的跟驰轨迹处于强跟驰状态,此状态下前车驾驶行为对跟驰车辆具有较强制约性;当车辆处于弱跟驰状态时,前车对于后车的约束性会随车头时距的增大而快速降低;过渡区间的设立更好地揭示了强/弱跟驰状态之间的转变并不是只有一个临界值,而是存在一个转换过程,并且其间车辆跟驰特性的变化与驾驶人本身的操作行为存在较大关联;驾驶人的性别差异对跟驰距离几乎没有影响,但男性驾驶人往往会采取更加冒险的驾驶行为,平均车头时距、车头间距以及相对速度均高于女性驾驶人。     

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.     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。