混有CACC车辆和ACC车辆的异质交通流基本图模型

针对协同自适应巡航控制(CACC)车辆市场普及过程中存在的CACC车辆、自适应巡航控制(ACC)车辆与人工驾驶汽车混合行驶的异质交通流,应用智能驾驶模型(IDM)和由加州大学伯克利分校PATH实验室实车验证的ACC模型、CACC模型分别作为人工车辆、ACC车辆和CACC车辆的跟驰模型,建立能够反映异质交通流中3种车型相互关系的解析表达。基于此,推导不同CACC车辆渗漏率p下的异质交通流基本图模型,并针对异质交通流基本图散点分布与基本路段通行能力,设计数值仿真试验。最后,针对ACC车辆和CACC车辆的期望车间时距进行参数敏感性分析。研究结果表明:建立的异质交通流解析表达与随机性仿真试验的误差小于1.5%,异质交通流基本图解析可取代基本路段通行能力的仿真试验,用于分析不同p时的异质交通流通行能力;ACC期望车间时距ta取值1.1 s时,交通流通行能力随着p的增加逐渐提升;当t_a=1.6 s,p低于30%时,异质交通流通行能力与传统人工车辆通行能力基本相当;当t_a=2.2 s,p低于40%时,异质交通流通行能力低于人工车辆通行能力;同时,CACC车辆期望车间时距tc越小,异质交通流通行能力越大;建立的异质交通流解析表达可为异质交通流其他特性的解析研究提供思路,异质交通流基本图解析结果,从通行能力的角度为ACC,CACC上层控制器设计提供期望车间时距取值的参考。     

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。      

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。     

智能网联车环境下考虑反应时间影响的基本图模型

未来年由一定比例的智能网联车与人工驾驶车辆组成的异质交通流是当前交通流领域研究的前沿和热点。为研究智能网联车与人工驾驶车辆反应时间的差异对异质交通流宏观特性的影响,基于智能驾驶员模型推导出了包含反应时间与智能网联车比例的异质交通流基本图模型。首先,考虑反应时间对驾驶行为的影响,对传统IDM进行了改进;其次,基于改进后的IDM推导出了异质交通流宏观基本图模型,并分析了反应时间与智能网联车比例对异质交通流通行能力的影响。同时,对模型中通行能力的影响因素进行了敏感性分析;最后,借助MATLAB与VISSIM搭建了智能网联环境仿真平台,对本研究提出的模型进行了验证。结果表明:(1)智能网联车比例的增大能提高异质交通流的通行能力,但反应时间对通行能力具有消极影响作用;(2)自由流速度越大,异质交通流的通行能力越大;(3)最小车头间距越大,异质交通流的通行能力越小,且最小车头间距每增加0.2 m,异质交通流的最佳密度减小约0.15 veh/km,对应的最大流量减小约10 veh/h。仿真试验显示不同智能网联车比例下的仿真数据与理论曲线有较高的一致性,从而表明理论模型是正确和有效的。     

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。     

考虑前车安全速度效应的自动驾驶车辆异质交通流特性分析

随着自动驾驶技术的发展,自动驾驶车辆获取的信息更加完善。为研究考虑前车安全速度效应条件下自动驾驶车辆对高速公路交通流的影响,以双车道元胞自动机模型为基础,建立考虑前车安全速度效应的跟驰规则和换道模型。利用MATLAB数值模拟高速公路异质交通流,分析考虑前车安全速度效应的自动驾驶车辆对道路交通流的影响,并分析车辆的拥堵情况和换道情况。研究表明,考虑前车安全速度效应的自动驾驶车辆可以显著提升道路通行能力,全自动驾驶车辆可达全人工驾驶车辆交通流的近似2倍;考虑前车安全速度效应的自动驾驶车辆的增加可以降低道路拥挤程度,全自动驾驶车辆比全人工驾驶车辆发生拥堵的临界密度提高了20 veh/km;自动驾驶车辆渗透率的增加会增加相应的换道次数,全自动驾驶车辆情况下,自动驾驶车辆基本不发生换道行为,同时智能网联车辆可以减小暴露碰撞安全性风险。     

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。     

自动驾驶专用车道影响下的CACC车流管理策略

自动驾驶专用车道对混合交通流的作用与协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车流大小相关.为分析已存在自动驾驶专用车道场景下CACC车流在各车道上的分布情况对交通流的影响,利用已有的人工驾驶车辆(Human-driving Vehicle,HV)和CACC跟...     

智能网联环境下的城市路网容量可靠性分析

网联自动驾驶车辆（CAVs）与人工驾驶车辆（HDVs）混行的交通发展模式会促进城市路网容量发生变化，为解析混合交通流对城市路网容量可靠性的影响，构建了智能网联环境下城市路网容量可靠性双层规划模型。为表征CAVs信息获取与自动驾驶的能力，假定CAVs遵循系统最优原则选择路径，而HDVs则根据自身经验选择路径，基于二者路径选择的差异建立描述混合交通分配的下层模型，刻画智能网联环境下的混合交通流分配特性。并且，为了快速求解大型路网交通分配，将下层混合交通分配模型转换为非线性互补下问题进行求解。考虑到实际路网的随机性，以及路网道路通行能力并非固定值，运用具有多种相关性的均匀随机分布理论，建立了的描述城市路网容量可靠性的上层模型。通过蒙特卡洛仿真分析不同CAVs渗透率下的路网容量可靠性，并进一步解析各路段对路网容量可靠性的敏感度。结果表明:当需求水平d > 0.5时，路网容量可靠性开始降低；当d > 0.7且CAVs渗透率λ＝0时，可靠性小于0.4；当d > 0.7而λ＝1时，可靠性接近1，说明CAVs可增强路网容量可靠性。研究还发现，当需求水平处于0.7~1区间时，渗透率的变化对路网容量可靠性有显著的影响，但随着需求的增大，路网处于超负荷状态，渗透率对路网容量可靠性影响较小。此外，CAVs渗透率从0增加至1的过程中，路网中存在“道路容量悖论”现象的道路从19条下降至3条，且当λ＝1时路网中仅有1条道路出现了显著的“道路容量悖论”现象，拥堵严重。表明CAVs渗透率的增大可以显著改善路网中的“道路容量悖论”现象，减少路网容量可靠性的波动，提高路网运行稳定性。      

Handling Cut-In Vehicles in Strings of Cooperative Adaptive Cruise Control Vehicles

Cooperative adaptive cruise control (CACC) systems are a candidate to improve highway capacity by shortening headways and attenuating traffic disturbances. Although encouraging results have been obtained until now, a wide range of traffic circumstances has to be investigated in order to get reliable CACC systems driving on real roads. Among them, handling both vehicle-to-vehicle (V2V) communications-equipped and unequipped vehicles merging into the string of CACC vehicles is a commonly mentioned challenge. In this article, an algorithm for managing the transitions in response to cut-ins from V2V- or non-V2V-equipped vehicles is developed and tested using a string of four CACC vehicles. A CACC controller is implemented in four production Infiniti M56s vehicles and tested in real traffic, where non-V2V-equipped vehicles can cut in. The effects of a vehicle performing a cut-out are also investigated. Then responses to cut-ins by equipped and nonequipped vehicles are simulated for longer strings of vehicles using car-following models for both the production adaptive cruise control (ACC) system and the newly developed CACC controller. Results demonstrate that the CACC system is able to handle cut-in vehicles without causing major perturbations, while also reducing significantly the impact of this maneuver on the following vehicles, improving traffic flow.     

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。     

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。     

基于动态清空距离的特殊车辆与CAVs混合车道控制

特殊车辆的优先通行是道路交通管理的一项重要工作,而目前相关控制措施存在实施难度较大、道路空间利用率低和道路通行能力下降等问题。为解决这些问题,结合智能网联汽车（CAVs）技术特点,提出考虑特殊车辆优先通行的CAVs专用车道控制方法,按应急车辆、一般优先级车辆和CAVs的优先通行顺序设计车辆通行规则。通过预测特殊车辆到达下游交叉口时的路口排队长度,建立“满足不同优先级特殊车辆通行需求”的动态清空距离模型,其中应急车辆以速度损失最小化为优化目标,一般优先级车辆以均衡车辆通行需求为优化目标。针对CAVs在专用道上可能成为其他车辆通行障碍的情况,考虑换道安全和不同换道动机,设计CAVs进入和离开专用道的规则,建立换道决策控制模型;在此基础上,提出适用于不同优先级车辆的专用车道通行控制策略。通过仿真实验对所提方法的控制效果予以分析验证。实验结果表明:与不考虑特殊车辆优先通行的控制方法相比,虽然该方法的车均出行时间和人均出行时间分别增加了3.9%和2.8%,但特殊车辆的车均延误时间减少了59.6%以上;与IBL控制方法相比,该方法的车均出行时间和人均出行时间分别减少16.7%和14.6%,特殊车辆的车均延误时间减少13.5%,专用车道利用率提高36.3%以上,并且在CAVs渗透率大于0.4时获得最佳控制效果。该控制方法在特殊车辆优先通行方面,减少了单一控制策略的局限性,为交通控制和管理提供理论支撑。      

基于动态风险饱和度的高速公路交通安全分析

为了反映高速公路运营安全状况，提出了动态风险饱和度理论，构建了动态风险饱和度模型和计算方法。依据路段不同交通饱和度下车辆的驾驶行为，以路段交通安全为约束，研究了跟车行驶和换道行驶2种驾驶状态下，考虑车速变化及雾天等特殊天气条件影响的路段平均最小安全车头时距计算方法，利用建立的安全车头时距与安全流量之间的转换关系，得到不同驾驶状态下的路段安全流量。在不同车辆驾驶状态切换阈值下，计算路段实际交通流量与路段安全流量的比值得到高速公路路段动态风险饱和度值。以G3高速公路某改扩建路段所在路网为例进行验证，计算得到了路网中各路段不同切换阈值下的动态风险饱和度值。动态风险饱和度随着交通饱和度的增大，呈现稳定的先增大后减小的规律，且在换道行驶状态时达到最大，在跟车行驶状态时开始下降，与现有交通安全状态分析相吻合。相较于交通饱和度，动态风险饱和度更能够反应出高速公路路段交通安全动态变化的规律。      

不同渗透率下自动驾驶混合交通流在天气条件影响下的通行能力建模

随着世界范围内对自动驾驶汽车及其相关产业发展的高度重视,自动驾驶车辆上路已成为重点领域协同创新、构建未来交通系统的重要载体。本文主要研究自动驾驶车辆不同渗透率参与的混合交通流受场景天气条件的耦合影响因素下的复杂车辆行为逻辑分析,影响机理解析,跟驰模型及通行能力模型构建等。最后我们通过SUMO仿真实验对模型进行嵌套及分析,以期对自动驾驶汽车在测试及上路引导中起到重要理论决策依据。