混入智能网联车队的混合交通流元胞自动机模型

分类：电子论文 时间：2022-01-18 热度：749

　　摘要：针对现有自动-手动驾驶混合交通流元胞自动机模型未考虑智能网联车队队列行为，提出了考虑智能网联车队的混合交通流元胞自动机模型，研究混入智能网联汽车车队的混合交通流特征。首先，对混合交通流中的跟驰行为进行了分析。然后，基于跟驰行为的特征，分别构建人工驾驶模式、自适应巡航模式、协同自适应巡航车队模式的元胞自动机规则。最后，基于数值仿真实验对不同智能网联车渗透率下的混合交通流特性及拥堵情况进行了分析。结果表明，智能网联汽车的应用可显著提高道路通行能力和车辆平均速度，进而有效地缓解交通拥堵。

　　关键词：智能网联汽车车队;交通流特性;元胞自动机;混合交通流;渗透率

　　引言

　　智能网联汽车作为车联网与智能汽车有机结合的新兴产物，近年来在世界范围内快速发展。最新研究表明[1]，2045 年城市道路上 L4 级别的智能网联车渗透率预计仅能达到 24.8%。这表明未来道路将会有很长一段时间呈现人工驾驶车与智能网联车混行的局面[2]。同时，当智能网联汽车组成车队时，不仅能够减少车辆油耗，还能极大地增加道路和交叉口的通行能力[3]。因此，研究混入智能网联车队的混合交通流特性将具有重要的意义。

　　元胞自动机可以通过简单的规则，较为真实地模拟复杂的交通现象。Nagel 和 Schrekenberg [4-5]在 1992 年提出的经典 NS 元胞自动机交通流模型。随后，许多学者将 NS 规则根据实际应用场景进行了改进，如：TT 模型[6-7]、巡航控制极限模型[8-9]、 FI 模型[10-11]、前车速度效应模[12-13]、敏感驾驶模型 [14]和 MCD 模型[15]等，这些模型都在一定程度上重现了特殊的交通现象。随着智能网联车的发展，相关学者采用元胞自动机模拟混入智能网联车的混合交通流特征。Lo 等[16]提出了四个包含自动控制安全系统的元胞自动机模型，并与 NS 模型、TT 模型和 BJH 模型进行了对比，结果表明该模型可以显著提升高速公路的通行能力。邱小平等[17]将 Gipps 安全距离规则引入 NS 模型中，提出了基于安全距离的手动-自动驾驶元胞自动机混合交通流模型。数值仿真结果表明，随着自动驾驶车辆比例的增加交通拥堵会显著降低，且自动驾驶车辆采用较小的反应时间有利于道路通行能力的提高。Liu 等[18]基于元胞自动机研究了手动-自动驾驶车辆混合交通流的安全问题，得出了应合理设置自动驾驶车辆安全间距进而减少事故率。从以上分析可知，元胞自动机被广泛应用于交通流特性的研究。但现有研究仅考虑了智能网联车单车驾驶行为，未考虑多辆智能网联车跟驰时会形成车队队列的情况。因此，智能网联车队对混合交通流特性的影响机理尚待揭示。为解决该问题，本文研究混入智能网联车队的混合交通流元胞自动机模型。首先，分析了混合交通流中存在的 3 种跟驰模式;在此基础上，引入智能网联车队概念，分别构建了不同跟驰模式下的元胞自动机模型;最后，设计了数值仿真实验，对智能网联环境下的混合交通流相关特性进行了分析。

　　1 跟驰特性分析

　　当道路上同时存在智能网联车与人工驾驶车时，不同车辆的跟驰特性可由图 1 描述。通过分析可知，共存在 3 种跟驰模式：(1)人工跟驰模式(HDV);(2)自适应巡航模式(ACC);(3)协同自适应巡航模式(CACC)。

　　1.1 人工跟驰模式

　　由图 1 可知，HDV 跟驰模式包括两种情况，分别为：①本车为人工驾驶车，前车为智能网联车; ②本车和前车均为人工驾驶车。此时，本车均为人工驾驶车，故当前车驾驶行为发生改变时，本车驾驶员在采取措施之前需要时间感知、识别并判断前车行驶状态的变化，本文将其称为反应时间。该模式下反应时间由驾驶员本身决定，且由于驾驶员心态等不确定因素，本车可能会产生随机的车辆减速现象。

　　1.2 自适应巡航模式

　　若本车为智能网联车，前车为人工驾驶车，则两车间的跟驰模式为 ACC 模式。由于前车为人工驾驶车，两车之间无法实现通信，本车基于车载感知系统来获取前车的状态信息。当前车驾驶行为发生改变时，本车可迅速感知并采取相应的措施。此时，反应时间为车载感知系统的处理时间，与 HDV 模式相比较短。

　　1.3 协同自适应巡航模式

　　若本车与前车均为智能网联车，则两车间的跟驰模式为 CACC 模式。本车与前车可进行实时的通讯，来实现驾驶行为的同步改变。因此，可将其视为一个“车队”队列。此时，反应时间为系统的通信和制动延迟，其取值远小于 HDV 模式，通常可取为 0。

　　2 混合交通流元胞自动机模型

　　元胞自动机模型常用的规则有加速、减速、随机慢化及位置更新。虽然规则简单，但可准确地模拟出道路中的各种交通流现象。针对以上 3 种跟驰模式特性，采用不同的元胞自动机规则进行建模，进一步得到混合交通流元胞自动机模型。

　　2.2 元胞自动机模型

　　以下将具体构建 3 种跟驰模式下的元胞自动机规则。

　　2.2.1 HDV 和 ACC 跟驰模式元胞自动机模型

　　考虑到 HDV 和 ACC 跟驰模式仅在反应时间上存在差异，因此，此处一起进行建模。

　　2.2.2 CACC 跟驰模式元胞自动机模型

　　CACC 跟驰模式与 HDV 和 ACC 跟驰模式相比，车辆之间可以进行实时通讯，进而实现驾驶行为的同步改变。当车辆跟驰模式为 CACC 时，后车不仅可以通过车载感应系统实时感知前车的驾驶状态，还可通过车间通信提前获知前车下一时刻的驾驶行为。若发生紧急情况，前车则会立刻将制动措施通知后车，车辆一起进行制动。因此，以 CACC 模式行驶车辆的安全间距很小，本文假设为 0.5m(即 ,safe= 0.5 n d )。综上分析可知，CACC 跟驰模式下的车辆能够以车队队列的形式进行行驶。因此，此处引入“车队”概念，同一车队中的车辆可保持稳定间距并实现相同的驾驶行为。综上，其元胞自动机规则可概括为形成车队前和形成车队后。

　　(1) 形成车队前

　　当本车(第 n 辆车)与其前车(第 n −1 辆车)的间距 n d 大于安全间距 n,safe d 时，本车为尽可能快地与前车形成车队，将对速度进行调整。

　　3 数值仿真

　　3.1 仿真环境设置

　　以长度 L km = 4 的高速公路单车道为例，采用周期性边界条件，初始时车辆均匀分布在道路上且采用随机速度。元胞长度设为 1m，车辆长度设为 5m，即占用 5 个元胞。车辆行驶的最大速度设为 35m/s(126km/h)，常规加速度 n a 和随机减速度 n b 分别设为 2m/s 2 和 3m/s 2，最大减速度 B n 设为 5m/s 2，反应时间 HDV n 和 CAV n 分别设为 2s 和 1s，随机慢化概率 slow p 为 0.3。仿真时长为 4000s，仿真精度为 1s。收集交通流稳定后(后 2000s)的数据作为仿真结果进行分析。为研究智能网联车渗透率对混合交通流特性的影响，分别将渗透率设为0%、20%、40%、 60%、80%和 100%。同时，为避免随机性对仿真结果的影响，同一渗透率下采用不同随机种子仿真 10 次，取平均值作为最终结果。

　　3.2 仿真结果分析

　　3.2.1 交通流基本图

　　图 2 为不同智能网联车渗透率下的密度-流量速度基本图。由图 2(a)可知，车辆的平均速度会随着密度的增加不断降低;但在同一密度下，随着渗透率增加，车辆的平均速度显著提升。同时，由图 2(b)可知，随着渗透率的增加，道路通行能力也不断提高。当渗透率为 60%时，道路通行能力是纯手动驾驶车的 2.2 倍;当渗透率为 80%时，道路通行能力是纯手动驾驶车的 3.9 倍。当智能网联车渗透率为 100%时，车辆流量随着密度线性增加，在密度达到饱和前，道路中车辆的平均速度均等于最大速度，此时，车辆均为自由行驶状态。分析可知，智能网联车不仅不会产生随机减速，且会不断调整速度快速形成车队。其中，未形成车队的车辆会不断加速紧追前一个车队，直到加入前一个车队或达到最大速度为止。最终，当所有车辆行驶状态稳定后，会形成一个或多个以最大速度行驶的车队。因此，当全部为智能网联车时，道路通行能力将只受临界密度的影响，故提高智能网联车渗透率有利于提升道路通行能力。

　　3.2.2 时空轨迹速度图

　　图 3 为密度为 60 辆/千米时，不同智能网联车渗透率下的时空速度轨迹图。其中，不同色度值表示不同的速度值。由图 3 可知，随着渗透率的增加，车辆速度不断提高。当渗透率为 100%时，时空图除初始一段时间外(初始速度随机生成)，其余有车位置色度值均为红色。分析可知，此时车辆已快速形成一个或多个车队，故道路中的车辆均以最大速度行驶。

　　4 结论

　　本文构建了混入智能网联汽车车队的混合交通流的元胞自动机模型。通过数值模拟，得出了不同智能网联车渗透率条件下交通流特性及拥堵情况。具体结论如下：

　　(1)智能网联车渗透率对道路通行能力有显著的影响，当渗透率为 80%时，与纯人工驾驶车相比，道路通行能力可提升 2.9 倍。

　　(2)交通流的平均速度随密度增加不断降低，但在同一密度下，智能网联车渗透率的提高可大幅提升道路车辆的平均速度。

　　(3)随着交通密度的增加，拥堵程度逐渐严重。但随着智能网联车渗透率的提高，道路出现拥堵的密度值逐渐增大。且在同一密度下，智能网联车的应用能够有效地抑制交通拥堵的产生。

　　(4)当智能网联车渗透率为 100%时，车辆均以车队形式自由行驶，道路通行能力将只受临界密度的影响。

　　本文虽构建了混入智能网联汽车车队的混合交通流元胞自动机模型，但仅考虑了高速公路单车道场景。未来将引入车辆换道规则，构建混入智能网联汽车车队的混合交通流多车道元胞自动机模型，并将模型应用扩展至复杂的城市交通环境中，充分考虑交叉口对模型的影响，进一步研究更符合实际场景的混合交通流特性。——论文作者：蒋阳升1,2,3，王思琛 1,2，高宽 1,2，刘梦 1,2，姚志洪 1,2,3*

　　参考文献

　　[1] Bansal P, and Kockelman K M. Forecasting Americans’ Long-Term Adoption of Connected and Autonomous Vehicle Technologies[J]. Transportation Research Part A: Policy and Practice (S0965-8564), 2017, 95: 49–63.

　　[2] Yao Z, Xu T, Jiang Y, et al. Linear stability analysis of heterogeneous traffic flow considering degradations of connected automated vehicles and reaction time[J]. Physica A: Statistical Mechanics and its Applications(S0378-4371), 561: 125218.

　　[3] Zhao W, and Ngoduy D, Shepherd S, et al. A Platoon Based Cooperative Eco-Driving Model for Mixed Automated and Human-Driven Vehicles at a Signalised Intersection[J]. Transportation Research Part C: Emerging Technologies (S0968-090X), 2018, 95: 802– 821.

　　[4] Nagel K, and Schreckenberg M. A Cellular Automaton Model for Freeway Traffic[J]. Journal De Physique I (S1155-4339), 1992, 2(12):2221-2229.

　　[5] Zhou, Dan, Jin, et al. Modeling Mixed Bicycle Traffic Flow: A Comparative Study on the Cellular Automata Approach.[J]. Discrete Dynamics in Nature & Society(S1026-0226), 2015.

　　[6] Takayasu M, and Takayasu H. 1/f Noise in a Traffic Model[J]. Fractals (S0218-348X), 1993, 1(04):860-866.

　　[7] 刘建仁. 基于元胞自动机仿真建模的交叉口公交优先策略[D].长安大学,2015. LIU J R. Evaluation of Transit Priority Strategies on Intersections Based on Cellular Automata Modeling [D].Chang’an University, Xi’an, China, 2015.

　　[8] Nagel K, and Paczuski M. Emergent Traffic Jams[J]. Physical Review E (S1539-3755), 1995, 51(4): 2909.

　　[9] Zeng J , Yu S , Qian Y , et al. Expressway Traffic Flow Model Study Based on Different Traffic Rules[J]. IEEE/CAA Journal of Automatica Sinica, 2018.

　　[10] Fukui M, and Ishibashi Y. Traffic Flow in 1D Cellular Automaton Model Including Cars Moving with High Speed[J]. Journal of the Physical Society of Japan (S0031-9015), 1999, 65(6):1868-1870.

文章名称：混入智能网联车队的混合交通流元胞自动机模型

文章地址：http://m.sciqk.com/p-12686.html