智能网联车环境下异质交通流稳定性及安全性分析

针对未来道路上由人工驾驶车辆(Human Driven Vehicles,HDVs)和智能网联车(Intelligent and Connected Vehicles, ICVs)所组成的异质交通流,对其稳定性与安全性进行研究.首先,利用全速度差模型(Full Velocity Difference, FVD)和协同自适应巡航控制模型(Cooperative Adaptive Cruise Control, CACC)分别描述人工驾驶车辆和智能网联车的跟驰特性.然后,通过分析不同智能网联车渗透率下异质交通流的线性稳定性,得出其稳定性条件.最后,采用数值仿真实验进行验证,选取多项安全指标评估了不同渗透率下异质交通流的安全性.结果表明:随着渗透率的增加,交通流的车速离散程度减小,即表示安全性能提高;安全指标降低比例减少,即表示交通安全风险降低.因此,智能网联车的应用有助于提高交通安全.     

考虑时延的网联车混合交通流基本图模型

由于智能网联车的不断发展,未来将出现智能网联车和人工驾驶车共同存在的混合交通流,因此,研究道路上的混合交通有助于解决交通拥堵等问题,具有一定的现实意义。为探究这类混合交通流的流量、密度和速度之间的关系,文中综合考虑智能网联车辆退化和车辆时延,建立了自动驾驶环境下混合交通流的基本图模型。首先,确定交通流中的车辆类型和不同类型车辆的比例,并考虑联网智能车辆跟随人工车辆时发生的车辆功能退化;然后,确定3种车辆的延迟时间并改进每种车辆的跟驰模型;在此基础上,同时考虑车辆时延和车辆功能退化两种因素,推导出交通流平衡时的基本图模型,并对模型中的自由流速度参数进行敏感度分析。研究结果表明,智能网联车对混合交通流的最大流量和最佳密度有积极影响,车辆时延有消极影响,自由流速度则对混合交通流的最大流量有积极影响,对最佳密度有消极影响。SUMO仿真结果表明,在不同场景下仿真得到的流量–密度分布点符合理论曲线,验证了文中理论模型的准确性。     

混有CACC和ACC车辆的连续型元胞自动机交通流模型

现有的混合交通流元胞自动机模型中自动驾驶车辆与手动驾驶车辆在跟驰模型上大多仅存在反应时间上的差别,并不能体现自动驾驶上层控制系统实时调节加速度保持车速稳定的特点,基于Gipps模型和Path实验室标定的自适应巡航控制(adaptive cruise control, ACC)和协同自适应巡航控制(cooperative adaptive cruise control, CACC)跟驰模型提出了更符合自动驾驶机理的连续型元胞自动机模型。通过计算机数值仿真分别从速度、流量、拥堵比例以及期望车间时距方面对不同渗透率下的混合交通流进行分析。结果表明,智能网联车辆能有效提高道路通行能力,当渗透率为40%～60%时,道路通行能力比纯人工驾驶车辆时提升14%～30%,当道路上全为智能网联车时,其通行能力约为纯人工驾驶车辆的1.9倍;同时在相同智能网联车渗透率下,道路通行能力随智能网联车辆期望车间时距减小而增大。     

车联网环境下巡航控制系统对交通流油耗的影响

为研究未来车联网环境下联网巡航控制(CCC)系统对交通流油耗的影响,选取Helly跟驰模型作为手动驾驶车辆跟驰模型,基于CCC车辆跟驰特性,构建多前车反馈的CCC跟驰模型;推导CCC系统的扰动传递函数,计算CCC系统关于反馈系数与平衡态速度的稳定域;针对高速公路上匝道瓶颈,考虑CCC车辆与手动驾驶车辆混合行驶中的随机性,在不同的主路需求与匝道需求情况下设计数值仿真实验,评估CCC车辆对交通流油耗的影响。研究结果表明:当CCC系统稳定时,CCC车辆有利于降低交通流油耗,当CCC车辆比例达到约60%时,油耗降低速度较快,相比于传统手动车辆交通流,CCC车辆交通流油耗降低约35%以上;当CCC系统不稳定时,交通流油耗降低率小于3.59%;CCC系统稳定域能够影响交通流油耗降低。     

车联网环境下自动驾驶交通流建模与分析

在车联网环境下,对原有自动驾驶交通流跟驰模型进行改进,构建新的自动驾驶跟驰模型,并理论推导在不同自动驾驶比例下混合交通流稳定性的解析判别条件,从混合交通流稳定域角度对比分析模型改进前后混合交通流的稳定性。结果表明,相比于原自动驾驶跟驰模型,改进后的模型能有效缩小混合交通流不稳定区域,降低混合交通流全速度范围内稳定时所需的最低自动驾驶比例,从而提升自动驾驶混合交通流的稳定性。     

驾驶员视角和后视效应对交通流稳定性的影响分析

交通流跟驰模型是微观交通流仿真和交通安全评估的重要工具,在城市交通规划、交通运行宏观调控等方面广泛运用.传统交通流跟驰模型主要考虑车辆参数,对于驾驶员因素不够重视,本文将驾驶员视角引入全速度差(FVD)模型,研究基于FVD模型的扩展模型,结合驾驶员后视效应,利用线性稳定性分析扩展模型的交通流稳定性特点.通过将驾驶员视角用驾驶车辆体型参数进行数据量化,分析车辆体型参数对交通流稳定性的影响.仿真实验表明:本文研究的扩展模型在车距较小的情况下交通流稳定性要优于FVD模型;驾驶员对视角变化的敏感系数越高,整个交通流越稳定;驾驶员后视概率越高,交通流越稳定;对于大型车辆,车流高峰时期为其开辟专用车道能够提高该阶段交通流稳定性.     

两种驾驶方式构成的异质交通流稳定性研究

对由两种驾驶方式组成的单车道异质交通流的稳定性进行分析和研究. 利用实际数据对两种驾驶方式对应的最优行驶速度车辆跟驰模型及智能驾驶员车辆跟驰模型进行参数标定,使用线性稳定性分析方法获得了异质交通流的稳定性条件,并定义了异质交通流的稳定性函数和驾驶方式的稳定性函数,在此基础上进行了仿真实验. 研究结果表明异质交通流的稳定性受两个关键因素的影响:驾驶方式在交通流中的比例和驾驶方式的稳定性函数. 仿真发现智能驾驶员的驾驶方式比最优行驶速度的驾驶方式具有更好的稳定性. 此外,还获得了在不同的速度下,有关不同驾驶方式比例的稳定性变化曲线.      

网联混合动力汽车跟驰场景的预测能量管理控制

针对网联混合动力汽车跟驰场景下能量管理控制中燃油经济性和驾驶安全性综合优化问题，利用车-车及车-路通信，设计了一种基于前车速度预测-本车速度规划的预测能量管理控制策略。前车速度预测器由长短时记忆神经网络构建，神经网络内部超参数通过粒子群优化算法离线优化确定；基于预测的前车速度，求解以跟车距离、车速度、加速度及直接影响驾驶舒适性的车辆冲击度为成本函数的优化问题获得预测域内本车的速度规划；进一步利用序列二次规划算法求解车辆燃油经济性和驾驶安全性综合优化的能量管理控制问题，得到最优功率分配控制策略。多种驾驶工况下的仿真验证了所提出的预测控制策略的有效性及车辆安全跟驰下较好的燃油经济性。     

基于强化协作博弈方法的双车道混合交通流特性

对元胞自动机引入Gipps跟驰模型,并结合改进的Q强化学习方法分别建立普通车辆及智能网联车的微观行驶策略,提出了一种新型的混合交通流演化仿真方法.然后,利用数值模拟方式对双车道交通环境进行仿真,探索智能网联车对混合交通流的动态影响.结果表明,相比于元胞自动机构建的普通车辆智能体,改进的Q强化学习方法训练的智能网联车智能体具备更强的连续时空环境适应能力,双车道环境下道路通行能力随着智能网联车渗透率的提升而增大,最高可提升45.34%.此外,智能网联车渗透率的提高会降低车群低效的换道行为,拓宽高通行能力水平下的车辆密度范围,有利于改善交通拥堵.     

混有智能网联车队的交通流基本图模型分析

为了探究高速公路混有智能网联车队交通流特性,构建了混合交通流中不同类型车辆随机分布特性的数学解析表达;考虑期望车头间距随速度动态变化的交通流特性,建立了混合交通流中不同类型车辆的跟驰模型.基于此,推导了混有智能网联车队的交通流基本图模型,并对模型参数渗透率p和最大车队规模的敏感性进行了分析.仿真结果表明,随着p值的增加,道路交通流通行能力随之提升,当p0.3时,渗透率增加对于混合交通流通行能力提升效果并不显著,而当p0.5时,混合交通流通行能力随着渗透率增加提升效果显著;另外,随着智能网联车辆的渗透率p增加,车队规模的限制对交通流通行能力的影响越来越明显,当p0.5时,车队规模宜保持在4～6之间,而p接近1时,车队规模增大对通行能力的提升效果更加显著.     

混有自适应巡航控制汽车的交通流通行能力分析

应用交通流基本图模型,研究不同自适应巡航控制(adaptive cruise control,ACC)汽车比例下混合交通流通行能力。针对现有ACC跟驰模型存在的不足,考虑车头间距-速度函数关系构建新的ACC跟驰模型,推导不同ACC比例下的混合交通流基本图模型,计算混合交通流的流量-密度解析曲线,分析ACC跟驰模型改进前后对混合交通流通行能力的影响作用,并针对性地进行参数敏感性分析。研究结果表明,改进后的ACC跟驰模型可克服原模型通行能力受限的缺陷,将常规驾驶交通流最大通行能力提升近2倍且不受道路最大限速值的影响。     

混合交通环境下降雨对车辆跟驰行为的影响分析与模型构建

针对混合交通环境下车辆跟驰分析时缺少对降雨环境考虑的问题,通过研究驾驶人在降雨环境下驾驶行为的改变,构建在不同降雨强度下适用的跟驰模型。首先,通过Python程序从云控平台数据库中提取车辆跟驰数据和降雨强度数据,分析了车辆在不同降雨强度和交通流状态下的跟驰速度、加速度和车头间距等变化特征以及其相互作用关系,进一步探索了降雨与正常天气下车辆跟驰行为的差异。其次,从优化速度跟驰模型出发,使用加速度衡量跟驰行为特性,综合考虑降雨对前后车相对距离和相对速度的影响,提出了适用于不同降雨强度下的安全间距和驾驶人期望速度确定方法,构建了不同降雨强度下的跟驰模型,并采用遗传算法对新模型进行了参数标定。最后,通过交叉验证方法对标定结果进行了评估,计算了模型输出值与实际值之间的误差。研究结果表明：降雨环境下车辆速度和加速度随着降雨强度的增加有不同幅度的降低,但是车辆加速度变化程度比车辆速度变化程度明显,这说明加速度对于降雨反应更加灵敏;降雨环境下,车头间距受前车速度影响,进而控制后车跟驰速度,不同降雨强度和不同前车速度区间都影响车头间距大小,后车跟驰速度随着车头间距的增大而增大;模型计算结果与实测值的均方...     

混合网联环境快速路交织区交通流特性分析

在混合人工驾驶车辆(human-driven vehicle, HV)与网联自动驾驶车辆(connected and autonomous vehicle, CAV)的交通流环境下，为提升快速路交织区的通行效率与行车安全性，深入分析了混合交通流的基本特性.首先，结合交织区通行能力计算模型，研究交织区域长度、交织交通量比和CAV渗透率等因素对交织区通行能力的影响；其次，推导混合交通流基本图模型，并在不同期望车头时距和CAV渗透率下对混合交通流基本图参数进行分析；最后，通过数值仿真实验，分别探讨在由车辆换道行为所产生的单一扰动和频繁扰动条件下，混合交通流行驶速度与车头间距的时空演化规律及交通流稳定性.结果表明：CAV渗透率的提升可以提高交织区通行能力以及混合交通流交通效率；交织交通量比的减小和交织区域长度的增大可提高交织区通行能力；提升CAV渗透率可以有效提高混合交通流的稳定性，但较小的车头间距也会造成一定的安全隐患.     

速度差影响下混合驾驶交通流动态特性分析

为分析自动驾驶车辆(AV)与人工驾驶车辆(HV)之间存在速度差时对混合驾驶交通流动态特性的影响,选取智能驾驶员模型(IDM)和协同自适应巡航控制(CACC)模型分别对HV和AV跟驰行为进行建模,采用MOBIL换道模型对换道行为进行建模.以单向两车道路段为场景,仿真分析了不同AV渗透率下速度差对混合驾驶环境交通流基本图的...     

改进Newell跟驰模型与实证研究

为了克服Newell跟驰模型单一考虑跟驰车与前导车之间的车间距进行速度优化描述车辆跟驰行为的不足,在同时考虑车间距和速度差对车辆跟驰行为影响的基础上,提出了一种改进Newell跟驰模型。通过对模型进行稳定性分析,得到了模型的稳定性条件。并通过在西安市二环南路西段实地拍摄视频采集得到的数据,对模型的参数进行了标定;最后分别采用上述模型对未来交通流趋势进行仿真预测,通过预测结果与实测数据的对比分析,证实了改进Newell模型的有效性。     

考虑前车驾驶风格的改进自适应巡航控制跟驰模型及仿真

为了提高自适应巡航控制跟驰模型的效率和安全性,考虑不同驾驶员驾驶行为的差异性,根据驾驶员以往的驾驶行为特性,利用k-均值聚类算法对驾驶风格进行判别和分类,作为优化自适应巡航控制跟驰行为的依据;提出智能网联环境中自适应巡航控制跟驰优化方法,基于对不同驾驶风格车辆的动力学分析,引入驾驶风格修正系数、安全冗余修正系数、响应延迟时间,针对不同前车驾驶风格,建立改进的自适应巡航控制跟驰模型,并对所建立的模型、原自适应巡航控制跟驰模型及对比模型进行仿真分析。结果表明,相比原自适应巡航控制跟驰模型和对比模型,所建立模型的加速度曲线和车头间距曲线均更平缓,可以有效提高跟驰效率,同时具有更高的安全性。     

网联混合车流车辆换道博弈行为及模型

车联网环境中,交通系统将长期呈现智能网联汽车和传统人工驾驶车辆混合共存的状况.针对智能网联交通环境下的新型混合车流,建立了车辆的换道行为决策模型.对于混合车辆交通流引入最小安全区域模型,自主车辆交通流基于博弈论的思想进行建模.自主车辆之间的换道被看作为1种非合作博弈行为,车辆以自身行驶状态为博弈收益,寻求行驶条件更优的车道.运用SUMO软件对提出的换道模型进行仿真验证分析.仿真结果表明,博弈换道模型相比于传统间隙阈值接受模型具有较高的车道利用率和安全稳定性.     

智能网联信息下车辆跟驰模型构建及行为影响分析

基于传统跟驰模型提出考虑多前车速度和加速度信息影响的跟驰模型,根据车辆轨迹信息对跟驰模型参数标定,探究多前车信息对本车运行在交通安全和效率方面的影响以及协同自适应巡航（cooperative adaptive cruise control,CACC）车辆在不同渗透率下对交通安全和效率的影响。结果表明：除了紧邻前车外,多前车的运动信息会对后车的运动造成影响;考虑多前车的速度和加速度反馈会提高交通安全和效率;CACC车辆对交通安全和效率的影响与CACC渗透率和排列方式有很大关系。     

自动驾驶车辆对人工驾驶车辆跟驰行为影响分析

针对自动驾驶车辆（automated vehicle, AV）与人工驾驶车辆（manual vehicle, MV）组成的混行跟驰环境，基于Waymo公开数据集研究混行环境中AV前车对MV后车跟驰行为的影响。首先，探究混行环境中期望安全裕度模型和智能驾驶人模型的建模能力和模型参数变化，研究表明，混行环境中MV跟驰行为的机制没有发生变化，但是MV驾驶人的减速敏感程度更低。其次，从跟驰安全性、稳定性和环境效应3个方面对混行跟驰行为进行进一步分析得到，混行环境中的MV跟驰行为的稳定性和环境效应得到了改善，但是安全性并没有发生变化。最后，通过对前车速度波动性进行讨论发现，AV前车主要是通过降低自身速度波动性，从而抑制MV后车的速度波动性，改善MV后车在稳定性及环境效应方面的表现。     

信号交叉口左转车辆跟驰行为建模

跟驰模型是交通流理论的核心内容之一,但左转车辆在交叉口转弯过程中跟驰行为的特征表现,尚缺少基于实际数据的深入研究。针对这个问题,设计了信号交叉口左转车辆跟驰实验,基于高精度全球定位系统(global positioning system,GPS)和移动地理信息系统采集车辆跟驰行为相关数据,分析了信号交叉口不同转弯半径下左转车辆跟驰速度时变规律及分布本征。在全速度差(full velocity difference,FVD)跟驰模型的基础上,考虑跟驰车驾驶员对前导车加、减速反应的非对称性,构建了改进的全速度差模型,并采用遗传算法对模型进行了参数标定。最后,以跟驰车加速度为检验指标,利用实测数据对改进的全速度差模型加、减速度过程的准确性进行了分析与评价。结果表明:信号交叉口左转跟驰车辆的平均运行速度与转弯半径成正相关;在不同转弯半径下跟驰车速度出现频数最高的数值随着转弯半径的增大而增大;改进的全速度差模型,能更好地描述交叉口左转车辆跟驰过程,驾驶员对前导车减速行为的反应比对加速行为的更强烈。