混有CACC車輛和ACC車輛的混合交通流駕駛舒適性

秦嚴(yán)嚴(yán)， 王 昊， 王 煒， 萬 千

(1.城市智能交通江蘇省重點實驗室(東南大學(xué)), 南京210096; 2. 現(xiàn)代城市交通技術(shù)江蘇高校協(xié)同創(chuàng)新中心, 南京 210096; 3. 桂林電子科技大學(xué) 建筑與交通工程學(xué)院, 廣西 桂林 541004; 4. 華藍(lán)設(shè)計(集團(tuán))有限公司, 南寧530011)

秦嚴(yán)嚴(yán)1,2， 王 昊1,2， 王 煒1,2， 萬 千3,4

(1.城市智能交通江蘇省重點實驗室(東南大學(xué)), 南京210096; 2. 現(xiàn)代城市交通技術(shù)江蘇高校協(xié)同創(chuàng)新中心, 南京 210096; 3. 桂林電子科技大學(xué) 建筑與交通工程學(xué)院, 廣西 桂林 541004; 4. 華藍(lán)設(shè)計(集團(tuán))有限公司, 南寧530011)

為了探索協(xié)同自適應(yīng)巡航控制(cooperative adaptive cruise control, CACC)車輛對交通系統(tǒng)的潛在影響，分析了CACC車輛市場普及過程中存在的CACC車輛、自適應(yīng)巡航控制(adaptive cruise control, ACC)車輛與人工駕駛車輛混合交通流駕駛舒適性. 應(yīng)用加州伯克利PATH實車驗證的ACC模型和CACC模型進(jìn)行數(shù)值仿真實驗，采用國際ISO-2631-1標(biāo)準(zhǔn)評價混合交通流舒適性，并對ACC和CACC期望車間時距進(jìn)行參數(shù)敏感性分析. 最后，從交通流穩(wěn)定性的角度，對舒適性仿真結(jié)果進(jìn)行了討論. 結(jié)果表明：隨著CACC市場率的增加，舒適性呈現(xiàn)先惡化、再逐漸提升的趨勢. 較大的ACC車間時距有利于抑制舒適性的惡化程度，CACC車輛對舒適性的提升作用不受其車間時距取值的影響. 混合交通流穩(wěn)定性定性地決定了舒適性的變化趨勢，人工車輛安裝車車通信設(shè)備，有助于舒適性的逐漸提升.

混合交通流；舒適性；穩(wěn)定性；跟馳模型；協(xié)同自適應(yīng)巡航控制；自適應(yīng)巡航控制

自動駕駛汽車與車聯(lián)網(wǎng)技術(shù)的發(fā)展，使得未來交通流由人工駕駛車輛、協(xié)同自適應(yīng)巡航控制(cooperative adaptive cruise control, CACC)車輛隨機(jī)混合而成. 由于人工駕駛車輛缺乏車車通信設(shè)備，緊跟人工車輛的CACC車輛因無法接收到前方車輛的信息而自動退化為自適應(yīng)巡航控制(adaptive cruise control, ACC)車輛[1].

針對這種混合交通流特性的研究，國外研究開展較早，成果主要集中在通行能力[2]、交通安全[3]、交通污染[4]等方面. 但針對駕駛舒適性的研究開展較少[5]，且缺乏對舒適性研究結(jié)果內(nèi)在原因的分析. 此外，很多研究中應(yīng)用的ACC模型與CACC模型缺乏與實車實驗的對比. 相比而言，國內(nèi)研究起步較晚，雖然涉及ACC與CACC控制技術(shù)的設(shè)計[6]，但國內(nèi)鮮有文獻(xiàn)對這種混合交通環(huán)境下的駕駛舒適性開展研究.

鑒于此，應(yīng)用加州伯克利PATH實驗室實車驗證的ACC模型和CACC模型，研究不同CACC市場率時的駕駛舒適性. 考慮到舒適性本質(zhì)上體現(xiàn)了車輛偏離平衡態(tài)時的加減速過程，從混合交通流穩(wěn)定性的角度闡述舒適性仿真結(jié)果的內(nèi)在原因.

為了不引起混淆，本文CACC市場率是指CACC車輛沒有退化為ACC車輛之前所占的交通流總車輛數(shù)的比例. CACC市場率記為p，人工駕駛車輛比例為1-p，ACC車輛比例由退化前的CACC車輛與人工駕駛車輛相對位置隨機(jī)產(chǎn)生.

1 跟馳模型

1.1 人工駕駛車輛

IDM(intelligent driver model)跟馳模型[7]被廣泛應(yīng)用于人工車輛的仿真研究，其模型為

(1)

式中：a為最大加速度，v0為自由流速度，s0為最小停車間距，T為安全車頭時距，b為舒適減速度，Δv為相鄰車輛的速度差項. 依據(jù)文獻(xiàn)[8-9]，a取值為1.0 m/s2，v0取值為33.3 m/s，s0取值為2.0 m，T取值為1.5 s，b取值為2.0 m/s2.

1.2 ACC車輛

應(yīng)用文獻(xiàn)[9]通過實車實驗標(biāo)定的ACC模型，該模型可較好反應(yīng)目前商用ACC控制系統(tǒng)應(yīng)用于真實車輛的跟馳特性. 由于該ACC控制系統(tǒng)并不具有駕駛員駕駛行為差異性，因此可應(yīng)用于我國交通流特性的研究. 模型為

(2)

式中：h為車頭間距，l為車長，s0為最小停車間距，TA為ACC期望車間時距，k1和k2為控制系數(shù)，依據(jù)文獻(xiàn)[9]，k1取值為0.23，k2取值為0.07. 依據(jù)文獻(xiàn)[10]，TA取值為1.1、1.6、2.2 s時的接受比率分別為50.4%、18.5%、31.1%.

1.3 CACC車輛

PATH依據(jù)CACC上層控制器設(shè)計[11]，提出了基于速度控制的CACC模型，并通過實車實驗驗證了該CACC模型能夠用于真實CACC車輛的仿真研究[9]. 由于CACC車輛跟馳特性并不取決于駕駛員差異性，因此該CACC模型同樣可適用于我國交通流特性研究. 模型為

(3)

式中：vp為前一控制時刻的速度，e為實際車間距與期望車間距的誤差，h、l、s0含義同式(2)，TC為CACC期望車間時距，kp、kd為控制系數(shù). 實車實驗對kp和kd的標(biāo)定結(jié)果為：kp=0.45，kd=0.25. 依據(jù)文獻(xiàn)[10]，TC取值為0.6、0.7、0.9、1.1 s時的接受比率分別為57.0%、24.0%、7.0%、12.0%.

2 評價指標(biāo)

應(yīng)用基于國際ISO 2631-1標(biāo)準(zhǔn)的駕駛舒適性指標(biāo)[12]，評價不同CACC市場率時的舒適性. 文獻(xiàn)[12]對國際ISO 2631-1舒適性指標(biāo)進(jìn)行了較詳細(xì)闡述，舒適性指標(biāo)為

(4)

式中：ai為統(tǒng)計獲取的第i個加速度值，m為加速度統(tǒng)計總量. 文獻(xiàn)[12]將舒適性分為6個等級，如表1所示.

表1 舒適性等級

3 仿真實驗與分析

舒適性指標(biāo)反應(yīng)的是車輛加速度情況，而匝道合流區(qū)是擾動常發(fā)區(qū)域，加速度變化較為頻繁，因此針對含有匝道的高速公路交通場景，基于數(shù)值仿真實驗評估舒適性具有較好代表性，數(shù)值仿真實驗基于MATLAB仿真軟件.

3.1 實驗結(jié)果

TA、TC的最大接受比例取值分別為1.1、0.6 s[10]，以TA=1.1 s，TC=0.6 s為例，基于數(shù)值仿真實驗研究混合交通流舒適性. 并在3.2節(jié)對TA和TC進(jìn)行參數(shù)敏感性分析.

數(shù)值仿真實驗路段如圖1所示，路段長度為6 km，匝道位于3 km位置處，匝道區(qū)為500 m，由于本文關(guān)注匝道匯入行為對主路車流造成的影響，依據(jù)文獻(xiàn)[13]中的模擬機(jī)制，仿真中對主路車流在匝道區(qū)進(jìn)行隨機(jī)減速，且減速范圍參照文獻(xiàn)[14]. 在匝道區(qū)及其上下游800 m內(nèi)布設(shè)虛擬檢測器，檢測器間隔為50 m. 在仿真實驗中，CACC市場率p隨機(jī)地確定駛?cè)胲囕v為CACC車輛或者人工駕駛車輛. 若該駛?cè)胲囕v為CACC車輛，在其緊跟人工車輛時，需退化為ACC車輛. 考慮仿真實驗中3種車型相對數(shù)量、位置的隨機(jī)性，各CACC市場率下均獨立進(jìn)行3次仿真，并取均值作為該CACC市場率下的舒適性仿真結(jié)果，當(dāng)CACC市場率p等于0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0時，C指標(biāo)均值分別為0.499、0.502、0.514、0.517、0.525、0.537、0.677、0.705、0.637、0.414、0.277. 因此，隨著CACC市場率p的增加，舒適性C指標(biāo)呈現(xiàn)出先變大再減小的變化趨勢，表明舒適性逐漸變差，然后再逐步恢復(fù)并得到提高. 對照表1中C取值范圍與舒適性等級之間的關(guān)系，將C值仿真結(jié)果轉(zhuǎn)換為舒適性等級的變化趨勢，如圖2所示. 由圖2可知，隨著p的增加，舒適性由等級4逐步惡化至等級3，爾后再恢復(fù)并提升至等級5，當(dāng)p大于80%時，舒適性的提升較為顯著.

圖1 仿真路段示意圖

圖2 舒適性等級結(jié)果(TA=1.1 s，TC=0.6 s)

3.2 參數(shù)敏感性分析

3.2.1TC參數(shù)敏感性分析

在對TC進(jìn)行參數(shù)敏感性分析時，TA取接受比率最大時的1.1 s. 考慮到隨機(jī)性影響，每次仿真實驗均進(jìn)行3次，結(jié)果如表2所示. 為了直觀地看出TC取值對舒適性的影響，計算得到舒適性C指標(biāo)值隨CACC市場率p變化的趨勢，如圖3所示. 同時，按照表1中C指標(biāo)值對應(yīng)的舒適性等級，得到不同TC、p取值時的舒適性等級熱力圖，如圖4所示. 在圖4中，各TC與p對應(yīng)的小方格顏色值為舒適性等級數(shù)值，且該顏色值能夠反映兩個舒適性等級之間的情況.

表2 TC參數(shù)敏感性分析結(jié)果(TA=1.1 s)

由圖3可知，隨著p增加，C指標(biāo)值先變大再減小的變化趨勢與TC取值無關(guān). 且同一p值下，不同TC取值時的C指標(biāo)值基本相當(dāng). 表明了舒適性指標(biāo)C值的大小不依賴于TC取值的大小. 由圖4可知，隨著p的增加，舒適性等級變化趨勢與TC取值無關(guān)，均由等級4惡化至等級3，然后再恢復(fù)并提升至等級5，且在p大于80%時，舒適性的提升較為明顯，這與圖2中的結(jié)果相一致.

圖3 TC敏感性分析的C指標(biāo)值(TA=1.1 s)

圖4 TC敏感性分析的舒適性等級(TA=1.1 s)

3.2.2TA參數(shù)敏感性分析

在對TA取值進(jìn)行參數(shù)敏感性分析，TC取接受比率最大時的0.6 s.TA參數(shù)敏感性分析結(jié)果如表3所示，同時計算得到C隨p增加的變化趨勢，如圖5所示. 同時依據(jù)表1中C值對應(yīng)的舒適性等級，得到不同TA、p取值時的舒適性等級熱力圖，如圖6所示.

表3 TA參數(shù)敏感性分析結(jié)果(TC=0.6 s)

圖5 TA敏感性分析的C指標(biāo)值(TC=0.6 s)

圖6 TA敏感性分析的舒適性等級(TC=0.6 s)

Fig.6 Comfort level of sensitivity analysis onTA(TC=0.6 s)

由圖5、6可知，不同TA取值時，C指標(biāo)值隨著p的增加，均呈現(xiàn)出先增大后減小的變化過程，同時舒適性等級呈現(xiàn)出先降低后增加的變化趨勢. 表明在p逐步普及的過程中，舒適性會逐步惡化，然后恢復(fù)并得到提升，這與3.1節(jié)中的仿真結(jié)果相一致. 此外，在同一p取值下，TA取值增大時，C指標(biāo)值明顯減小，且舒適性等級明顯增加. 表明在p逐漸增加時，TA取值越大，越有利于抑制舒適性的惡化程度，但舒適性在p達(dá)到80%以后，才能夠得到顯著提升.

4 討 論

舒適性本質(zhì)上體現(xiàn)了交通流由平衡態(tài)變?yōu)榉瞧胶鈶B(tài)時的動態(tài)加減速過程，因此，針對第3節(jié)舒適性隨CACC市場率增加的變化趨勢，以及TA、TC取值對舒適性的影響，從混合交通流穩(wěn)定性的角度闡述其內(nèi)在原因.

4.1 跟馳模型穩(wěn)定性

分析3種車型跟馳模型的穩(wěn)定性，為4.2節(jié)討論混合交通流在不同CACC市場率下的穩(wěn)定性作鋪墊. 文獻(xiàn)[15]推導(dǎo)了跟馳模型一般穩(wěn)定性條件為

(5)

式中：fv、fΔv、fh分別為跟馳模型公式對速度、速度差和車頭間距在平衡態(tài)時的偏微分. 因此，可計算人工車輛、ACC車輛、CACC車輛各自穩(wěn)定時應(yīng)滿足的條件分別如式(6)、(7)、(8)所示. 其中Δt為依據(jù)文獻(xiàn)[16]進(jìn)行推導(dǎo)時，由一階泰勒展開產(chǎn)生的時間步長，取值0.01 s. 式(6)～(8)中其余參數(shù)均為對應(yīng)的跟馳模型參數(shù).

(6)

(7)

(8)

依據(jù)式(6)～(8)計算可知，人工駕駛車輛在0～0.6 m·s-1和21.4～33.3 m·s-1的速度時穩(wěn)定，在0.6～21.4 m·s-1時不穩(wěn)定. ACC車輛在自由流速度內(nèi)均不穩(wěn)定，CACC車輛在自由流速度內(nèi)均穩(wěn)定.

4.2 舒適性變化趨勢原因分析

在舒適性仿真實驗中，車輛的加減速過程包含了人工駕駛車輛的不穩(wěn)定速度范圍，依據(jù)PATH實車實驗[9]，目前控制水平下的ACC車輛較人工駕駛車輛更加不穩(wěn)定，在CACC市場率較小的階段，由于車輛位置分布的隨機(jī)性，造成CACC車輛分散在人工駕駛車輛之間，大部分退化為ACC車輛，使得混合交通流穩(wěn)定性出現(xiàn)惡化. 隨著CACC市場率增大到較高階段，CACC車輛退化為ACC車輛的概率減小，CACC車輛較好的穩(wěn)定性使得混合交通流不穩(wěn)定情況得到改善，并最終達(dá)到穩(wěn)定狀態(tài). 以TA=1.1 s，TC=0.6 s為例，混合交通流穩(wěn)定性仿真結(jié)果如圖7所示. 在圖7中，車隊包含60輛車，3種車型相對數(shù)量、位置均由CACC市場率p隨機(jī)產(chǎn)生，且緊跟人工駕駛車輛的CACC車輛退化為ACC車輛，車隊以17 m/s的平衡態(tài)速度行駛，頭車產(chǎn)生1 m/s2的減速度擾動打破車隊平衡態(tài)，頭車擾動持續(xù)3 s.

(a)p=0

(b)p=0.2

(c)p=0.4

(d)p=0.6

(e)p=0.8

(f)p=1

由圖7可以看出，混合交通流穩(wěn)定性隨著p的增加，呈現(xiàn)出先惡化、再逐步改善并達(dá)到穩(wěn)定的變化趨勢，表明混合交通流穩(wěn)定性的變化趨勢與舒適性的變化趨勢一致. 如前所述，舒適性本質(zhì)上體現(xiàn)了交通流背離平衡態(tài)的加減速過程. 因此，在p逐步增加的過程中，混合交通流穩(wěn)定性的變化趨勢定性地影響了舒適性變化趨勢. 并且，在p超過80%以后，車隊最終變?yōu)榉€(wěn)定狀態(tài)，使得舒適性得到明顯提升. 此外，由于ACC車輛不穩(wěn)定性與TA取值無關(guān)，且TC取不同值時，CACC車輛均穩(wěn)定，使得混合交通流穩(wěn)定性變化趨勢與TA和TC取值無關(guān)，這是第3節(jié)仿真中TA和TC取值并不影響舒適性變化趨勢的原因.

4.3 TA、TC對舒適程度影響的原因分析

由第3節(jié)可知，TA取值較大時，有利于抑制舒適性的惡化程度，而TC取值不同并不影響舒適性的舒適程度. 通過分析TA、TC取不同值時，ACC車輛和CACC車輛減速時的速度、加速度動態(tài)特性，進(jìn)行原因闡述.

假設(shè)在圖7的仿真實驗中，車隊頭車(前車)的緊跟車輛(后車)分別為人工駕駛車輛、ACC車輛和CACC車輛時，后車在前車擾動下的速度與加速度動態(tài)變化分別如圖8、9所示.

圖8 速度動態(tài)變化

由圖8、9可知，TA取值不同時，ACC車輛速度、加速度動態(tài)特性均比人工駕駛車輛差，這與PATH的實車實驗相符合[9]，這也是4.2節(jié)仿真中混合交通流穩(wěn)定性存在惡化趨勢的原因.TA取值越大，ACC車輛的速度和加速度動態(tài)特性有所改善，因此有利于抑制混合交通流穩(wěn)定性的惡化，這是TA取值越大，越有利于抑制舒適性惡化程度的原因. 而TC取值不同時，CACC車輛速度和加速度動態(tài)特性均穩(wěn)定，使得舒適性不受TC取值的影響.

4.4 車車通信環(huán)境下的舒適性

由上面分析可知，ACC車輛的不穩(wěn)定性使得在p逐步普及的過程中，舒適性存在先惡化、再逐步恢復(fù)并得到提升的趨勢. 若人工車輛均安裝車車通信設(shè)備，則混合交通流由人工駕駛車輛和CACC車輛兩種車型構(gòu)成. 以TC=0.6 s為例，假設(shè)人工駕駛車輛均安裝車車通信設(shè)備，獲得舒適性等級隨p變化的曲線如圖10所示. 對比圖10與第3節(jié)的仿真結(jié)果可知，車車通信環(huán)境下舒適性隨p的增加而逐步得到提升.

圖10 車車通信時的舒適性

5 結(jié) 論

1)隨著CACC市場率的增加，人工車輛、ACC車輛和CACC車輛的混合交通流穩(wěn)定性先惡化、然后逐步恢復(fù)至穩(wěn)定狀態(tài). 穩(wěn)定性變化趨勢定性地決定了舒適性變化趨勢，使得混合交通流舒適性呈現(xiàn)出先惡化、再恢復(fù)、最后得到提升的變化趨勢.

2)車輛加減速時的速度與加速度動態(tài)特性決定了舒適性變化趨勢不受ACC、CACC期望車間時距取值的影響. ACC期望車間時距越大，越有利于抑制舒適性的惡化程度. CACC車輛有利于舒適性的提升，但舒適性程度并不受CACC期望車間時距取值的影響. 人工車輛安裝車車通信設(shè)備時，由人工車輛和CACC車輛構(gòu)成的混合交通流舒適性隨著CACC車輛的普及呈現(xiàn)出逐步改善的趨勢.

3)目前尚不具備大規(guī)模真車實驗條件，只能針對不同CACC市場率舒適性的仿真研究作為真車實驗實施前的前期探索，為未來大規(guī)模真車實驗的實施提供參考. 同時，駕駛舒適性評價的最佳途徑仍然是真實環(huán)境下的真車實驗，因此本文舒適性的仿真研究具有模型指標(biāo)化替代手段的一般局限性.

[1] PLOEG J, SEMSAR-KAZEROONI E, LIJSTER G, et al. Graceful degradation of cooperative adaptive cruise control[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(1): 488-497.

[2] VAN AREM B, VAN DRIEL C J G, VISSER R. The impact of cooperative adaptive cruise control on traffic-flow characteristics[J]. IEEE Transactions on Intelligent Transportation Systems, 2006, 7(4): 429-436.

[3] DEY K C, YAN L, WANG X, et al. A review of communication, driver characteristics, and controls aspects of cooperative adaptive cruise control (CACC)[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(2): 491-509.

[4] FAGNANT D J, KOCKELMAN K. Preparing a nation for autonomous vehicles: opportunities, barriers and policy recommendations[J]. Transportation Research Part A: Policy and Practice, 2015, 77: 167-181.

[5] SHLADOVER S E, NOWAKOWSKI C, LU X Y, et al. Cooperative adaptive cruise control: definitions and operating concepts[J]. Transportation Research Record: Journal of the Transportation Research Board, 2015 (2489): 145-152.

[6] 吳光強(qiáng),郭曉曉,張亮修. 汽車自適應(yīng)巡航跟車多目標(biāo)魯棒控制算法設(shè)計[J]. 哈爾濱工業(yè)大學(xué)學(xué)報, 2016, 48(1): 80-86. DOI: 10.11918/j.issn.0367-6234.2016.01.012.

WU Guangqiang, GUO Xiaoxiao, ZHANG Liangxiu. Multi-objective robust adaptive cruise control algorithm design of car following model[J]. Journal of Harbin Institute of Technology, 2016, 48(1): 80-86. DOI: 10.11918/j.issn.0367-6234.2016.01.012.

[7] TREIBER M, HENNECKE A, HELBING D. Congested traffic states in empirical observations and microscopic simulations[J]. Physical review E, 2000, 62(2): 1805-1824.

[8] KESTING A, TREIBER M, SCHONHOF M, et al. Adaptive cruise control design for active congestion avoidance[J]. Transportation Research Part C: Emerging Technologies, 2008, 16(6): 668-683.

[9] MILANES V, SHLADOVER S E. Modeling cooperative and autonomous adaptive cruise control dynamic responses using experimental data[J]. Transportation Research Part C: Emerging Technologies, 2014, 48: 285-300.

[10] SHLADOVER S, SU D, LU X Y. Impacts of cooperative adaptive cruise control on freeway traffic flow[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012 (2324): 63-70.

[11] MILANES V, SHLADOVER S E, SPRING J, et al. Cooperative adaptive cruise control in real traffic situations[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(1): 296-305.

[12] PADDAN G S, GRIFFIN M J. Evaluation of whole-body vibration in vehicles[J]. Journal of Sound and Vibration, 2002, 253(1): 195-213.

[13] LI Y, WANG H, WANG W, et al. Evaluation of the impacts of cooperative adaptive cruise control on reducing rear-end collision risks on freeways[J]. Accident Analysis and Prevention, 2017, 98: 87-95.

[14] OH S, YEO H. Estimation of capacity drop in highway merging sections[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012 (2286): 111-121.

[15] WILSON R E. Mechanisms for spatio-temporal pattern formation in highway traffic models[J]. Philosophical Transactions of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 2008, 366(1872): 2017-2032.

Drivingcomfortoftrafficflowmixedwithcooperativeadaptivecruisecontrolvehiclesandadaptivecruisecontrolvehicles

QIN Yanyan1,2, WANG Hao1,2, WANG Wei1,2, WAN Qian3,4

(1.Jiangsu Key Laboratory of Urban ITS (Southeast University), Nanjing 210096, China;2.Jiangsu Province Collaborative Innovation Center of Modern Urban Traffic Technologies, Nanjing 210096, China;3.School of Architecture and Transportation Engineering, Guilin University of Electronic Technology, Guilin 541004, Guangxi, China;4. Hualan Design and Consulting Group, Nanning 530011, China)

In order to explore the potential impact of cooperative adaptive cruise control (CACC) vehicles on traffic systems, driving comfort is analyzed under different CACC penetrations where manual vehicles, CACC vehicles, and adaptive cruise control (ACC) vehicles are mixed in the process of CACC gradually increasing on roads. The ACC and CACC models validated by PATH program were employed in numerical simulations. Driving comfort of the mixed traffic flow was measured using the international organization for standardization(ISO) 2631-1. Parametric sensitivity analysis on the desired time-gap of ACC and CACC was also conducted. Finally, simulation results were discussed from the perspective of traffic flow stability. It is found that comfort first worsens then upgrades with the increase of CACC penetration. Larger ACC time-gap is apt to restrict the comfort deterioration, while various values of CACC time-gap have little effect on improving the driving comfort. The results indicate that the trend of mixed traffic flow stability affects comfort qualitatively. Vehicle-to-vehicle communication equipment of manual vehicles will benefit the gradual increase of the comfort.

mixed traffic flow; driving comfort; string stability; car-following model; cooperative adaptive cruise control; adaptive cruise control

10.11918/j.issn.0367-6234.201610006

U491.112

A

0367-6234(2017)09-0103-06

2016-10-08

國家自然科學(xué)基金(51478113，51508122)；廣西科技攻關(guān)計劃項目(15248002-10);江蘇省研究生科研與實踐創(chuàng)新計劃(KYCX17-0146)

秦嚴(yán)嚴(yán)(1989—)，男，博士研究生；王 昊(1980—)，男，教授，博士生導(dǎo)師

王 昊，haowang@seu.edu.cn

(編輯魏希柱)