混合交通環(huán)境下網(wǎng)聯(lián)交叉口車輛協(xié)同誘導(dǎo)策略及仿真測試*

張心睿 王潤民 凡海金 趙祥模 袁紹欣

（長安大學(xué)，西安710064）

主題詞：信控交叉口 網(wǎng)聯(lián)汽車 混合交通 誘導(dǎo)策略 滲透率

1 前言

隨著汽車保有量的急劇增長，城市道路交通擁堵問題日益突出。道路交叉口作為道路的相交點，往往是城市道路網(wǎng)絡(luò)交通流運行的瓶頸。此外，交叉口交通信號燈的控制使得交叉口區(qū)域車輛頻繁起停及加減速，導(dǎo)致通行效率和汽車燃油經(jīng)濟性較低[1]。車聯(lián)網(wǎng)（Vehicle to Everything，V2X）是目前提高交通安全水平、提升交通效率、減少交通排放的重要技術(shù)手段[2]。在網(wǎng)聯(lián)信號交叉口環(huán)境下，融合V2X 與自動駕駛技術(shù)的智能網(wǎng)聯(lián)汽車（Connected and Automated Vehicle，CAV）通過車車（Vehicle to Vehicle，V2V）通信和車路（Vehicle to Infrastructure，V2I）通信獲取周圍車輛的運動狀態(tài)信息以及數(shù)百米外信號燈相位與倒計時（Signal Phase and Timing，SPaT）信息，進(jìn)而精準(zhǔn)地完成軌跡優(yōu)化控制，實現(xiàn)信號交叉口生態(tài)駛?cè)肱c離開（Eco-Approach and Departure，EAD）[3]。

眾多學(xué)者圍繞網(wǎng)聯(lián)交叉口環(huán)境下的智能網(wǎng)聯(lián)汽車誘導(dǎo)控制開展了相關(guān)研究。文獻(xiàn)[4]～文獻(xiàn)[6]建立交叉口車速控制模型，將交叉口車輛行駛分成多個恒定階段，進(jìn)行車輛軌跡優(yōu)化。文獻(xiàn)[7]提出一種模型預(yù)測控制模型，對車輛速度進(jìn)行優(yōu)化，以縮短行駛時間、降低污染物排放水平。Seredynski 等[8]提出了一種多段最優(yōu)車速建議（Green Light Optimal Speed Advisory，GLOSA）方法，并采用遺傳算法進(jìn)行速度優(yōu)化，結(jié)果表明，該方法比一次GLOSA結(jié)果更好。上述方法均假設(shè)交通環(huán)境中的車輛為具備完全自動駕駛能力的智能網(wǎng)聯(lián)汽車，然而自動駕駛?cè)媛涞厝杂兄T多困難，可以預(yù)見的是，未來很長一段時間將出現(xiàn)CAV 與網(wǎng)聯(lián)人工駕駛車輛（Connected Human-driven Vehicle，CHV）組成混合式交通流共享道路資源的場景。受駕駛員駕駛行為的影響，CAV 與CHV行車特性存在不可忽略的差異[9]。因此，需要對混合交通環(huán)境下的網(wǎng)聯(lián)交叉口車輛協(xié)同誘導(dǎo)策略進(jìn)行研究，并系統(tǒng)地分析不同交通流量、不同CAV滲透率以及不同駕駛員服從度對誘導(dǎo)策略的影響。

基于上述考慮，本文構(gòu)建一種網(wǎng)聯(lián)信控交叉口場景，并對車輛運動學(xué)、車輛跟馳行為及車輛燃油消耗量等進(jìn)行建模與假設(shè)，在此基礎(chǔ)上提出一種基于車輛編隊的CAV與CHV協(xié)同行車誘導(dǎo)策略。然后以平均行駛延誤時間（Average Travel Time Delay，ATTD）和平均燃油消耗量（Average Fuel Consumption，AFC）為評價指標(biāo)，通過SUMO仿真系統(tǒng)地測試分析交通流量、CAV滲透率、CHV駕駛員服從度對所提出的協(xié)同行車誘導(dǎo)策略的影響。

2 網(wǎng)聯(lián)信控交叉口場景構(gòu)建

本文設(shè)計了一種雙向2車道的十字型交叉口場景，如圖1所示。場景內(nèi)行駛的車輛包含CAV和CHV，2種車輛均具備網(wǎng)聯(lián)通信能力，其中CAV 為完全自動駕駛汽車，具備自主智能感知、決策及控制能力，以及與其他車輛或交通信號燈通信的能力，CHV 可與附近車輛實現(xiàn)V2V通信。交叉口交通信號燈同樣具備網(wǎng)聯(lián)通信能力，可與場景內(nèi)的車輛實現(xiàn)V2I 通信。此外，為聚焦問題研究，本文作如下假設(shè)：

圖1 雙向2車道十字型交叉口場景

a.進(jìn)入交叉口區(qū)域前，車輛不存在換道、倒車、掉頭等行為，僅考慮進(jìn)入交叉口區(qū)域車輛的直行行為，且遵循先到先服務(wù)原則，即同車道內(nèi)先進(jìn)入交叉口車輛先駛出。

b.網(wǎng)聯(lián)交通信號燈（交叉口中心點）400 m范圍內(nèi)為V2I有效通信范圍[10]。當(dāng)車輛進(jìn)入信號燈有效通信范圍時，CAV應(yīng)服從交叉口管控；設(shè)定網(wǎng)聯(lián)通信為實時可靠的通信，不考慮潛在的網(wǎng)絡(luò)丟包、時延等不可靠網(wǎng)絡(luò)條件。

c.進(jìn)入交叉口管控范圍的車輛可通過V2V 方式獲取周邊車輛位置、速度等狀態(tài)信息，并通過V2I 方式獲取網(wǎng)聯(lián)交通信號燈相位信息，實現(xiàn)車輛軌跡優(yōu)化。

3 車輛行為與油耗模型構(gòu)建

3.1 車輛運動學(xué)模型

基于前文構(gòu)建的交叉口場景，本文僅考慮車輛的縱向軌跡控制，不考慮車輛換道行為，因此不涉及車輛的橫向動力學(xué)性能，CAV與CHV應(yīng)滿足：

式中，x(t)、v(t)、a(t)分別為t時刻車輛與交叉口停止線的距離、車速和加速度；l、v0分別為初始時刻（t0）車輛與交叉口停止線的距離和速度；t1為車輛越過停止線的時刻；v1為車輛越過停止線時的速度；vmax為車輛最大速度；admax、amax分別為車輛最大減速度和最大加速度。

3.2 車輛跟馳模型

智能駕駛員模型（Intelligent Driver Model，IDM）可較好地模擬智能網(wǎng)聯(lián)環(huán)境中人工駕駛車輛的跟馳行為[11]，因此本文選用IDM 對場景中CHV 的行為進(jìn)行建模，具體模型表達(dá)式為：

式中，an,t為第n輛車t時刻加速度；amax為最大加速度；vn,t為第n輛車t時刻速度；ve為期望車速；δ為加速度指數(shù)；sn,t為第n輛車t時刻的跟馳間距；s*(t)為期望最小車間距，可表示為：

式中，s0為靜止安全距離；s1為系數(shù)；TI為安全車頭時距；Δv為第n輛車與第(n-1)輛車的速度差；b為舒適減速度的絕對值。

CAV 采用協(xié)同式自適應(yīng)巡航（Cooperative Adaptive Cruise Control，CACC）模型[12-14]，基本模型公式為：

式中，e為實際車間距與期望車間距的誤差；xn為第n輛車的位移；TC為安全車頭時距；vn為第n輛車的速度；vnp為第n輛車前一時刻速度；kp、kd為控制系數(shù)。

3.3 車輛油耗模型

本文采用MOVES（Motor Vehicle Emissions Simulator）模型估算車輛燃油消耗量，其主要通過分析車輛的比功率（Vehicle Specific Power，VSP）進(jìn)行估算，比功率pvsp的計算公式為[15]：

式中，v為車輛速度；a為車輛加速度。

4 基于車輛編隊的網(wǎng)聯(lián)車輛協(xié)同行車誘導(dǎo)策略設(shè)計

如圖2所示，本文通過車輛編隊，將行駛方向相同、運動狀態(tài)相近的車輛進(jìn)行編組，根據(jù)在隊列中位置的不同，可將車輛分為領(lǐng)航車輛與跟馳車輛，領(lǐng)航車輛為可控的CAV，信號燈僅對領(lǐng)航車輛進(jìn)行誘導(dǎo)，跟馳車輛為CAV 與CHV 組成的混合車隊，車輛的行駛應(yīng)滿足協(xié)同行車誘導(dǎo)策略和前車行為約束。

圖2 車輛編隊示意

因受到交叉口信號燈的約束，車隊存在難以全部通過的情況時，隊列中領(lǐng)航車輛通過計算當(dāng)前綠燈時間來判斷可通過的車輛與無法通過的車輛，向其后方跟馳車輛發(fā)送指令進(jìn)行隊列分割，生成2 個隊列，跟馳的CAV 成為新隊伍的領(lǐng)航車輛，實現(xiàn)車輛“角色”更換。

4.1 三階段誘導(dǎo)策略設(shè)計

Seredynski等[16]提出了一種考慮綠燈時間的車速優(yōu)化引導(dǎo)策略?；谏鲜鏊悸?，本文將車輛到達(dá)交叉口區(qū)域前的軌跡劃分為3 個階段，階段1 與階段3 為勻變速階段，車輛分別具有恒定的加速度a1和a2，階段2 為勻速階段，車輛具有恒定的速度v，設(shè)車輛到達(dá)交叉口的時間為Tarrival，車輛到達(dá)交叉口時的速度為vf，車輛與交叉口的距離D、3個階段的行駛距離d1、d2、d3及時間t1、t2、t3應(yīng)滿足：

4.2 領(lǐng)航車輛誘導(dǎo)策略

領(lǐng)航車輛根據(jù)到達(dá)交叉口控制范圍時的交通信號燈相位狀態(tài)執(zhí)行不同的行車策略：

a.當(dāng)前信號燈相位為綠燈時，依據(jù)車輛到達(dá)交叉口時的狀態(tài)，分為3種情況，并執(zhí)行相應(yīng)的誘導(dǎo)策略，如圖3a所示：①如果領(lǐng)航車輛可保持最大車速勻速通過交叉口，則保持勻速行駛；②如果領(lǐng)航車輛以車速v0勻速行駛，到達(dá)交叉口時信號燈將處于紅燈相位，但在不超過最大限速時，不受前方車輛影響能夠在當(dāng)前綠燈相位結(jié)束前通過交叉口，則誘導(dǎo)其加速通過；③如果領(lǐng)航車輛以當(dāng)前車速并以最大加速度行駛，到達(dá)交叉口時仍無法在當(dāng)前綠燈相位通過交叉口，則誘導(dǎo)車輛減速，在下一綠燈相位通過交叉口。

b.當(dāng)前信號燈相位為紅燈或黃燈，根據(jù)現(xiàn)有交通規(guī)則，黃燈時未通過停止線車輛應(yīng)停車等待，因此，對于CAV 而言，將黃燈相位與紅燈相位合并，如圖3b所示：①相位剩余時間較長時，即使車輛減速仍在紅燈相位到達(dá)交叉口，則誘導(dǎo)車輛緩慢減速并停車等待；②相位剩余時間較短時，則誘導(dǎo)車輛先減速，在下一綠燈相位開始時到達(dá)交叉口，并以最大車速通過交叉口；③相位剩余時間非常短時，車輛可保持最大車速勻速行駛，在下一綠燈相位開始時到達(dá)交叉口。

圖3 領(lǐng)航車輛誘導(dǎo)策略

4.3 跟馳車輛運動軌跡分析

對于跟馳車輛，運動軌跡包括如圖4所示的2 種類型：類型1受到前車約束，保持跟馳行駛；類型2不受前車約束，為減少延誤，車輛需盡可能快地到達(dá)交叉口并通過。此外，跟馳車輛包括CAV與CHV，二者跟馳行為由各自的跟馳模型決定。

圖4 跟馳車輛行駛軌跡

5 仿真測試

5.1 仿真環(huán)境構(gòu)建

為驗證所提出的誘導(dǎo)策略的有效性和可靠性，本文采用SUMO 仿真平臺搭建仿真環(huán)境。搭建的測試場景如圖5所示，設(shè)置參數(shù)如表1所示。

圖5 仿真場景示意

表1 仿真參數(shù)設(shè)置

5.2 測試方案設(shè)計

本文仿真測試重點關(guān)注不同CAV 滲透率和不同CHV 駕駛員的駕駛特性對設(shè)計的誘導(dǎo)策略的影響，選用交通飽和度來描述場景交通流量大小，其中飽和度為0.5、0.8和1.2分別代表稀疏、欠飽和與過飽和狀態(tài)：

a.為研究不同CAV 滲透率對設(shè)計的誘導(dǎo)策略的影響，分別設(shè)計了在交通流飽和度為0.5、0.8 和1.2 的3種工況下，通過逐步提升CAV 滲透率（0、20%、40%、60%、80%和100%）測試誘導(dǎo)策略的性能表現(xiàn)。

b.為研究不同CHV駕駛員對CAV車速誘導(dǎo)的服從度對誘導(dǎo)策略的影響，本文通過調(diào)整駕駛員的駕駛特性（駕駛員不完美駕駛特性，即實際車速與期望車速存在差異并在期望車速附近波動）模擬駕駛員對CAV車速誘導(dǎo)的服從度，在交通流飽和度為1.2的工況下，對比3種CHV駕駛員服從度（20%、60%和80%）下誘導(dǎo)策略的性能表現(xiàn)。

5.3 評價指標(biāo)選取

車輛誘導(dǎo)的優(yōu)化指標(biāo)總體可分為通行效率和車輛燃料消耗情況。本文選用平均行駛延誤時間和平均燃油消耗量分別刻畫交叉口通行效率和車輛燃料消耗情況。

平均行駛延誤時間是指一次仿真中，從車輛進(jìn)入仿真場景起，通過交叉口并駛出仿真場景的所有車輛行駛延誤時間的平均值，可以反映交叉口車輛通行效率。其中，延誤是指車輛在通過交叉口時由于信號控制或交通擁堵等狀況導(dǎo)致的時間延誤。

平均燃油消耗量是指一次仿真中，從車輛進(jìn)入仿真場景起，通過交叉口并駛出仿真場景的所有車輛燃油消耗量的平均值，可以反映車輛的燃油經(jīng)濟性。

5.4 測試結(jié)果與分析

5.4.1 不同CAV滲透率的影響分析

圖6所示為不同交通飽和度時，不同CAV滲透率下ATTD 和AFC 測試結(jié)果。由圖6可見，隨著CAV 滲透率的增大，ATTD和AFC均不斷減小。對于交通效率：在非過飽和情況下，CAV滲透率超過40%時，ATTD和AFC顯著下降；在過飽和情況下，CAV滲透率達(dá)到20%時，誘導(dǎo)策略就會發(fā)揮顯著作用。其原因可能在于過飽和工況下CHV 更易受到CAV 的誘導(dǎo)，因此誘導(dǎo)策略可在低CAV滲透率下發(fā)揮作用，在不飽和工況下，則需要高滲透率的CAV對CHV進(jìn)行誘導(dǎo)。當(dāng)滲透率達(dá)到100%時，在各種飽和度下，ATTD下降7%以上，并且在過飽和的工況下，ATTD下降可達(dá)到4.8 s。原因在于CAV可以提前獲知交叉口相位及倒計時信息，通過優(yōu)化自身車輛軌跡，避免停車等候，減少了起停損失并充分利用了綠燈時間，但交通信號燈配時方案固定，因此對ATTD 的優(yōu)化是有限的。對于燃油經(jīng)濟性，隨著CAV滲透率的提升，AFC下降至少13.02%，過飽和工況下，AFC可下降39.29%，這是由于進(jìn)行車速誘導(dǎo)的CAV提前采取制動，從而提升了燃油經(jīng)濟性。綜上，各種飽和度下，隨著CAV滲透率的提升，交叉口通行效率和燃油經(jīng)濟性均有所提升。

圖6 不同飽和度和CAV滲透率下ATTD和AFC測試結(jié)果

5.4.2 不同CHV服從度的影響分析

交通流飽和度為1.2的工況下3種CHV駕駛員服從度條件下的ATTD 和AFC 測試結(jié)果如表2 和表3所示。測試結(jié)果表明，隨著CAV 滲透率和CHV 駕駛員服從度的提升，ATTD和AFC優(yōu)化比例不斷增加。但在CAV低滲透率條件下，CHV 服從度較低時，對ATTD 和AFC 反而帶來了負(fù)面效果。當(dāng)CAV 滲透率高于60%時，CHV駕駛員服從度對ATTD和AFC的影響不明顯，原因在于高滲透率下CAV 對CHV 具有較好的誘導(dǎo)作用，而低滲透率下CAV 誘導(dǎo)作用減弱，CHV 低服從度使得車輛停車等待概率增大，對誘導(dǎo)效果產(chǎn)生影響。

表2 不同CHV服從度下的ATTD優(yōu)化結(jié)果 %

表3 不同CHV服從度下的AFC優(yōu)化結(jié)果 %

6 結(jié)束語

本文針對智能網(wǎng)聯(lián)汽車（CAV）與網(wǎng)聯(lián)人工駕駛汽車（CHV）組成的混合式交通流，設(shè)計了一種網(wǎng)聯(lián)信控交叉口場景下的行車誘導(dǎo)策略，選取平均行駛延誤時間（ATTD）和平均燃油消耗量（AFC）作為評價指標(biāo)，通過SUMO仿真，系統(tǒng)地測試分析了交通流量、CAV滲透率、CHV 駕駛員服從度等因素對協(xié)同誘導(dǎo)策略性能的影響。測試結(jié)果表明：在稀疏、欠飽和及過飽和交通流量條件下，隨著CAV滲透率的提升，網(wǎng)聯(lián)信控交叉口車輛通行效率和車輛燃油經(jīng)濟性不斷提升，過飽和工況下平均行駛延誤時間可縮短4.8 s，平均燃油消耗量可下降39.29%；高飽和度交通環(huán)境下，低CAV滲透率即可對交通性能產(chǎn)生顯著作用，低飽和度交通環(huán)境下，則需要高CAV滲透率提升交通性能；在CAV滲透率低于60%時，CHV駕駛員服從度對協(xié)同誘導(dǎo)策略的性能的影響更為顯著。

在本文研究中，交通信號配時方案是固定的，而車輛軌跡優(yōu)化對于交通通行性能提升是有限的，因此下一步將著力于混合交通環(huán)境下交通信號-車輛軌跡協(xié)同優(yōu)化問題研究。除此之外，車輛的網(wǎng)聯(lián)化不會一蹴而就，網(wǎng)聯(lián)車輛和非網(wǎng)聯(lián)車輛混合行駛的情況下如何進(jìn)行交叉口交通性能優(yōu)化也是一個巨大挑戰(zhàn)，這也是本文下一步的研究方向。