車輛IDM 跟馳模型研究綜述

陸 建，夏晶晶，時 磊

（淮陰工學院，江蘇 淮安 223003）

0 引言

IDM 是integrated Drive Model（一體化驅動模型）的縮寫。車輛跟馳行為是描述同一車道上前后兩車在行駛車隊中的相互作用，是研究微觀交通流的基礎交通行為[1]。跟馳模型是基于傳統(tǒng)的動力、運動學，通過對行駛在單車道上的車隊中的前車的運動狀態(tài)對跟馳車運動狀態(tài)的影響，對微觀交通流進行描述，為車輛跟馳行為的研究提供一種理論方法。跟馳理論自從1950 年被提出以來，經過七十多年的發(fā)展，已經成功應用于微觀交通仿真、交通安全評價和道路通行能力評估等領域。跟馳模型從起初的理論逐漸演變成微觀交通流中具有研究意義的車輛跟馳模型，通過結合交通工程、物理學、心理學等眾多學科的知識不斷對其進行改進，為交通工程學的發(fā)展做出了巨大貢獻。

1 經典IDM 跟馳模型的提出

Reuschel[2]和Pipes[3]首先從運動學的角度對隊列行駛中的車流進行，為車輛的跟馳行為提供了理論基礎。1961 年Gazis[4]等根據(jù)刺激-反應原理提出了最經典的GM 跟馳模型的通用表達式，奠定了跟馳模型在微觀交通流中的核心地位；1981 年Gipps[5]等結合安全距離的思想提出了安全距離模型；1995 年Bando[6]等利用前車的速度、與前車之間的距等信息建立了速度優(yōu)化模型。

隨著自動駕駛技術的發(fā)展，通過車聯(lián)網(wǎng)車輛能夠獲得更多、更精確的周圍車輛及道路狀況的實時數(shù)據(jù)，并實現(xiàn)駕駛操作的輔助與決策。在這種背景下，有一些學者對傳統(tǒng)跟馳模型進行了改進。

Treiber 等[7]基于自動駕駛技術提出了智能駕駛員模型（IDM），該模型基于合理的假設以及現(xiàn)有的參數(shù)對微觀和宏觀交通模型進行了對比和解釋。根據(jù)德國高速公路的交通數(shù)據(jù)，利用測得的邊界條件以半定量的方式得到的結果與各種經驗觀察結果一致。他們發(fā)現(xiàn)該模型能夠建立微觀與宏觀交通流之間的聯(lián)系，在描述跟馳行為時的穩(wěn)定性容易控制，有利于實現(xiàn)加減速平穩(wěn)過渡的智能制動策略。

2 車輛IDM 模型的改進

在Treiber 等[7]提出智能駕駛員模型之后，研究者主要從基于傳統(tǒng)駕駛員、車輛特性的角度和自動駕駛技術角度對智能駕駛員跟馳模型（IDM）進行改進。

2.1 基于傳統(tǒng)駕駛員、車輛特性的改進

2006 年Treiber 等[8]考慮了駕駛人延遲、不精確等因素，建立了HDM 模型。擬合出的結果表明，HDM模型減少了自由交通和高速擁擠交通之間的轉換梯度，增加了停走的波長，這與經驗觀察的結果是一致的。

2012 年敬明[9]等將駕駛人的反應時間和車輛類型作為車輛的個體特征加入到IDM 跟馳模型中，創(chuàng)建了基于車輛個體特征的跟馳模型。研究的結果表明，改進后的模型能夠較好地反映駕駛人真實地刺激反應過程、駕駛人行為的離散型和隨機性及不同車型車輛性能的差異，提高了仿真效果與實際狀況的一致性。

2015 年Saifuzzaman 等[10]基于任務能力交互模型，將駕駛任務難度（TD）模塊嵌入到Gipps 的安全距離模型和智能駕駛員（IDM）模型中，建立了TDGipps和TDIDM 模型。數(shù)值仿真的結果表明，TDIDM 模型通過精確獲得前車的速度、車間距等信息，能在不同駕駛任務難度下有效控制跟馳車輛的跟馳行為，特別是當前車突然加速或減速時，在該模型控制下的跟馳車輛仍能保持平穩(wěn)的跟馳車速。

2016 年楊龍海等[11]考慮了道路附著系數(shù)，對IDM模型進行了改進，建立了實時道路條件的跟馳模型，通過仿真分析，得出了該模型在確保行車安全的基礎上，不僅保證了乘客的舒適性，而且有助于提升道路通行能力的結論。

2019 年肖新平等[12]在經典智能駕駛員模型（IDM）中加入速度差刺激項和非對稱系數(shù)，同時考慮了速度波動的異方差性等因素建立了IDM-GARCH 模型。仿真分析的結果表明，改進后的IDM 模型與經典IDM 模型相比不僅在精度上有了很大的提高，而且由GARCH 類模型估計地條件方差也能準確反應后車速度波動的趨勢和幅度。

2021 年鄧紅星等[13]在經典IDM 模型的基礎上，通過引入駕駛員反應時間、反應車型特征的期望跟馳間距系數(shù)以及前車加速度信息對IDM 進行了改進，提出了一種AIDM 模型。利用線性穩(wěn)定性分析方法，得到了使AIDM 模型的穩(wěn)定性條件。仿真分析的結果表明，融入前車加速度信息這一參數(shù)能夠進一步提高交通流的穩(wěn)定性，有效抑制交通擁堵。

2.2 基于自動駕駛技術的改進

自適應巡航控制（ACC）和自動駕駛汽車協(xié)調自適應巡航控制（CACC）車輛進行跟馳行為的前提保持穩(wěn)定的車間時距，而智能駕駛員模型（IDM）恰好能夠反映車間時距這一物理意義。因此，應用智能駕駛員跟馳模型描述ACC/CACC 車輛跟馳行為得到了眾多學者的普遍的認可。

2006 年Van Arem 等[14]利用以高速公路下匝道作為研究對象，來研究擾動對于有限交通量的影響，并發(fā)現(xiàn)當CACC 車輛的比例增加時，平均車速相應得到提升，擾動能夠更快速度地消散。

2008 年Kesting 等[15]應用利用IDM 模型模擬了ACC 車輛，研究結果表明：ACC 車輛在車隊中的比例達到25%以上時，車流的擁堵情況可以得到有效改善。

2010 年Schakel 等[16]在經典IDM 跟馳模型的基礎上通過加速控制裝置來增強CACC 車輛的交通流穩(wěn)定性。實驗結果表明，實驗車輛速度和間距的差異性減小了，該設計側重于交通流穩(wěn)定性的提升，并非交通容量的增加。

2020 年羅穎等[17]利用篩選處理后的NGSIM 數(shù)據(jù)庫軌跡數(shù)據(jù)，分別建立了IDM 跟馳模型與RBFNN 跟馳模型，以最優(yōu)加權組合的方法溝通二者，建立了IDM-RBFNN 低速跟馳模型。結果表明，該模型既可有效避免車輛在低速跟馳行為中容易出現(xiàn)的較大加速度震蕩與不安全跟車間距，又能夠更好的符合實際變化趨勢。

3 IDM 模型發(fā)展現(xiàn)狀評述

通過以上對車輛跟馳行為模型分析可以得出，各國的研究者對經典智能駕駛員模型（IDM）進行了各種不同的改進。然而，由于各種建模思想與理論結果、參數(shù)標定結果等的各不相同，其使用條件也必然也不同，因此，對各種改進后的跟馳模型的綜合評價就顯得特別困難。

車輛跟馳行為涉及駕駛人的因素，該行為往往與駕駛人自身的生理特性、駕駛技能、實際駕駛狀態(tài)等因素密切相關；同時，由于車輛的跟馳行為需要依靠車輛這一載體才能實現(xiàn)，路面條件、車輛性能的變化也在很大程度上影響著跟馳行為特性。這些因素都使得所建立的模型的實用性受到極大的挑戰(zhàn)。正常來說，只有當所建立的模型的結構能夠全面反映不同交通狀態(tài)中的駕駛人的不同行為時，由該模型所做出的預測的準確度才能處于較高水平。但是，在車輛跟馳模型中融入更多的人的因素，勢必會增加模型的復雜性，這將給參數(shù)標定帶來一定的壓力，導致所建立的模型地實用性大大降低。此外，盡管不少研究人員提出了各種反映人的因素的參數(shù)，但是這些參數(shù)對于跟馳行為特性地影響能力還缺乏量化。

4 IDM 模型發(fā)展趨勢

對智能駕駛員跟馳模型（IDM）研究的最終目標是使所建模型能夠在微觀和宏觀水平上與現(xiàn)實交通特性保持一致。IDM 跟馳模型的研究不僅需要考慮駕駛人自身復雜的特性、改進模型結構增加其實用性，而且還需要考慮建立統(tǒng)一地參數(shù)標定與評價標準。此外，智能交通技術、車聯(lián)網(wǎng)技術的飛速發(fā)展，給智能駕駛員跟馳模型（IDM）帶來了新的發(fā)展機遇。未來對智能駕駛員跟馳模型（IDM）的改進可以從以下幾個方面著手：

4.1 多種學科理論的交叉融合

智能駕駛員跟馳模型（IDM）的發(fā)展過程中融合了物理學、心理學、自動控制、車輛工程等諸多學科的理論。各種不同的理論方法共同使得智能駕駛員跟馳模型（IDM）不斷發(fā)展，因此，我們應該針對具體的問題選擇一種或多種理論融合去解決，所選的理論方法不一定是我們最熟悉的，而應該是能更好地解決所遇到問題的理論方法。

4.2 有選擇的考慮駕駛人的因素

駕駛人始終是跟馳行為產生的主體，車輛的跟馳行為不能被簡單地視作一種純機械運動，而是物理與心理相互作用產生的結果，駕駛人的主觀因素在跟馳行為中扮演著重要的角色。因此，未來對智能駕駛員模型（IDM）的改進在充分考慮駕駛人的主觀的因素仍是重點發(fā)展趨勢；同時，還應該對反映駕駛人因素的參數(shù)進行量化。然而，模型融合的人的因素越多，所建模型會越復雜導致模型實用性降低。因此，對各種人的因素進行篩選，選擇相對來說重要的駕駛人因素并通過適當?shù)姆绞皆诟Y模型中體現(xiàn)是一個重點研究方向。

4.3 與車聯(lián)網(wǎng)等新技術結合

在車聯(lián)網(wǎng)中，安裝ACC/CACC 的車輛相互之間可以互相通信聯(lián)網(wǎng)，很容易便可獲得車隊中前后方車輛的行駛狀態(tài)信息，由此所獲得的信息量相較非網(wǎng)聯(lián)車輛大大增多。在普通車輛-網(wǎng)聯(lián)車輛、網(wǎng)聯(lián)車輛-網(wǎng)聯(lián)車輛混行的交通環(huán)境下，當前的駕駛經驗理論已經不再適用。因此，需要對經典的智能駕駛員模型（IDM）的理論假設進行改進，使之可以精準的反映車聯(lián)網(wǎng)環(huán)境下的車輛的跟馳行為特性。

另一方面，車輛駕駛正向著無人駕駛方向發(fā)展，無人駕駛車輛需要采用高精度的車輛跟馳模型作為其控制策略，以此來提高所建系統(tǒng)的可靠性和安全性，智能駕駛員跟馳模型（IDM）將為無人駕駛提供一種重要的技術支持。

4.4 建立統(tǒng)一的參數(shù)標定與評價標準

任何模型在沒有通過實驗數(shù)據(jù)標定前都難以具有很強的束縛力。然而，由于數(shù)據(jù)采集的地點、采集時的交通狀況、采集車輛的性能、采集所用的方法等因素的不盡相同，勢必會對參數(shù)標定的結果造成不同的影響；同時，由于車輛技術的發(fā)展、道路狀況的變化，使得曾經的參數(shù)標定結果并不能完全適用于現(xiàn)今的交通狀況。因此，建立統(tǒng)一的參數(shù)標定與評價標準（采集時的交通狀況、數(shù)據(jù)采集的地點、采集車的車輛性能、采集方法等）已經迫在眉睫。

5 結語

（1）基于傳統(tǒng)駕駛特性角度的改進需要對駕駛人的人類因素進行考量，但是人類因素的參數(shù)量化還有待深化，同時各個因素的權重也有待進一步研究。隨著車輛駕駛輔助系統(tǒng)的發(fā)展，智能駕駛員跟馳模型（IDM）可以有進一步的改進。隨著高精度數(shù)采集能力的提高，跟馳模型的評價指標及方法可以得到一定的規(guī)范。

（2）隨著車聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等新技術的應用，對駕駛人在普通車輛與智能網(wǎng)聯(lián)車混合行駛交通環(huán)境下的跟馳行為特性的影響還有待深入研究，跟馳模型在車聯(lián)網(wǎng)環(huán)境下的人車耦合機理、自動駕駛控制策略等方面的研究還需要進一步深化，從而為無人駕駛提供一定的技術支持。

（3）不同的建模思想都各有特點及優(yōu)勢，未來對于不同跟馳模型優(yōu)勢的融合方面值得進一步的探索與研究。

（4）中國關于車輛跟馳理論的研究起步較晚，雖然中國已經開展了自然駕駛研究的實驗，但目前中國對于車輛跟馳行為的研究所用到的數(shù)據(jù)大多是利用西方的駕駛實驗數(shù)據(jù)，不同國家的駕駛人其車輛跟馳行為特性會有所差異，因此對中國駕駛人在公路上的跟馳行為特性的研究應加快進行。