混合自動駕駛環(huán)境下快速路速度引導(dǎo)仿真

陳大山

(上海應(yīng)用技術(shù)大學(xué) 軌道交通學(xué)院，上海 201418)

城市快速路作為城市內(nèi)部的快速高效交通服務(wù)基礎(chǔ)設(shè)施，具有非常重要的作用，在城市道路交通基礎(chǔ)設(shè)施體系中，快速路占比不大，但是交通分擔(dān)率卻很高，上海市高架道路僅占市區(qū)道路面積的5%，卻承擔(dān)著市內(nèi)35%的交通出行，北京市主要快速路占北京路網(wǎng)長度的8%，卻承載了近50%的車流量[1]。伴隨交通需求的跨越式增長以及交通擁堵與交通事故的頻發(fā)，在車路協(xié)調(diào)研究背景下，需要在城市快速路管理中引入主動交通集成管理。速度引導(dǎo)控制作為主動交通管理的重要組成部分，其對提高快速路通行能力、降低快速路事故的風(fēng)險性與減緩甚至是消除交通擁堵具有一定的價值。同時，自動駕駛技術(shù)在近幾年來得到了廣泛的社會關(guān)注，IHS環(huán)球透視汽車部門曾預(yù)測2035年全球?qū)碛薪?5 400 萬輛自動駕駛汽車，2050年之后，幾乎所有汽車或?qū)⑹亲詣玉{駛汽車。因此在全面自動駕駛時代到來之前，常規(guī)駕駛與自動駕駛混合的交通狀態(tài)將持續(xù)較長時間?；旌献詣玉{駛環(huán)境下，對常規(guī)交通控制管理的理念、技術(shù)、方法等將帶來巨大的挑戰(zhàn)[2-4]。通過速度引導(dǎo)控制可以提高道路運行效率，降低事故發(fā)生率；然而在混合自動駕駛環(huán)境下，混合率直接影響控制效果。本文通過混合自動駕駛仿真環(huán)境下，對速度引導(dǎo)控制的效應(yīng)分析，為精細化的速度引導(dǎo)控制提供支撐。

1 汽車自動駕駛環(huán)境

目前建模自動駕駛車輛可以分為2種方法，一種是基于修改交通流模型的建模，另外一種是基于實驗數(shù)據(jù)的建模。盡管基于真實的實驗數(shù)據(jù)更加的可靠，但是考慮到成本、安全性以及目前還不能夠?qū)崿F(xiàn)完全自動駕駛實驗等原因，基于修改后的交通流模型建模方法在研究中應(yīng)用更為普遍。由Treiber提出的智能駕駛?cè)四Ｐ?(intelligent driver model，IDM)建模自動駕駛環(huán)境下車輛的行為具有一定的代表性[5]。與其他模型相比，IDM的模型需要標(biāo)定的參數(shù)較少，而且IDM可以研究多種交通流狀態(tài)下的車輛交通行為，IDM模型公式如下：

式中：a(k)為k時段加速度；v(k)為當(dāng)前車輛的速度；v0為車輛的期望速度；s(k)為車輛的車輛間距；s0為最小車輛間隔；HW為車頭時距；Δv(k)為車輛的速度差；a為最大加速度；b為期望減速度，期望速度v0與k時段的速度引導(dǎo)控制值相同。自動駕駛車輛通過采用較常規(guī)駕駛員駕駛更小的車頭間距，如果自動駕駛車輛相互跟隨，則服從自動駕駛跟馳模型，擁有最小的車頭間距，如果自動駕駛車輛跟隨常規(guī)駕駛車輛，其車頭間距較常規(guī)車輛跟馳的車頭間距要小，基于IDM模型，采用微觀仿真軟件VISSIM來模擬車輛自動駕駛環(huán)境。

2 快速路速度引導(dǎo)控制

對于快速路速度引導(dǎo)控制，國內(nèi)外研究學(xué)者進行了一系列的研究。楊兆生等[6]通過城市快速路匝道調(diào)節(jié)與動態(tài)速度引導(dǎo)協(xié)調(diào)控制，根據(jù)歷史數(shù)據(jù)統(tǒng)計分析與專家經(jīng)驗針對多種不同交通狀態(tài)進行速度引導(dǎo)控制；李家寶等[7]面向?qū)嶋H應(yīng)用采用模糊邏輯來確定限速值，考慮的因素主要有車輛群狀態(tài)與路面狀態(tài)；林尚偉等[8]同樣采用模糊邏輯來確定限速值，考慮的因素有路段平均車流密度和路面狀態(tài)估計值。梁新榮等[9]認(rèn)為限速控制系統(tǒng)是一個非線性時變系統(tǒng)，難于用數(shù)學(xué)模型準(zhǔn)確建模，提出一種模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)限速控制，通過分析車輛群狀態(tài)、路面性能、氣象條件等，建立交通流速度限制模糊神經(jīng)網(wǎng)絡(luò)模型，并進行了仿真研究。Allaby等[10]采用的策略是根據(jù)流量、車輛速度與占有率進行二叉樹分析進而確定速度值，是基于規(guī)則的控制策略，簡單高效易于實現(xiàn)。確定合理速度引導(dǎo)值對于交通運行效果有很大的影響，國外多以85%位車速作為限速值，85%位車速改善行程安全與效率決定于道路上車輛速度分布的離散程度，當(dāng)?shù)缆份^為擁擠時，車輛離散程度較大，85%位車速限制顯得不夠精細。為充分考慮交通流參數(shù)以及速度引導(dǎo)控制的靈活適應(yīng)性，速度引導(dǎo)值采用Khondaker模型[11]，即：

3 仿真系統(tǒng)框架

速度引導(dǎo)仿真系統(tǒng)使用VISSIM軟件來模擬現(xiàn)實的交通世界；交通流模型的數(shù)值建模及求解在MATLAB軟件中實現(xiàn)；VISSIM、MATLAB的接口函數(shù)來實現(xiàn)數(shù)據(jù)交換和控制策略。因此在線仿真系統(tǒng)按照功能定位可以劃分為3個功能模塊，分別是仿真模塊、策略實現(xiàn)模塊和接口模塊，如圖1所示。

圖1 仿真框架Fig.1 Simulation framework

通過使用外部駕駛員模型的動態(tài)鏈接庫(dynamic link library,DLL)接口來實現(xiàn)IDM模型，VISSIM通過實時調(diào)用外部駕駛員動態(tài)鏈接庫函數(shù)，來實現(xiàn)車輛行為的改變。

4 道路安全評估

道路安全評估可以直接評估也可以通過間接的方法來評估。直接的評估方法以交通事故統(tǒng)計為基礎(chǔ)，該方法簡單易操作，在日常道路交通管理中應(yīng)用較為廣泛，但是也存在一定的弊端，比如道路交通事故絕對數(shù)據(jù)相對較少、統(tǒng)計周期相對較長、事故的隨機性較大等問題。交通沖突技術(shù)是間接交通安全評價方法中的代表性方法，其具有沖突數(shù)量相對較多、周期較短、規(guī)律性較強等特點，在道路交通安全研究領(lǐng)域得到了極為廣泛的應(yīng)用研究；但人工觀測交通沖突方法主觀隨意性較大，同時需要耗費大量人力物力。因此美國聯(lián)邦公路局開發(fā)了間接安全分析模型(surrogate safety assessment model,SSAM)[12]，用來分析微觀仿真模型輸出軌跡文件的軟件，其可以利用交通沖突技術(shù)進行安全評價。

圖2 快速路圖Fig.2 Simulated expressway

圖3 中低流量下不同自動駕駛比例沖突數(shù)量Fig.3 Number of conflicts under low-medium traffic flow and different autonomous vehicles

5 案例仿真分析

案例仿真分析的實體路段及走向如圖2所示，其為上海市內(nèi)環(huán)快速路外環(huán)方向黃興路至西藏北路長度約為5 km。該研究路段包含因車道減少而導(dǎo)致的常發(fā)性瓶頸點且路段線形變化較大，為研究速度引導(dǎo)控制效應(yīng)分析提供了一個直接的目標(biāo)對象。該快速路段分為8個路段，每個路段分別設(shè)有速度引導(dǎo)控制，速度引導(dǎo)變化周期為1 min。

混合自動駕駛環(huán)境下快速路速度引導(dǎo)仿真分析從混合率與交通量兩個方面進行研究，自動駕駛車輛比例從0%按照10%遞增到100%。其中0%為無自動駕駛車輛，100%為完全自動駕駛車輛。交通量從 1 000 veh/h按照500 veh/h步長逐漸遞增到 3 500 veh/h。仿真研究6類交通量模式，其中模式A、B、C對應(yīng)為中低流量；模式D、E、F對應(yīng)為高流量，每種模式下對應(yīng)于不同的自動駕駛車輛比例。在仿真平臺中進行多種模式的測試分析，選取主線1 km路段作為行程時間監(jiān)測段；不同交通需求模式下進行行程時間統(tǒng)計分析，同時在不同的交通模式與自動駕駛車輛比例條件下，通過SSAM沖突分析軟件分析仿真輸出的車輛軌跡文件，對沖突數(shù)據(jù)進行統(tǒng)計分析，最終結(jié)果如圖3～6所示。

圖3為在中低流量模式下的沖突數(shù)量，隨著自動駕駛車輛比例的提高，車輛的沖突數(shù)量呈減少的趨勢，同時隨著車量的增加，沖突的數(shù)量也不斷的增多，但不同自動駕駛比例之間變化不大。圖4為高流量模式下沖突的數(shù)量，由圖4可見，隨著自動駕駛車輛比例的提高，沖突數(shù)量并沒有明顯的規(guī)則變化。圖5為中低流量下不同自動駕駛比例行程時間，由圖5可見，在不同流量模式下隨著自動駕駛比例的提高，監(jiān)測路段行程時間具有較好的穩(wěn)定性。

圖6為高流量下不同自動駕駛比例行程時間。由圖6可見，盡管加入了自動駕駛，因為整體流量水平較高，難以保持行程時間的可靠性，自動駕駛比例對于行程時間的影響無明顯規(guī)則。結(jié)果表明，基于混合自動駕駛環(huán)境下的速度引導(dǎo)控制，在中低流量模式時行程時間與沖突數(shù)量都隨自動駕駛比例的提高有一定的減少，而且行程時間的穩(wěn)定性較高；在高流量模式下，自動駕駛車輛比例對于沖突數(shù)量與行程時間無明顯的規(guī)則。因此在速度引導(dǎo)應(yīng)用于實踐過程中需要對其邊界條件進行詳細的分析，使得速度引導(dǎo)控制正面效應(yīng)最大化。

圖4 高流量下不同自動駕駛比例沖突數(shù)量Fig.4 Number of conflicts under high traffic flow and different autonomous vehicles

圖5 中低流量下不同自動駕駛比例行程時間Fig.5 Travel time under low-medium traffic flow and different autonomous vehicles

6 結(jié) 語

建立混合自動駕駛環(huán)境下快速路速度引導(dǎo)仿真分析平臺，通過VISSIM與MATLAB進行數(shù)據(jù)交換與控制策略實施，對比分析了多種交通模式在不同的自動駕駛比例下速度引導(dǎo)控制效應(yīng)，表明速度引導(dǎo)控制在中低交通量模式時，隨著自動駕駛比例的提高，道路的安全與效率都得到改善。