基于實際道路數據的混合交通流運行特性分析

張珊 王博通 王智宇 吉恒毅

摘 要：為研究符合中國道路的混合交通流運行特性，搭建一套交通數據采集設備于長沙采集人工駕駛汽車和自動駕駛汽車Robotaxi的運行數據。研究結果表明，人工駕駛員跟隨自動駕駛汽車趨向于保持更大的車頭間距，工作日晚平峰和早平峰較相鄰時段分別增加8.68 m和7.25 m;而自動駕駛汽車跟隨人工駕駛汽車時會采取較為保守的控制策略，車頭間距平均值在非工作日平峰、工作日晚平峰和早平峰較相鄰時段分別增加了5.23 m、1.11 m和2.93 m，趨向于保持更安全的車頭間距。

關鍵詞：自動駕駛;混合交通流;實車道路采集;微觀交通跟馳特性

中圖分類號：U463.6 文獻標識碼：A

0 引言

智能網聯汽車已明確上升至國家戰略高度，根據SAE的分級標準，L0級汽車無自動化即為人工駕駛汽車，L1-L2級汽車為具有駕駛輔助功能的汽車，L3及以上可稱之為自動駕駛汽車，開展自動駕駛技術研究對提供汽車穩定性和安全性具有重要意義。美國NHTSA在研究汽車自動化的同時，提出了基于安全的自動駕駛汽車道路行駛法規。而自動駕駛汽車面臨的除了政策法規，還有道路測試、技術問題、基礎設施、消費者認知等突出問題，目前L3級汽車均為限制區域的3級自動駕駛，部分企業如百度Apollo等直接研發L4級汽車。由于汽車使用壽命約為10年，未來很長一段時間內，不同等級的汽車將組成混合交通流交織運行，研究混合交通流的運行特性已成為智能交通和交通流理論的研究熱點。

1 文獻綜述

人類駕駛員需遵從《道路交通安全法》等法律法規，雖駕駛風格有所不同，但由于長時間的交互和博弈，保持著動態平衡[1]。自動駕駛汽車根據其搭載的傳感器來感知環境，并通過邏輯層進行計算，將運動決策輸出至控制器，從而完成預期行駛目標。目前，自動駕駛邏輯算法較依賴于底層控制策略，會有駕駛激進、保守等不同的駕駛風格，且自動駕駛汽車的決策規劃方式存在個體差異，這些差異導致自動駕駛汽車和人工駕駛汽車的駕駛行為不同，進而造就了混合交通流不同于傳統交通流的新特征。

Cui等認為在混合交通流中隨著人工駕駛汽車而移動的自動駕駛汽車，會在一定程度上個改變交通流特征參數;秦嚴嚴等[2]基于伯克利大學通過實車試驗標定的CACC模型研究混合交通流的穩定性。Chen等通過仿真多個場景研究自動駕駛汽車對交通流的影響，結果表明引入了自動駕駛功能的混合交通流穩定性得到改善，道路通行能力得以提高。上述研究都表明混入自動駕駛汽車的交通流運行特性發生了變化，但均利用仿真數據或國外標定的實車數據，并不能充分體現中國混合交通流的真實道路運行特征，且目前交通流研究不涉及評價車輛間的跟隨關系，無法了解微觀交通流中車輛的交互情況。

基于此，利用激光雷達和攝像頭組成的交通數據采集裝置，在長沙自動駕駛示范運行區域采集包含自動駕駛汽車Robotaxi和人工駕駛車輛的混合交通流運行特征的實車數據，通過圖像識別和機器學習算法分辨不同目標物并統計車頭間距、速度等數據，研究自動駕駛汽車的跟車特性及對前后車輛的影響。

2 混合交通流實車數據采集

2.1 采集設備

此次主要采集城市公開道路混合交通流中的自動駕駛汽車、人工駕駛汽車數據。利用一顆HESAI 64線機械式激光雷達和一顆海康工業攝像頭組成交通數據采集裝置，采集所有目標物的速度、位置、車頭間距、尺寸等。

2.2 采集時間及地點

考慮到Robotaxi的運行規模和品牌分布選取長沙作為采集地點，環境信息、采集時間等。

3 混合交通流實車數據處理

3.1 采集前數據預處理

結合圖像分析和機器學習的方法，將激光雷達的點云數據與攝像頭的信息融合，考慮自動駕駛汽車與傳統人工駕駛汽車最大的差異——自動駕駛汽車頂部安裝的激光雷達及支架部分，從而篩選出自動駕駛汽車并標記。

3.2 分時段數據梳理

考慮到自動駕駛汽車Robotaxi運行時間避開了早/晚高峰時段，分別選取長沙工作日早平峰、晚平峰，及非工作日午平峰時段采集到的數據進行分析，將采集到的目標物分為人工駕駛小汽車、中型車及Robotaxi車輛。

按照JTGB01—2014公路工程技術標準的規定，將交通流數據中的小轎車和中型車，換算為標準小汽車。

4 混合交通流實車數據分析

4.1 基于車頭間距的跟車特性分析

自動駕駛汽車Robotaxi受控制策略影響而呈現出不同的駕駛風格，人工駕駛汽車與自動駕駛汽車混行時會由于駕駛員的好奇/害怕等心理而接近/遠離自動駕駛汽車，車輛的車頭間距、速度、加速度等發生變化使得混合交通流呈現出不一樣的交通運行特性。

分別統計非工作日平峰、工作日晚高峰和工作日早高峰時段，人工駕駛汽車跟隨自動駕駛汽車（人工駕駛汽車）的車頭間距，以及自動駕駛汽車（人工駕駛汽車）跟隨人工駕駛汽車的車頭間距。由于道路采集設備架設在路邊人行橫道上，高度約2 m，與遠方車輛形成一定的夾角，車頭間距數據存在部分偏差。考慮到普通乘用車長度在3 800 mm以上，以及車輛運動過程中需保持一定的距離，故去除車頭間距小于4 m的數據。

人工駕駛階段由于車流量較大，車頭間距散點較多，但大部分車輛的車頭間距集中在小部分區域，駕駛員跟車較為緊密。

混合交通流階段的車頭間距平均值（12月20日10：00—11：00的26.69 m，12月21日15：00—16：00的32.91 m，12月22日10：00—11：00的27.02 m）均大于人工駕駛階段（12月21日16：30—17：30的25.61 m，12月22日08：30—09：30的23.38 m）的平均車頭間距，工作日晚平峰和工作日早平峰相較于相鄰時段分別增加7.30 m和3.64 m。

人工駕駛階段車輛跟車特性與前序分析相近，工作日晚平峰和工作日早平峰的車頭間距平均值僅相差0.27 m和0.68 m，車頭間距中位值僅相差0.50 m和0.67 m，說明人工駕駛階段的交通流較為穩定。

混合交通流階段的車頭間距平均值（12月20日10：00—11：00的31.92 m，12月21日15：00—16：00的34.02 m，12月22日10：00—11：00的29.95 m）均大于人工駕駛階段（12月21日16：30—17：30的25.34 m，12月22日08：30—09：30的22.70 m）的平均車頭間距，工作日晚平峰和工作日早平峰相較于相鄰時段分別增加8.68 m和7.25 m。自動駕駛汽車跟車階段與人工駕駛汽車跟隨自動駕駛汽車階段相比較，車頭間距平均值在非工作日平峰、工作日晚平峰和工作日早平峰分別增加了5.23 m、1.11 m和2.93 m。說明自動駕駛汽車的跟車策略較為保守，車頭間距控制在較安全的范圍內。

5 結論

（1）獲取的中國道路實際運行情況的混合交通流實車數據，涵蓋非工作日/工作日的早/晚平峰不同時段，彌補了國內混合交通流實車數據方面的空白。

（2）自動駕駛汽車周圍車輛的微觀運行特性分析表明，人工駕駛階段的交通流運行較為穩定;混合交通流階段，人工駕駛員跟隨自動駕駛汽車趨向于保持更大的車頭間距，而自動駕駛汽車跟隨人工駕駛汽車時也會采取較為保守的控制策略，保持更大、更安全的車頭間距。

未來，將在北京、廣州等更多的自動駕駛示范運行區域采集交通流，得到更具有普遍意義的交通流模型;利用采集到的數據分析車輛間的橫向運動，如切入/切出、不同車道間車輛間隙等;改進采集裝置，消除或減小由于設備安裝問題帶來的測量誤差。

參考文獻：

[1]陳君毅，李如冰，邢星宇，等.自動駕駛車輛智能性評價研究綜述[J].同濟大學學報（自然科學版），2019（12）：1785-1824.

[2]秦嚴嚴，王昊，王煒，等.混有協同自適應巡航控制車輛的異質交通流穩定性解析與基本圖模型[J].物理學報，2017（9）：257-265.