微觀交通模型：智能網(wǎng)聯(lián)化轉(zhuǎn)型與通用駕駛?cè)四Ｐ涂蚣?/h1>
2022-06-09 12:50:42賀正冰
交通運輸工程與信息學(xué)報 2022年2期 關(guān)鍵詞：模型
賀正冰
（北京工業(yè)大學(xué)，城市交通學(xué)院，北京 100020）
0 引言
隨著信息技術(shù)的快速發(fā)展，全球汽車產(chǎn)業(yè)進入百年未有的大變革時期，智能網(wǎng)聯(lián)汽車與交通領(lǐng)域正成為全球科技和產(chǎn)業(yè)革命的戰(zhàn)略高地。隨著中共中央、國務(wù)院印發(fā)《交通強國綱要》以及政府、企業(yè)、科研機構(gòu)的大量投入，我國智能網(wǎng)聯(lián)汽車與交通技術(shù)迅猛發(fā)展，正成為中國制造業(yè)轉(zhuǎn)型升級的重要載體。
作為交通系統(tǒng)態(tài)勢分析、推演與評價的重要微觀工具，微觀交通模型通過數(shù)學(xué)模型或機器學(xué)習(xí)方法刻畫車輛在路上的運動過程以及車輛間的交互作用，是交通系統(tǒng)仿真的微觀基石。隨著汽車產(chǎn)業(yè)革命以及交通擁堵問題的日益加劇，自20世紀50 年代第一個模型的出現(xiàn)，微觀交通模型的研究得到了快速發(fā)展。包括車輛跟馳模型與換道模型在內(nèi)的各種微觀交通模型層出不窮[1-3]，極大地深化和豐富了人們對車輛運動、車間交互以及交通流現(xiàn)象與演化規(guī)律的認識，推動了汽車與交通學(xué)科的快速深入發(fā)展。
智能汽車技術(shù)與智能網(wǎng)聯(lián)環(huán)境的加速到來對微觀交通建模提出了前所未有的挑戰(zhàn)[4]。一系列問題亟待回答，比如：目前的微觀交通模型是否可以對接智能網(wǎng)聯(lián)環(huán)境？作為車輛運動的發(fā)起者和交通系統(tǒng)的核心，駕駛?cè)藢⒃谥悄芫W(wǎng)聯(lián)系統(tǒng)中發(fā)揮怎樣的作用？是否有必要或者怎樣建立智能網(wǎng)聯(lián)環(huán)境下的駕駛?cè)四Ｐ停恐悄芫W(wǎng)聯(lián)環(huán)境下，微觀交通建模的未來研究方向包括哪些？
為了更好地回答上述系列問題，本文首先從建模機理及人因角度回顧并評述了目前的微觀交通模型及領(lǐng)域進展；在此基礎(chǔ)上，提出了耦合“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”五元素的智能網(wǎng)聯(lián)交通系統(tǒng)建模框架，以及考慮有限能力的“感知-決策-操作”通用駕駛?cè)四Ｐ团c建模框架，并列舉了開展相關(guān)研究的關(guān)鍵科學(xué)問題；最后，就智能網(wǎng)聯(lián)微觀交通模型發(fā)展方向與技術(shù)路線展開討論。
特別注明，本文只討論智能網(wǎng)聯(lián)環(huán)境下有駕駛?cè)藚⑴c的微觀交通建模研究，即智能網(wǎng)聯(lián)通過提供駕駛建議與交通環(huán)境信息輔助駕駛?cè)瞬僮鬈囕v運動，不涉及以下幾項研究：（1）較少需要人工干預(yù)的自動駕駛研究；（2）完全面向駕駛?cè)诵睦砼c行為的（駕駛）人因研究；（3）以車輛和自動駕駛測試為目的并源于發(fā)動機的車輛動力學(xué)模型。
1 微觀交通模型回顧與評述
首先，重點從建模機理以及人因參數(shù)的角度回顧包括GM 模型、OV 模型、Gipps 模型、ID 模型在內(nèi)的經(jīng)典跟馳模型，以及MITSIM 模型、MOBIL模型、SE 模型、換道執(zhí)行模型在內(nèi)的車輛換道模型，隨后從統(tǒng)一形式、分類、完整度、應(yīng)用場景等多個角度詳細評述微觀交通模型進展。
梳理經(jīng)典微觀交通模型的目的和意義在于：（1）梳理現(xiàn)有模型，可以更好地展現(xiàn)其中不足，幫助研究者有針對性地開展工作；（2）梳理現(xiàn)有模型主要是為了引出智能網(wǎng)聯(lián)交通流模型以及后續(xù)提出的通用駕駛?cè)四Ｐ停虼耍瑑H梳理部分經(jīng)典模型；（3）建模機理及人因的微觀交通模型梳理角度較為新穎，對現(xiàn)有跟馳與換道場景以及建模覆蓋度的關(guān)注也是交通流模型研究急需的工作。
1.1 參數(shù)匯總(見表1)
表1 參數(shù)匯總
1.2 回顧：代表性車輛跟馳模型
1.2.1 General Motor（GM）模型
GM模型[5]屬于刺激-反應(yīng)類模型，其基本邏輯源于牛頓力學(xué)，即物體運動狀態(tài)由物體間交互作用決定。GM 模型包括兩個基本假設(shè)：（1）車速越高，車間距越大；（2）為了避免碰撞，后車必須和前車保持一定距離。其數(shù)學(xué)模型表達為：
式中：λGM為靈敏系數(shù)，λGM>0；ssafe為安全車距。
對時間t求導(dǎo)數(shù)，并整理得到：
式（2）中，目標(biāo)車加速度僅與兩車速度差成恒定的線性正比例，顯然不合理。實際上，目標(biāo)車加速度還應(yīng)與兩車間距成反比并與目標(biāo)車當(dāng)前車速成正比，因此，修訂式（2）如下：
式中：aGM為刻畫目標(biāo)車加速度與速度差之間靈敏關(guān)系的反應(yīng)靈敏系數(shù)；bGM為控制目標(biāo)車加速度與兩車間距之間關(guān)系的系數(shù)；cGM為控制目標(biāo)車加速度與目標(biāo)車車速關(guān)系之間的系數(shù)。
1.2.2 Optimal Velocity（OV）模型
OV 模型由Bando 等[6]于1995 年提出，是一種以逼近交通流均衡狀態(tài)為目標(biāo)的模型，其核心思想是車輛均追求以某一最優(yōu)速度前進，而這個最優(yōu)速度則由兩車間距及理想交通狀態(tài)決定。具體的數(shù)學(xué)模型可以寫為：
式中：αOV為敏感系數(shù)；Vopt()為最優(yōu)速度函數(shù)：
其中，tanh為雙曲正切函數(shù)。
1.2.3 Gipps模型
該模型由Gipps[7]在1981 年提出，確保車輛在前進過程中絕對安全（即無碰撞）是其建模準(zhǔn)則。具體地，模型通過式（7）保證，即便前車突然停止，后車也不會與之碰撞：
經(jīng)過整理與迭代，Gipps模型形式如下：
式中，作為目標(biāo)車i通常無法直接獲得前車i-1 的減速度，因此用Bi-1前車i-1 的最大減速度估計值Bi-1代替實際值。
1.2.4 Intelligent Driver（ID）模型
ID 模型是Treiber等[8]于2000 年提出的由驅(qū)動力和阻力兩部分組成的社會力類模型。
驅(qū)動力部分為：
即當(dāng)前車速vi(t)與最大速度vf相差越大，加速度Ai越大。
阻力部分為：
反映了當(dāng)前車距si(t)與期望車距對加速度Ai的影響作用。
合并驅(qū)動力與阻力得到ID模型如下：
式中，δ>0為加速度指數(shù)，而目標(biāo)車i在時刻t的期望車距為：
1.3 回顧：代表性車輛換道模型
通常換道分為強制換道和自由換道兩類[9]：強制換道指為了到達目的地必須進行的換道行為；自由換道則是為了改善駕駛環(huán)境而采取的換道行為。一個完整的換道過程可分為動機、條件和執(zhí)行三個階段[2]：動機是駕駛?cè)烁鶕?jù)駕駛環(huán)境做出的是否換道的判斷；條件主要指是否滿足換道的安全性要求；執(zhí)行則是車輛同時進行橫向與縱向移動的空間變換過程。由于涉及包括駕駛?cè)诉x擇在內(nèi)的因素很多，目前的車輛換道模型通常使用流程圖與離散選擇模型來刻畫。
1.3.1 MITSIM模型
Yang 和Koutsopoulos[10]在1996 年提出了基于規(guī)則的隨機換道模型，并應(yīng)用在微觀交通仿真軟件MITSIM 中。模型將換道分為四步：考慮是否換道、選擇目標(biāo)車道、尋找換道空間、執(zhí)行換道。根據(jù)車輛與強制換道點之間的距離給出了換道概率：
式中：di(t)和d0分別為車輛i在第t時刻與強制換道點間的距離以及這個距離的閾值；mi(t)為當(dāng)前車道與目標(biāo)車道間的車道數(shù)；k(t)為路段交通密度；aMITSIM、bMITSIM、cMITSIM則為模型參數(shù)。
可接受換道空間模型給出可以接受的最小換道空間，即換道條件：
式中：j表示目標(biāo)車道上目標(biāo)車i的前車或后車；和分別為可接受空間的上下限；xi,max和xi,min是取值在和之間的臨界換道空間長度；εi為誤差項。
1.3.2 MOBIL模型
2007 年，Kesting 等[11]提出了基于加速度控制的換道模型MOBIL。模型以加速度表征駕駛?cè)诵в茫宰钚』瘬Q道影響來判斷是否換道。具體地講，當(dāng)滿足下面條件時，產(chǎn)生換道動機：
式中：φ∈[0,1]為利他因子；Δa為換道總受益提升門檻；Δai(t)、Δai+1(t)分別為目標(biāo)車i、目標(biāo)車i在當(dāng)前車道的后車i+1、目標(biāo)車i在新車道的后車j這三輛車在目標(biāo)車i換道前后的加速度變化，取值如下：
其中“～”為加速度估計值，可由跟馳模型計算得到。
MOBIL模型通過比較加速度來判斷是否具備換道條件：
1.3.3 SE模型
Sun 和Elefteriadou[12]于2012 年提出了面向不同駕駛場景的城市主干道車輛換道模型，通過嵌入微觀交通仿真軟件CORSIM 取得了很好的仿真效果。模型在換道動機部分使用Logistic 回歸確定概率：
式中：Ui(t)為通過分場景擬合數(shù)據(jù)獲得的換道效用。
六個場景分別為：繞行停靠公交車、給并線車輛讓道、超越慢行車、獲得排隊優(yōu)先、避讓卡車、避免追尾。以繞行停靠公交車場景為例，擬合模型為：
式中：Cgst為目標(biāo)車道交通密度；Que為目標(biāo)車與公交車之間的車輛數(shù)；LocStop為目標(biāo)車與公交車站間的距離；Dist為目標(biāo)車與公交車間的距離；NPson為公交車站的人數(shù)；TypeA、TypeB、TypeC表示駕駛?cè)祟愋偷膯∽兞浚瑸橄鄳?yīng)的系數(shù)。
模型進一步從自由、強迫、競爭/協(xié)作三類換道以及目標(biāo)車和目標(biāo)車道后車視角，給出了基于“協(xié)商”機制的可接受換道空間計算方式。由于涉及的場景與參數(shù)較多，限于篇幅，不予贅述。
1.3.4 換道執(zhí)行模型
通過上述梳理不難發(fā)現(xiàn)，換道模型研究普遍缺少對換道執(zhí)行（即空間移動）過程的刻畫。MOBIL 模型甚至使用橫向瞬時換道假設(shè)估計換道對目標(biāo)車道車輛運動的影響[11]，顯然是不準(zhǔn)確的。
目前，關(guān)于換道執(zhí)行過程的研究較少，而且多獨立于換道動機與換道條件研究[13]。其中，盡管缺少實際物理意義，（五階）多項式模型被認為可以很好地擬合實際換道執(zhí)行中車輛表現(xiàn)出的“S”型時空過程[14]：
為反映車輛換道執(zhí)行過程的物理意義，Zhou 等[15]提出了基于車輛轉(zhuǎn)向角的換道執(zhí)行過程模型：
式中：?i(t)為換道執(zhí)行過程中車輛i與車道線夾角和為換道開始和結(jié)束時的車輛與車道線夾角；Vi為換道過程中車輛i的平均速度；ζi是關(guān)于駕駛風(fēng)格的權(quán)重系數(shù)。
1.4 微觀交通模型研究評述
像幾乎所有模型一樣，微觀交通模型也由變量和參數(shù)組成。表2 梳理了上述微觀交通模型的變量、自變量以及參數(shù)。在此基礎(chǔ)上，可通過式（26）將這些模型統(tǒng)一起來：
式中：Yi(t)包含了目標(biāo)車i在t時刻的交通狀態(tài)（包括加速度、速度、位置等）和決策（是否換道等）向量；si(t)為t時刻目標(biāo)車i的交通狀態(tài)向量；sj(t)為t時刻目標(biāo)車i周圍車輛的交通狀態(tài)向量；Ri為目標(biāo)車i相關(guān)的參數(shù)向量；Θ為其他參數(shù)向量。
對于跟馳模型，Yi(t)多為目標(biāo)車i的交通狀態(tài)向量：
而sj(t)通常只是目標(biāo)車i前車i-1 的狀態(tài)向量。對于換道模型，有：
sj(t)通常指當(dāng)前車道前車以及目標(biāo)車道前車與后車共三輛車的交通狀態(tài)向量。
Θ是用于控制變量間關(guān)系或與具體某個駕駛?cè)藷o關(guān)的參數(shù)向量。Ri為與目標(biāo)車i相關(guān)的行為、偏好或習(xí)慣等參數(shù)向量，可分為兩類：
表2 微觀交通模型的變量、自變量與參數(shù)
按照建模目的可將微觀交通模型分為兩類：（1）以揭示交通本質(zhì)特征為目標(biāo)的最小化參數(shù)/變量模型；（2）面向?qū)嶋H應(yīng)用場景的復(fù)雜（包含大量參數(shù)/變量）模型。從以上模型回顧中不難看出，跟馳模型多屬于第一類，而屬于第二類目標(biāo)的換道模型較多。究其原因可能與建模對象的復(fù)雜度有關(guān)。具體地，跟馳過程只涉及車輛在一個維度上的單方向運動過程，通常只與前面一輛車交互，并且較少涉及高強度的駕駛決策（更多的是憑感覺或者習(xí)慣駕駛車輛）。相比之下，換道過程不但包括車輛在兩個維度上的時空運動，并且通常要考慮當(dāng)前車道前車、目標(biāo)車道前車與后車三輛車的運動狀態(tài)，而且有時涉及駕駛?cè)烁邚姸鹊臎Q策（某種環(huán)境下做出“是與否”的選擇）。顯然，建立換道模型的復(fù)雜度要遠高于建立跟馳模型，目前的建模手段很難滿足用簡單模型刻畫復(fù)雜換道過程并揭示本質(zhì)機理的需求。此外，跟馳活動相對簡單的過程也使得更多學(xué)者愿意去探索其本質(zhì)機理。毫無疑問，這是可以理解的科學(xué)研究方式。但少有學(xué)者像文獻[12]作者，通過具體細節(jié)的刻畫建立更貼近實際的精細化模型。顯然，這項工作對于一個模型的實際應(yīng)用具有重要意義。
目前仍沒有公認完美、全面的微觀交通模型。半個多世紀以來，盡管已經(jīng)提出多達幾十種跟馳換道模型[1-3]，但是每一種模型都有自己的建模角度（例如GM 模型側(cè)重速度與加速度關(guān)系，OV 模型側(cè)重理想的交通狀態(tài)，Gipps 模型側(cè)重交通安全，等等），填補空白的同時，也意味著放棄了現(xiàn)有模型的角度或假設(shè)。可以說，目前仍缺少一種被廣泛認可的、覆蓋各種角度和因素的微觀交通模型。然而，從另一個角度看，目前的理論與應(yīng)用研究，是否真的需要一個全面完美的微觀交通模型？沒有廣泛認可的模型，是否也意味著不止一種模型可以滿足實際需求？不妨從建模目的上來回答這一問題：就揭示微觀駕駛本質(zhì)機理的目的來說，現(xiàn)有模型已經(jīng)做了廣泛且深入的工作。除非有新的數(shù)據(jù)支撐，否則已經(jīng)很難發(fā)現(xiàn)更多新現(xiàn)象和新機理。就實際應(yīng)用而言，如果要反映現(xiàn)實世界的復(fù)雜多樣，由于涉及非常多的因素以及層出不窮的場景，恐怕仍有很多瑣碎且繁復(fù)的問題要解決。
多數(shù)微觀交通模型都是在非間斷場景（如高速公路）下提出的。根據(jù)模型設(shè)置，有些模型也兼顧了間斷流場景（如城市道路）。盡管如此，駕駛?cè)嗽诓煌瑘鼍爸械牟煌{駛心理很可能會導(dǎo)致迥異的駕駛行為。因此，盡管都是面對跟馳行為或換道行為，在刻畫非間斷交通流時表現(xiàn)良好的模型，是否可以有效地刻畫間斷流等更復(fù)雜交通中的駕駛過程還不甚清楚，甚至不樂觀。特別地，有些模型完全是針對某個特定現(xiàn)象或為了解釋某個特定現(xiàn)象而提出，那么在沒有這種現(xiàn)象發(fā)生的場景中，該模型的表現(xiàn)力可能非常有限。比如，Chen等[16]針對高速公路上的交通震蕩提出的駕駛?cè)诵袨楦Y模型，在沒有交通震蕩的場景（比如交叉口和匝道附近）很可能沒有任何優(yōu)勢。因此，從機理層面判斷模型的場景適用性是非常重要的準(zhǔn)備工作。此外，在模型跨場景應(yīng)用前，非常有必要詳細測試模型的適用性。例如，Treiber 和Kesting[17]給出了高速公路與城市道路場景下的跟馳模型測試表單（見圖1 和圖2），明確指出：對于高速公路場景，需要交通時空圖（軌跡與走停波）和基本圖兩個維度的測試；對于城市道路場景，需要檢驗至少20輛車的車間距、車速以及加速度變化。
圖1 高速公路跟馳模型仿真測試[17]
圖2 城市道路場景下的跟馳模型仿真測試[17]
2 微觀交通模型的智能網(wǎng)聯(lián)化轉(zhuǎn)型
盡管多數(shù)微觀交通模型都難以避免地引入了駕駛?cè)艘蛩兀碦i），但考慮到建模目的與復(fù)雜性等因素，大多數(shù)模型仍以解析車輛間物理學(xué)關(guān)系為主，較少（真正）考慮駕駛?cè)藦?fù)雜且難以定量刻畫感知、判斷與操作行為[18]。
盡管駕駛輔助系統(tǒng)的目的是提高人類駕駛精準(zhǔn)性并更好地保障駕駛安全等，但是在駕駛過程給駕駛?cè)颂峁└嘈畔ⅲ瑹o疑也是一種“干擾”，進一步增加了“人-車-路”關(guān)系的復(fù)雜性。如何使用數(shù)學(xué)模型刻畫耦合“輔助系統(tǒng)-駕駛?cè)?車輛-交通-場景”的五元素復(fù)雜智能網(wǎng)聯(lián)交通系統(tǒng)，更好地服務(wù)于機理發(fā)現(xiàn)、系統(tǒng)性能提升、仿真模擬等理論與實踐應(yīng)用，是當(dāng)下交通科學(xué)與工程領(lǐng)域最為急迫的研究任務(wù)之一。
相較于傳統(tǒng)微觀交通模型，引入駕駛輔助系統(tǒng)無疑增加了模型維度（從“駕駛?cè)?車輛-交通-場景”四維系統(tǒng)變?yōu)椤拜o助系統(tǒng)-駕駛?cè)?車輛-交通-場景”五維系統(tǒng)），帶來了建模復(fù)雜度的指數(shù)級增長。傳統(tǒng)的一體化建模方式無法有效梳理和展現(xiàn)更加復(fù)雜的駕駛過程與交通動態(tài)。因此，我們認為應(yīng)采用符合客觀世界本身邏輯關(guān)系的“面向?qū)ο蟆笔降南确纸夂蠹嬍降慕７绞礁欣谔幚砗蛻?yīng)對如此復(fù)雜的系統(tǒng)建模問題。這種針對系統(tǒng)組成元素分別建模的方法，不但可以得到邏輯清晰、條理準(zhǔn)確的“強解析”模型，而且有望解釋元素非線性交互過程所帶來的隱藏在本質(zhì)現(xiàn)象背后的復(fù)雜交通現(xiàn)象。
具體地，在智能網(wǎng)聯(lián)交通系統(tǒng)中（見圖3），“車-交通-場景”可以由微觀交通模型來刻畫。正如上節(jié)介紹，一個（套）足以勝任此項任務(wù)的微觀交通模型具有如下特征：（1）通常包括表征車輛安全與效率的變量與參數(shù)；（2）可以刻畫車輛的跟馳與換道行為；（3）可以實現(xiàn)對高速公路和城市道路兩大類場景中微觀動態(tài)交通過程的準(zhǔn)確刻畫。微觀交通模型上層則是駕駛?cè)四Ｐ停{駛?cè)四Ｐ统袚?dān)著從“感知-決策-操作”三個層面刻畫人類有限駕駛能力的任務(wù)。該模型應(yīng)該充分考慮駕駛?cè)嗣鎸Σ煌煌▓鼍昂筒煌瑥?fù)雜度駕駛?cè)蝿?wù)時所展現(xiàn)的不同行為特征。在智能網(wǎng)聯(lián)環(huán)境下，駕駛?cè)藢木哂型昝栏兄c判斷力的機器（輔助駕駛系統(tǒng)）中接收駕駛輔助信息。盡管（理想情況下）機器是完美的，但建模時需要考慮駕駛?cè)说男畔⒔邮芤庠概c接受能力。在該框架中，如果跳過駕駛?cè)耍苯訉崿F(xiàn)機器與車輛的對接，則可認為是自動駕駛系統(tǒng)。
圖3 耦合了“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”五元素的智能網(wǎng)聯(lián)交通系統(tǒng)建模框架
針對上述框架進行文獻檢索與梳理，發(fā)現(xiàn)了具有相似性的兩項工作，簡要介紹如下。龔思遠[19]較早時通過模糊感知信息融合理論疊加常規(guī)Wiedemann92跟馳模型與考慮駕駛輔助信息影響的改進Wiedemann92 模型，得到駕駛輔助環(huán)境下駕駛?cè)烁Y行為模型（見圖4），并通過仿真實驗分析了模型穩(wěn)定性等。Sharma 等[20]通過前景理論（Prospect Theory）刻畫智能網(wǎng)聯(lián)環(huán)境下駕駛?cè)耸欠穹鸟{駛輔助信息建議的行為，并將其引入ID模型，通過駕駛模擬儀數(shù)據(jù)標(biāo)定，較好地刻畫了駕駛輔助系統(tǒng)對駕駛?cè)思捌滠囕v運動過程的影響。作者將駕駛輔助信息分為持續(xù)顯示的連續(xù)信息以及基于事件（如前車突然減速）的提示信息兩類，最終得到了駕駛輔助信息下考慮駕駛?cè)朔男袨榈腎D模型。
圖4 疊加駕駛輔助影響的Wiedemann92跟馳模型[19]
模型由兩部分組成：
第一部分：持續(xù)顯示的連續(xù)信息對駕駛?cè)思败囕v運動過程的影響。車輛動力學(xué)模型仍是式（13），但是在中的安全車間時距Ti前引入了通過前景理論計算的基于觀測車間距sobs(t)的效用系數(shù)[1+UT(sobs(t)) ]：
第二部分：基于事件的提示信息對駕駛?cè)思败囕v運動過程的影響則體現(xiàn)在給駕駛?cè)说慕ㄗh減速度上：
式中：ti,c=0 為減速開始時間；ti,c=TC為減速結(jié)束時間；n是控制ti,c/TC影響的參數(shù)；Di為ti,c=TC時達到的最大減速度：
式中：sdes(t)是理想的車間距。
同時，也注意到一些研究跨過駕駛?cè)耍ㄟ^添加參數(shù)或修改變量的方式直接改進微觀交通模型，最終得到智能網(wǎng)聯(lián)環(huán)境微觀交通模型。例如，Tang 等[21]通過改造全速度差（Full Velocity Difference）模型，研究了事故信息提示的作用；Ni等[22]通過修改Gipps 模型，研究了智能網(wǎng)聯(lián)環(huán)境下道路通行能力的變化；Xie 等[23]將全局與局部交通信息引入ID模型，實現(xiàn)了穩(wěn)定交通流狀態(tài)的目的。
也有研究通過在現(xiàn)有模型中加入獨立的自動控制器來實現(xiàn)微觀交通模型的智能網(wǎng)聯(lián)化改造。例如，Konishia 等[24]在OV 模型上加入基于速度的反饋控制器，來消除交通波；Xie等[25]將基于速度的反饋控制器加載到ID 模型，實現(xiàn)了通過部分帶有駕駛輔助功能的車輛穩(wěn)定全局交通狀態(tài)的目的。
盡管不乏優(yōu)點，但是上述兩類模型忽略了駕駛?cè)说囊蛩兀@然在某種意義上缺少準(zhǔn)確性。同時，由于未能與現(xiàn)實世界中的要素完全對應(yīng)，模型在擴展性上可能存在一定的局限性。因此，我們認為“面向?qū)ο蟆笔降南确纸夂蠹嬓徒７绞礁欣诮?zhǔn)確的可以很好對應(yīng)“輔助系統(tǒng)-駕駛?cè)?車輛-交通-場景”五元素的智能網(wǎng)聯(lián)微觀交通模型。
3 面向智能網(wǎng)聯(lián)環(huán)境的通用駕駛?cè)四Ｐ涂蚣?/h2>
如同所有社會系統(tǒng)，“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”系統(tǒng)的核心無疑是駕駛?cè)恕榱讼到y(tǒng)地分析與解構(gòu)駕駛?cè)嗽谠撓到y(tǒng)中所表現(xiàn)出來的復(fù)雜特性，本節(jié)提出面向智能網(wǎng)聯(lián)環(huán)境的通用駕駛?cè)四Ｐ涂蚣埽云跒榻窈蟮慕９ぷ魈峁┛蚣芘c指引。
3.1 “感知-決策-操作”三階段模型
通常認為，駕駛?cè)说男袨檫^程包括“感知-決策-操作”三個階段[18]。人類與機器最大的區(qū)別在于“有限能力”。因此，要刻畫真正的人類，有限能力的刻畫一定是研究重點（見圖5）。
圖5 面向智能網(wǎng)聯(lián)環(huán)境的通用駕駛?cè)四Ｐ涂蚣?/p>
具體地，智能網(wǎng)聯(lián)環(huán)境下，駕駛?cè)诵枰诟兄A段同時處理來自交通場景和駕駛輔助系統(tǒng)的信息：
（1）駕駛?cè)藢Νh(huán)境的感知受限于人類本身視聽能力的局限，通常只能“感覺”周圍有限范圍內(nèi)（相鄰）車輛的狀態(tài)，即車輛狀態(tài)（如速度、加速度、橫向及縱向位置等）的估計值。同時，駕駛?cè)诉€會較為清晰地注意到交通標(biāo)志標(biāo)線與管控設(shè)施（如信號燈等）的狀態(tài)。受限于有限的注意力保持能力，駕駛?cè)瞬⒉荒軐崟r且持續(xù)地獲取此類外部信息。
（2）我們認為假設(shè)機器具有局部（甚至是全局）全要素感知能力對于以研究智能網(wǎng)聯(lián)交通系統(tǒng)為目標(biāo)的智能網(wǎng)聯(lián)微觀交通模型是合理且充分的。這些信息包括：目標(biāo)車周圍車輛的歷史、當(dāng)前，甚至是未來的狀態(tài)信息；駕駛環(huán)境信息，如路面坡度、天氣情況、道路彎度、前方路網(wǎng)結(jié)構(gòu)等。基于這些信息，駕駛輔助系統(tǒng)將提供速度建議、減速預(yù)警等多種駕駛輔助信息供駕駛?cè)藚⒖肌?/p>
（3）面向復(fù)雜多樣的交通場景，駕駛?cè)瞬坏瓿筛鞣N決策與操控任務(wù)，同時還要搜集來自交通場景和駕駛輔助系統(tǒng)的雙重信息，對于這些信息的吸收和理解并非易事，模型需予以考慮。
被感知階段“過濾”的信息，在駕駛?cè)藳Q策階段進行處理。駕駛?cè)嗽谔幚磉@些信息的時候，將受到駕駛?cè)肆?xí)慣、意志、駕駛目的等諸多復(fù)雜因素的影響。并且，正如上節(jié)介紹的文獻[19]和[20]，在現(xiàn)有行為決策理論框架下建模，是體系完整、路線清晰的重要保證。梳理可以引入駕駛?cè)藳Q策的行為理論如下：
（1）計劃行為理論（Theory of Planned Behavior）是Ajzen 對理性行為理論（Theory of Reasoned Activity）的拓展[26]。該理論認為人的行為是深思熟慮的結(jié)果，所有因素通過影響行為意向（即執(zhí)行行為意愿）間接影響行為發(fā)生。行為意向主要由三類變量共同決定：態(tài)度（個人對該項行為所持有的正面或負面感覺）、主觀規(guī)范（個人對于是否采取某項特定行為所感受到的社會壓力）和知覺行為控制（對自身行為的控制能力）。
（2）前景理論（Prospect Theory）由Kahneman和Tversky[27]提出。該理論是針對“風(fēng)險厭惡”和“框架效應(yīng)”等經(jīng)典期望效用理論無法解釋的“異象”提出的描述性個體決策框架。該理論通過引入基于參照點的評價框架，將基于絕對值的期望效用轉(zhuǎn)化為基于相對變化值的前景價值。通過引入分段的前景價值函數(shù)和非線性的決策權(quán)重函數(shù)，更好地刻畫實際生活中決策者對待損失收益以及風(fēng)險的態(tài)度。該理論已在個體決策領(lǐng)域獲得了廣泛驗證和大量應(yīng)用。
（3）心理賬戶理論（Theory of Mental Accounting）由Thaler 提出[28]。該理論認為企業(yè)或個人首先為各類開支設(shè)定預(yù)算或目標(biāo)，并且按類別分配費用，不同心理賬戶（指個人或家庭用來編碼、分類和評估決策活動時使用的認知運算的集合）的預(yù)算之間具有“非替代性”特征。心理賬戶的存在通過影響人們以不同態(tài)度對待不同用途的支出和收益，從而做出不同的決策和行為。
（4）學(xué)習(xí)理論（Learning Theory）則先后經(jīng)歷了基于自身經(jīng)驗的強化學(xué)習(xí)[29]、基于對對手行動預(yù)判的虛擬信念學(xué)習(xí)、綜合前兩者特點的經(jīng)驗加權(quán)吸引值學(xué)習(xí)、規(guī)則學(xué)習(xí)等。學(xué)習(xí)理論允許個體根據(jù)自身獨特的經(jīng)驗、體驗和主觀判斷做出不同的選擇，通過學(xué)習(xí)不斷地動態(tài)調(diào)整行為以更好地適應(yīng)環(huán)境變化，從而更貼近個體真實的決策過程。該理論已在交通行為決策領(lǐng)域獲得了大量關(guān)注。
在操作階段，駕駛?cè)说臎Q策意志通過肢體操作方向盤、油門踏板以及剎車踏板等加載到車輛，控制車輛運動。作為人類駕駛員，難以做到“身心合一”，因此手腳對方向盤和踏板的控制并不能完全反映駕駛?cè)艘庵荆饕w現(xiàn)在：空間上，無法使方向盤和踏板到達所想的位置；時間上，無法使方向盤和踏板在理想的時間內(nèi)到達所想位置；同時，操控過程的連貫性也難以完全保證，顯然這與微觀交通模型（如Gipps 模型）常用的均勻加減速假設(shè)相悖。此外，所處交通場景也會對駕駛?cè)说膶嶋H操控難度產(chǎn)生較大影響。例如，駕駛?cè)嗽诓倏剀囕v上下坡路段的時候，腳對踏板的控制很難做到穩(wěn)定一致，而這種看似微小的區(qū)別很可能對整個交通系統(tǒng)造成較大的影響[30-31]。
3.2 模型討論
關(guān)于通用駕駛?cè)四Ｐ停袔讉€問題值得討論與總結(jié)：首先是單獨建立駕駛?cè)四Ｐ偷哪康摹Ｈ绻窃诮煌骼碚撆c仿真框架內(nèi)，其目標(biāo)無疑是更好地解釋宏微交通現(xiàn)象、更真實地還原交通狀態(tài)等。為此，把駕駛?cè)诵袨榕c決策從交通流模型中“整塊”切割下來，成體系的思考與建模，將進一步豐富模型因素，有助于理順內(nèi)部邏輯，讓模型更加靈活。即：只要保持好與其他元素間的接口，便可以根據(jù)實際研究目的靈活調(diào)整“封裝”完好的駕駛?cè)四Ｐ停粫绊懫渌啬Ｐ汀?/p>
其次是模型的結(jié)構(gòu)與參數(shù)。根據(jù)圖5 梳理的駕駛?cè)嗽谡鎸嶑{駛環(huán)境的行為過程，“感知-決策-操作”三階段是一個遞進過程，其模型框架大概可以寫成：
式中：Bi(t)為反應(yīng)t時刻駕駛?cè)薸有限駕駛能力的變量/參數(shù)；P、D、O分別為對應(yīng)駕駛?cè)烁兄≒erception）、決策（Decision）和操作（Operation）函數(shù)；彼此間的嵌套關(guān)系對應(yīng)了邏輯上的遞進關(guān)系；和則為t時刻作用于駕駛?cè)薸的環(huán)境信息與駕駛輔助信息。
將通用駕駛?cè)四Ｐ停ㄊ剑?3））帶入交通模型框架（式（26）），可以得到如下考慮駕駛?cè)诵袨榈闹悄芫W(wǎng)聯(lián)微觀交通模型：
這里通過乘法關(guān)系將Bi(t)加載于Ri，在具體模型建立過程中也可以考慮其他關(guān)系。
顯然，引入更多變量會增加計算負擔(dān)，降低模型效率。但是，一方面，環(huán)境信息與駕駛輔助信息對駕駛?cè)说挠绊懼饕窃趫鼍稗D(zhuǎn)換或事件發(fā)生時產(chǎn)生較明顯作用。因此，在建模時，可以使用事件觸發(fā)式建模方法（event-based modeling），即在場景轉(zhuǎn)換或事件發(fā)生時，改變模型參數(shù)或關(guān)系；在其他狀態(tài)下，保持參數(shù)不變，以減小計算負擔(dān)。另一方面，對于駕駛?cè)四Ｐ偷慕ⅲ矐?yīng)該根據(jù)實際需求調(diào)整模型復(fù)雜度，即以反映本質(zhì)機理為目標(biāo)的最小化模型通常在模型形式上較為簡單，而面向?qū)嶋H應(yīng)用場景的模型則可能更為復(fù)雜。但是，隨著軟硬件技術(shù)的進步，計算機應(yīng)對復(fù)雜計算的能力逐步增強，將進一步緩解人們在建立模型過程中對計算效率的焦慮。
3.3 關(guān)鍵科學(xué)問題
本文列舉出建立通用駕駛?cè)四Ｐ蜁r可能涉及的關(guān)鍵科學(xué)問題，以供交流討論。
（1）影響駕駛?cè)诵袨榈年P(guān)鍵因素有哪些？從3.1 節(jié)中不難看出，駕駛?cè)四Ｐ驮谂c“輔助系統(tǒng)-車輛-交通-場景”其他四維元素耦合后，會產(chǎn)生數(shù)量龐大的行為影響因素，甚至難以一一列舉。因此，對于建立數(shù)學(xué)模型來說，梳理出最主要的影響因素是建立通用駕駛?cè)四Ｐ偷氖滓ぷ鳌?/p>
（2）影響駕駛?cè)诵袨榈年P(guān)鍵因素如何取值？科學(xué)的因素選取方式與手段應(yīng)該是基于大量的駕駛（模擬）實驗。因此，有必要在選取關(guān)鍵因素的同時，給出這些因素在不同場景中的作用范圍與強度，也就是參數(shù)取值范圍或概率分布。
（3）如何刻畫行為因素間的耦合作用機理？影響駕駛?cè)诵袨榈倪@些關(guān)鍵因素絕非孤立存在。比如，在各種駕駛場景中，駕駛輔助信息的出現(xiàn)是增強還是削弱了駕駛?cè)藢Νh(huán)境信息的感知，尚未有定論。因此，有必要對諸如此類的因素間相互作用方式與耦合機理開展基礎(chǔ)性研究。需要注意的是，在開展大量測度與實驗工作時，應(yīng)該注意機理層面的梳理與抽取。
（4）影響駕駛?cè)诵袨榈年P(guān)鍵因素如何影響宏觀交通流？如果刻畫駕駛?cè)诵袨榈哪康氖歉玫胤?wù)交通流建模與仿真，那么從交通流宏觀角度去“對照”微觀駕駛?cè)诵袨橐蛩氐淖饔茫瑢⑹遣豢珊雎缘年P(guān)鍵環(huán)節(jié)。具體說，某些微觀駕駛因素也許對駕駛?cè)说鸟{駛行為有一定影響，但是當(dāng)映射到宏觀（道路）交通流層面時，這些因素的作用也許并不明顯。對于這些因素，在建立交通流模型的時候，需要予以區(qū)分，甚至是舍棄。這也是面向微觀交通流模型的駕駛?cè)四Ｐ蛥^(qū)別于人因或者安全領(lǐng)域中駕駛?cè)四Ｐ偷闹饕胤健?/p>
（5）如何耦合“感知-決策-操作”三階段模型并將其嵌入微觀交通流模型？理清影響駕駛?cè)诵袨榈年P(guān)鍵因素之后，給出式（33）的具體形式并將其嵌入到式（26）且得到式（34）的具體形式將是模型涉及的另一個關(guān)鍵科學(xué)問題。這里將更多地體現(xiàn)研究者對因素間作用關(guān)系的理解與刻畫能力，也是從單純的駕駛?cè)诵袨檫^渡到考慮駕駛?cè)诵袨榈奈⒂^交通流模型的關(guān)鍵環(huán)節(jié)。
4 總結(jié)與討論
經(jīng)過半個多世紀的快速發(fā)展，人們已經(jīng)建立了多達數(shù)十種和上百個微觀交通模型[32-33]。單看這些模型（第1 節(jié)），似乎體系架構(gòu)已經(jīng)完善，并且在實際研究中也已很難提出更多新穎的模型。但是，當(dāng)把這些模型放入“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”智能網(wǎng)聯(lián)交通系統(tǒng)建模框架（見圖3）后，出乎意料地發(fā)現(xiàn)，目前的微觀交通模型遠遠不能滿足智能網(wǎng)聯(lián)時代對車與交通的仿真建模需求。
歸其原因，以往研究在建立微觀交通模型時主要以解析車輛間物理關(guān)系為主，關(guān)于駕駛?cè)诵袨榈目紤]十分抽象與簡化，遠不能充分刻畫駕駛?cè)税ā案兄?決策-操作”在內(nèi)的有限能力行為。然而，駕駛?cè)耸擒囕v運動的發(fā)起人，是整個交通系統(tǒng)的核心。以往對駕駛?cè)说暮鲆暿沟媚壳暗哪Ｐ碗y以真正揭示更多更復(fù)雜的交通現(xiàn)象。
無論是單純的微觀交通模型還是“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”系統(tǒng)建模，目前對交通場景的考慮與投入不足且不均衡。由于假設(shè)場景相對簡單且涉及的人因相對較少，目前大量研究仍圍繞單一維度的跟車過程展開。對于實際應(yīng)用和理解整個交通系統(tǒng)來說，還遠遠不夠。期待更多學(xué)者可以奮勇挑戰(zhàn)，對換道場景以及基于此的超車、避讓等復(fù)雜場景展開深入研究。這不但有利于突破仿真瓶頸而且將極大地推動（智能網(wǎng)聯(lián)）微觀交通仿真的應(yīng)用性和實踐價值。
隨著信息技術(shù)的飛速發(fā)展，人們對交通數(shù)據(jù)的采集已從幾十年前的檢測器采集“流速密”宏觀交通變量快速發(fā)展到目前的無人機/視頻采集車輛軌跡數(shù)據(jù)。從視頻中提取的包含百分百微觀交通信息的高精度車輛軌跡數(shù)據(jù)的出現(xiàn)極大地推動了交通研究進步，促進了一大批新發(fā)現(xiàn)與新方法的提出[34-35]，充分說明了數(shù)據(jù)對于交通研究的重要基礎(chǔ)地位。盡管如此，對于刻畫駕駛?cè)诵袨橐约懊枋銎溆邢弈芰Γ@些所謂“高精度”數(shù)據(jù)還遠遠不夠。當(dāng)前，人因數(shù)據(jù)的采集方式仍以車載儀器（采集自然駕駛數(shù)據(jù)）和實驗室中的駕駛模擬儀為主[36-38]，如何將這些“局部”數(shù)據(jù)應(yīng)用到微觀交通建模，以及如何通過將駕駛?cè)藬?shù)據(jù)采集方式與交通流數(shù)據(jù)采集方式結(jié)合，進而得到實際駕駛環(huán)境中的“人-車-交通”數(shù)據(jù)，是值得深入研究與期待的方向。也許，智能網(wǎng)聯(lián)技術(shù)是一個契機！
近年來，機器學(xué)習(xí)與數(shù)據(jù)驅(qū)動方法方興未艾，產(chǎn)生了一批數(shù)據(jù)驅(qū)動的跟馳與換道模型[13，30，39-40]。是否可以在人工智能的熱潮中，實現(xiàn)數(shù)據(jù)驅(qū)動的“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”交通系統(tǒng)建模突破，也是值得期待的前沿方向。
最后，由于涉及很多人類行為學(xué)理論與方法，僅僅依靠交通領(lǐng)域?qū)W者去實現(xiàn)耦合了“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”的復(fù)雜社會系統(tǒng)建模較為困難。因此，非常有必要進一步推進交通領(lǐng)域、計算機領(lǐng)域、自動控制領(lǐng)域?qū)W者的密切合作。特別地，非常強調(diào)，由于駕駛?cè)嗽谡麄€系統(tǒng)中的重要作用，行為學(xué)專家的參與對于成功建模至關(guān)重要。
致謝
感謝魯光泉教授、孫劍教授、金盛教授、龔思遠副教授以及何佳博士、齊航博士在本文研究過程中給予的諸多幫助與寶貴建議。
猜你喜歡
一半模型童話王國·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38 一種去中心化的域名服務(wù)本地化模型網(wǎng)絡(luò)安全與數(shù)據(jù)管理(2022年1期)2022-08-29 03:15:20 適用于BDS-3 PPP的隨機模型導(dǎo)航定位學(xué)報(2022年4期)2022-08-15 08:27:00 提煉模型 突破難點中學(xué)生數(shù)理化·中考版(2022年8期)2022-06-14 06:55:24 函數(shù)模型及應(yīng)用新世紀智能(數(shù)學(xué)備考)(2021年9期)2021-11-24 01:14:36 p150Glued在帕金森病模型中的表達及分布成都醫(yī)學(xué)院學(xué)報(2021年2期)2021-07-19 08:35:14 函數(shù)模型及應(yīng)用新世紀智能(數(shù)學(xué)備考)(2020年9期)2021-01-04 00:25:14 重要模型『一線三等角』中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50 重尾非線性自回歸模型自加權(quán)M-估計的漸近分布數(shù)學(xué)物理學(xué)報(2020年2期)2020-06-02 11:29:24 3D打印中的模型分割與打包光學(xué)精密工程(2016年6期)2016-11-07 09:07:19
賀正冰
（北京工業(yè)大學(xué)，城市交通學(xué)院，北京 100020）
0 引言
隨著信息技術(shù)的快速發(fā)展，全球汽車產(chǎn)業(yè)進入百年未有的大變革時期，智能網(wǎng)聯(lián)汽車與交通領(lǐng)域正成為全球科技和產(chǎn)業(yè)革命的戰(zhàn)略高地。隨著中共中央、國務(wù)院印發(fā)《交通強國綱要》以及政府、企業(yè)、科研機構(gòu)的大量投入，我國智能網(wǎng)聯(lián)汽車與交通技術(shù)迅猛發(fā)展，正成為中國制造業(yè)轉(zhuǎn)型升級的重要載體。
作為交通系統(tǒng)態(tài)勢分析、推演與評價的重要微觀工具，微觀交通模型通過數(shù)學(xué)模型或機器學(xué)習(xí)方法刻畫車輛在路上的運動過程以及車輛間的交互作用，是交通系統(tǒng)仿真的微觀基石。隨著汽車產(chǎn)業(yè)革命以及交通擁堵問題的日益加劇，自20世紀50 年代第一個模型的出現(xiàn)，微觀交通模型的研究得到了快速發(fā)展。包括車輛跟馳模型與換道模型在內(nèi)的各種微觀交通模型層出不窮[1-3]，極大地深化和豐富了人們對車輛運動、車間交互以及交通流現(xiàn)象與演化規(guī)律的認識，推動了汽車與交通學(xué)科的快速深入發(fā)展。
智能汽車技術(shù)與智能網(wǎng)聯(lián)環(huán)境的加速到來對微觀交通建模提出了前所未有的挑戰(zhàn)[4]。一系列問題亟待回答，比如：目前的微觀交通模型是否可以對接智能網(wǎng)聯(lián)環(huán)境？作為車輛運動的發(fā)起者和交通系統(tǒng)的核心，駕駛?cè)藢⒃谥悄芫W(wǎng)聯(lián)系統(tǒng)中發(fā)揮怎樣的作用？是否有必要或者怎樣建立智能網(wǎng)聯(lián)環(huán)境下的駕駛?cè)四Ｐ停恐悄芫W(wǎng)聯(lián)環(huán)境下，微觀交通建模的未來研究方向包括哪些？
為了更好地回答上述系列問題，本文首先從建模機理及人因角度回顧并評述了目前的微觀交通模型及領(lǐng)域進展；在此基礎(chǔ)上，提出了耦合“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”五元素的智能網(wǎng)聯(lián)交通系統(tǒng)建模框架，以及考慮有限能力的“感知-決策-操作”通用駕駛?cè)四Ｐ团c建模框架，并列舉了開展相關(guān)研究的關(guān)鍵科學(xué)問題；最后，就智能網(wǎng)聯(lián)微觀交通模型發(fā)展方向與技術(shù)路線展開討論。
特別注明，本文只討論智能網(wǎng)聯(lián)環(huán)境下有駕駛?cè)藚⑴c的微觀交通建模研究，即智能網(wǎng)聯(lián)通過提供駕駛建議與交通環(huán)境信息輔助駕駛?cè)瞬僮鬈囕v運動，不涉及以下幾項研究：（1）較少需要人工干預(yù)的自動駕駛研究；（2）完全面向駕駛?cè)诵睦砼c行為的（駕駛）人因研究；（3）以車輛和自動駕駛測試為目的并源于發(fā)動機的車輛動力學(xué)模型。
1 微觀交通模型回顧與評述
首先，重點從建模機理以及人因參數(shù)的角度回顧包括GM 模型、OV 模型、Gipps 模型、ID 模型在內(nèi)的經(jīng)典跟馳模型，以及MITSIM 模型、MOBIL模型、SE 模型、換道執(zhí)行模型在內(nèi)的車輛換道模型，隨后從統(tǒng)一形式、分類、完整度、應(yīng)用場景等多個角度詳細評述微觀交通模型進展。
梳理經(jīng)典微觀交通模型的目的和意義在于：（1）梳理現(xiàn)有模型，可以更好地展現(xiàn)其中不足，幫助研究者有針對性地開展工作；（2）梳理現(xiàn)有模型主要是為了引出智能網(wǎng)聯(lián)交通流模型以及后續(xù)提出的通用駕駛?cè)四Ｐ停虼耍瑑H梳理部分經(jīng)典模型；（3）建模機理及人因的微觀交通模型梳理角度較為新穎，對現(xiàn)有跟馳與換道場景以及建模覆蓋度的關(guān)注也是交通流模型研究急需的工作。
1.1 參數(shù)匯總(見表1)
表1 參數(shù)匯總
1.2 回顧：代表性車輛跟馳模型
1.2.1 General Motor（GM）模型
GM模型[5]屬于刺激-反應(yīng)類模型，其基本邏輯源于牛頓力學(xué)，即物體運動狀態(tài)由物體間交互作用決定。GM 模型包括兩個基本假設(shè)：（1）車速越高，車間距越大；（2）為了避免碰撞，后車必須和前車保持一定距離。其數(shù)學(xué)模型表達為：
式中：λGM為靈敏系數(shù)，λGM>0；ssafe為安全車距。
對時間t求導(dǎo)數(shù)，并整理得到：
式（2）中，目標(biāo)車加速度僅與兩車速度差成恒定的線性正比例，顯然不合理。實際上，目標(biāo)車加速度還應(yīng)與兩車間距成反比并與目標(biāo)車當(dāng)前車速成正比，因此，修訂式（2）如下：
式中：aGM為刻畫目標(biāo)車加速度與速度差之間靈敏關(guān)系的反應(yīng)靈敏系數(shù)；bGM為控制目標(biāo)車加速度與兩車間距之間關(guān)系的系數(shù)；cGM為控制目標(biāo)車加速度與目標(biāo)車車速關(guān)系之間的系數(shù)。
1.2.2 Optimal Velocity（OV）模型
OV 模型由Bando 等[6]于1995 年提出，是一種以逼近交通流均衡狀態(tài)為目標(biāo)的模型，其核心思想是車輛均追求以某一最優(yōu)速度前進，而這個最優(yōu)速度則由兩車間距及理想交通狀態(tài)決定。具體的數(shù)學(xué)模型可以寫為：
式中：αOV為敏感系數(shù)；Vopt()為最優(yōu)速度函數(shù)：
其中，tanh為雙曲正切函數(shù)。
1.2.3 Gipps模型
該模型由Gipps[7]在1981 年提出，確保車輛在前進過程中絕對安全（即無碰撞）是其建模準(zhǔn)則。具體地，模型通過式（7）保證，即便前車突然停止，后車也不會與之碰撞：
經(jīng)過整理與迭代，Gipps模型形式如下：
式中，作為目標(biāo)車i通常無法直接獲得前車i-1 的減速度，因此用Bi-1前車i-1 的最大減速度估計值Bi-1代替實際值。
1.2.4 Intelligent Driver（ID）模型
ID 模型是Treiber等[8]于2000 年提出的由驅(qū)動力和阻力兩部分組成的社會力類模型。
驅(qū)動力部分為：
即當(dāng)前車速vi(t)與最大速度vf相差越大，加速度Ai越大。
阻力部分為：
反映了當(dāng)前車距si(t)與期望車距對加速度Ai的影響作用。
合并驅(qū)動力與阻力得到ID模型如下：
式中，δ>0為加速度指數(shù)，而目標(biāo)車i在時刻t的期望車距為：
1.3 回顧：代表性車輛換道模型
通常換道分為強制換道和自由換道兩類[9]：強制換道指為了到達目的地必須進行的換道行為；自由換道則是為了改善駕駛環(huán)境而采取的換道行為。一個完整的換道過程可分為動機、條件和執(zhí)行三個階段[2]：動機是駕駛?cè)烁鶕?jù)駕駛環(huán)境做出的是否換道的判斷；條件主要指是否滿足換道的安全性要求；執(zhí)行則是車輛同時進行橫向與縱向移動的空間變換過程。由于涉及包括駕駛?cè)诉x擇在內(nèi)的因素很多，目前的車輛換道模型通常使用流程圖與離散選擇模型來刻畫。
1.3.1 MITSIM模型
Yang 和Koutsopoulos[10]在1996 年提出了基于規(guī)則的隨機換道模型，并應(yīng)用在微觀交通仿真軟件MITSIM 中。模型將換道分為四步：考慮是否換道、選擇目標(biāo)車道、尋找換道空間、執(zhí)行換道。根據(jù)車輛與強制換道點之間的距離給出了換道概率：
式中：di(t)和d0分別為車輛i在第t時刻與強制換道點間的距離以及這個距離的閾值；mi(t)為當(dāng)前車道與目標(biāo)車道間的車道數(shù)；k(t)為路段交通密度；aMITSIM、bMITSIM、cMITSIM則為模型參數(shù)。
可接受換道空間模型給出可以接受的最小換道空間，即換道條件：
式中：j表示目標(biāo)車道上目標(biāo)車i的前車或后車；和分別為可接受空間的上下限；xi,max和xi,min是取值在和之間的臨界換道空間長度；εi為誤差項。
1.3.2 MOBIL模型
2007 年，Kesting 等[11]提出了基于加速度控制的換道模型MOBIL。模型以加速度表征駕駛?cè)诵в茫宰钚』瘬Q道影響來判斷是否換道。具體地講，當(dāng)滿足下面條件時，產(chǎn)生換道動機：
式中：φ∈[0,1]為利他因子；Δa為換道總受益提升門檻；Δai(t)、Δai+1(t)分別為目標(biāo)車i、目標(biāo)車i在當(dāng)前車道的后車i+1、目標(biāo)車i在新車道的后車j這三輛車在目標(biāo)車i換道前后的加速度變化，取值如下：
其中“～”為加速度估計值，可由跟馳模型計算得到。
MOBIL模型通過比較加速度來判斷是否具備換道條件：
1.3.3 SE模型
Sun 和Elefteriadou[12]于2012 年提出了面向不同駕駛場景的城市主干道車輛換道模型，通過嵌入微觀交通仿真軟件CORSIM 取得了很好的仿真效果。模型在換道動機部分使用Logistic 回歸確定概率：
式中：Ui(t)為通過分場景擬合數(shù)據(jù)獲得的換道效用。
六個場景分別為：繞行停靠公交車、給并線車輛讓道、超越慢行車、獲得排隊優(yōu)先、避讓卡車、避免追尾。以繞行停靠公交車場景為例，擬合模型為：
式中：Cgst為目標(biāo)車道交通密度；Que為目標(biāo)車與公交車之間的車輛數(shù)；LocStop為目標(biāo)車與公交車站間的距離；Dist為目標(biāo)車與公交車間的距離；NPson為公交車站的人數(shù)；TypeA、TypeB、TypeC表示駕駛?cè)祟愋偷膯∽兞浚瑸橄鄳?yīng)的系數(shù)。
模型進一步從自由、強迫、競爭/協(xié)作三類換道以及目標(biāo)車和目標(biāo)車道后車視角，給出了基于“協(xié)商”機制的可接受換道空間計算方式。由于涉及的場景與參數(shù)較多，限于篇幅，不予贅述。
1.3.4 換道執(zhí)行模型
通過上述梳理不難發(fā)現(xiàn)，換道模型研究普遍缺少對換道執(zhí)行（即空間移動）過程的刻畫。MOBIL 模型甚至使用橫向瞬時換道假設(shè)估計換道對目標(biāo)車道車輛運動的影響[11]，顯然是不準(zhǔn)確的。
目前，關(guān)于換道執(zhí)行過程的研究較少，而且多獨立于換道動機與換道條件研究[13]。其中，盡管缺少實際物理意義，（五階）多項式模型被認為可以很好地擬合實際換道執(zhí)行中車輛表現(xiàn)出的“S”型時空過程[14]：
為反映車輛換道執(zhí)行過程的物理意義，Zhou 等[15]提出了基于車輛轉(zhuǎn)向角的換道執(zhí)行過程模型：
式中：?i(t)為換道執(zhí)行過程中車輛i與車道線夾角和為換道開始和結(jié)束時的車輛與車道線夾角；Vi為換道過程中車輛i的平均速度；ζi是關(guān)于駕駛風(fēng)格的權(quán)重系數(shù)。
1.4 微觀交通模型研究評述
像幾乎所有模型一樣，微觀交通模型也由變量和參數(shù)組成。表2 梳理了上述微觀交通模型的變量、自變量以及參數(shù)。在此基礎(chǔ)上，可通過式（26）將這些模型統(tǒng)一起來：
式中：Yi(t)包含了目標(biāo)車i在t時刻的交通狀態(tài)（包括加速度、速度、位置等）和決策（是否換道等）向量；si(t)為t時刻目標(biāo)車i的交通狀態(tài)向量；sj(t)為t時刻目標(biāo)車i周圍車輛的交通狀態(tài)向量；Ri為目標(biāo)車i相關(guān)的參數(shù)向量；Θ為其他參數(shù)向量。
對于跟馳模型，Yi(t)多為目標(biāo)車i的交通狀態(tài)向量：
而sj(t)通常只是目標(biāo)車i前車i-1 的狀態(tài)向量。對于換道模型，有：
sj(t)通常指當(dāng)前車道前車以及目標(biāo)車道前車與后車共三輛車的交通狀態(tài)向量。
Θ是用于控制變量間關(guān)系或與具體某個駕駛?cè)藷o關(guān)的參數(shù)向量。Ri為與目標(biāo)車i相關(guān)的行為、偏好或習(xí)慣等參數(shù)向量，可分為兩類：
表2 微觀交通模型的變量、自變量與參數(shù)
按照建模目的可將微觀交通模型分為兩類：（1）以揭示交通本質(zhì)特征為目標(biāo)的最小化參數(shù)/變量模型；（2）面向?qū)嶋H應(yīng)用場景的復(fù)雜（包含大量參數(shù)/變量）模型。從以上模型回顧中不難看出，跟馳模型多屬于第一類，而屬于第二類目標(biāo)的換道模型較多。究其原因可能與建模對象的復(fù)雜度有關(guān)。具體地，跟馳過程只涉及車輛在一個維度上的單方向運動過程，通常只與前面一輛車交互，并且較少涉及高強度的駕駛決策（更多的是憑感覺或者習(xí)慣駕駛車輛）。相比之下，換道過程不但包括車輛在兩個維度上的時空運動，并且通常要考慮當(dāng)前車道前車、目標(biāo)車道前車與后車三輛車的運動狀態(tài)，而且有時涉及駕駛?cè)烁邚姸鹊臎Q策（某種環(huán)境下做出“是與否”的選擇）。顯然，建立換道模型的復(fù)雜度要遠高于建立跟馳模型，目前的建模手段很難滿足用簡單模型刻畫復(fù)雜換道過程并揭示本質(zhì)機理的需求。此外，跟馳活動相對簡單的過程也使得更多學(xué)者愿意去探索其本質(zhì)機理。毫無疑問，這是可以理解的科學(xué)研究方式。但少有學(xué)者像文獻[12]作者，通過具體細節(jié)的刻畫建立更貼近實際的精細化模型。顯然，這項工作對于一個模型的實際應(yīng)用具有重要意義。
目前仍沒有公認完美、全面的微觀交通模型。半個多世紀以來，盡管已經(jīng)提出多達幾十種跟馳換道模型[1-3]，但是每一種模型都有自己的建模角度（例如GM 模型側(cè)重速度與加速度關(guān)系，OV 模型側(cè)重理想的交通狀態(tài)，Gipps 模型側(cè)重交通安全，等等），填補空白的同時，也意味著放棄了現(xiàn)有模型的角度或假設(shè)。可以說，目前仍缺少一種被廣泛認可的、覆蓋各種角度和因素的微觀交通模型。然而，從另一個角度看，目前的理論與應(yīng)用研究，是否真的需要一個全面完美的微觀交通模型？沒有廣泛認可的模型，是否也意味著不止一種模型可以滿足實際需求？不妨從建模目的上來回答這一問題：就揭示微觀駕駛本質(zhì)機理的目的來說，現(xiàn)有模型已經(jīng)做了廣泛且深入的工作。除非有新的數(shù)據(jù)支撐，否則已經(jīng)很難發(fā)現(xiàn)更多新現(xiàn)象和新機理。就實際應(yīng)用而言，如果要反映現(xiàn)實世界的復(fù)雜多樣，由于涉及非常多的因素以及層出不窮的場景，恐怕仍有很多瑣碎且繁復(fù)的問題要解決。
多數(shù)微觀交通模型都是在非間斷場景（如高速公路）下提出的。根據(jù)模型設(shè)置，有些模型也兼顧了間斷流場景（如城市道路）。盡管如此，駕駛?cè)嗽诓煌瑘鼍爸械牟煌{駛心理很可能會導(dǎo)致迥異的駕駛行為。因此，盡管都是面對跟馳行為或換道行為，在刻畫非間斷交通流時表現(xiàn)良好的模型，是否可以有效地刻畫間斷流等更復(fù)雜交通中的駕駛過程還不甚清楚，甚至不樂觀。特別地，有些模型完全是針對某個特定現(xiàn)象或為了解釋某個特定現(xiàn)象而提出，那么在沒有這種現(xiàn)象發(fā)生的場景中，該模型的表現(xiàn)力可能非常有限。比如，Chen等[16]針對高速公路上的交通震蕩提出的駕駛?cè)诵袨楦Y模型，在沒有交通震蕩的場景（比如交叉口和匝道附近）很可能沒有任何優(yōu)勢。因此，從機理層面判斷模型的場景適用性是非常重要的準(zhǔn)備工作。此外，在模型跨場景應(yīng)用前，非常有必要詳細測試模型的適用性。例如，Treiber 和Kesting[17]給出了高速公路與城市道路場景下的跟馳模型測試表單（見圖1 和圖2），明確指出：對于高速公路場景，需要交通時空圖（軌跡與走停波）和基本圖兩個維度的測試；對于城市道路場景，需要檢驗至少20輛車的車間距、車速以及加速度變化。
圖1 高速公路跟馳模型仿真測試[17]
圖2 城市道路場景下的跟馳模型仿真測試[17]
2 微觀交通模型的智能網(wǎng)聯(lián)化轉(zhuǎn)型
盡管多數(shù)微觀交通模型都難以避免地引入了駕駛?cè)艘蛩兀碦i），但考慮到建模目的與復(fù)雜性等因素，大多數(shù)模型仍以解析車輛間物理學(xué)關(guān)系為主，較少（真正）考慮駕駛?cè)藦?fù)雜且難以定量刻畫感知、判斷與操作行為[18]。
盡管駕駛輔助系統(tǒng)的目的是提高人類駕駛精準(zhǔn)性并更好地保障駕駛安全等，但是在駕駛過程給駕駛?cè)颂峁└嘈畔ⅲ瑹o疑也是一種“干擾”，進一步增加了“人-車-路”關(guān)系的復(fù)雜性。如何使用數(shù)學(xué)模型刻畫耦合“輔助系統(tǒng)-駕駛?cè)?車輛-交通-場景”的五元素復(fù)雜智能網(wǎng)聯(lián)交通系統(tǒng)，更好地服務(wù)于機理發(fā)現(xiàn)、系統(tǒng)性能提升、仿真模擬等理論與實踐應(yīng)用，是當(dāng)下交通科學(xué)與工程領(lǐng)域最為急迫的研究任務(wù)之一。
相較于傳統(tǒng)微觀交通模型，引入駕駛輔助系統(tǒng)無疑增加了模型維度（從“駕駛?cè)?車輛-交通-場景”四維系統(tǒng)變?yōu)椤拜o助系統(tǒng)-駕駛?cè)?車輛-交通-場景”五維系統(tǒng)），帶來了建模復(fù)雜度的指數(shù)級增長。傳統(tǒng)的一體化建模方式無法有效梳理和展現(xiàn)更加復(fù)雜的駕駛過程與交通動態(tài)。因此，我們認為應(yīng)采用符合客觀世界本身邏輯關(guān)系的“面向?qū)ο蟆笔降南确纸夂蠹嬍降慕７绞礁欣谔幚砗蛻?yīng)對如此復(fù)雜的系統(tǒng)建模問題。這種針對系統(tǒng)組成元素分別建模的方法，不但可以得到邏輯清晰、條理準(zhǔn)確的“強解析”模型，而且有望解釋元素非線性交互過程所帶來的隱藏在本質(zhì)現(xiàn)象背后的復(fù)雜交通現(xiàn)象。
具體地，在智能網(wǎng)聯(lián)交通系統(tǒng)中（見圖3），“車-交通-場景”可以由微觀交通模型來刻畫。正如上節(jié)介紹，一個（套）足以勝任此項任務(wù)的微觀交通模型具有如下特征：（1）通常包括表征車輛安全與效率的變量與參數(shù)；（2）可以刻畫車輛的跟馳與換道行為；（3）可以實現(xiàn)對高速公路和城市道路兩大類場景中微觀動態(tài)交通過程的準(zhǔn)確刻畫。微觀交通模型上層則是駕駛?cè)四Ｐ停{駛?cè)四Ｐ统袚?dān)著從“感知-決策-操作”三個層面刻畫人類有限駕駛能力的任務(wù)。該模型應(yīng)該充分考慮駕駛?cè)嗣鎸Σ煌煌▓鼍昂筒煌瑥?fù)雜度駕駛?cè)蝿?wù)時所展現(xiàn)的不同行為特征。在智能網(wǎng)聯(lián)環(huán)境下，駕駛?cè)藢木哂型昝栏兄c判斷力的機器（輔助駕駛系統(tǒng)）中接收駕駛輔助信息。盡管（理想情況下）機器是完美的，但建模時需要考慮駕駛?cè)说男畔⒔邮芤庠概c接受能力。在該框架中，如果跳過駕駛?cè)耍苯訉崿F(xiàn)機器與車輛的對接，則可認為是自動駕駛系統(tǒng)。
圖3 耦合了“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”五元素的智能網(wǎng)聯(lián)交通系統(tǒng)建模框架
針對上述框架進行文獻檢索與梳理，發(fā)現(xiàn)了具有相似性的兩項工作，簡要介紹如下。龔思遠[19]較早時通過模糊感知信息融合理論疊加常規(guī)Wiedemann92跟馳模型與考慮駕駛輔助信息影響的改進Wiedemann92 模型，得到駕駛輔助環(huán)境下駕駛?cè)烁Y行為模型（見圖4），并通過仿真實驗分析了模型穩(wěn)定性等。Sharma 等[20]通過前景理論（Prospect Theory）刻畫智能網(wǎng)聯(lián)環(huán)境下駕駛?cè)耸欠穹鸟{駛輔助信息建議的行為，并將其引入ID模型，通過駕駛模擬儀數(shù)據(jù)標(biāo)定，較好地刻畫了駕駛輔助系統(tǒng)對駕駛?cè)思捌滠囕v運動過程的影響。作者將駕駛輔助信息分為持續(xù)顯示的連續(xù)信息以及基于事件（如前車突然減速）的提示信息兩類，最終得到了駕駛輔助信息下考慮駕駛?cè)朔男袨榈腎D模型。
圖4 疊加駕駛輔助影響的Wiedemann92跟馳模型[19]
模型由兩部分組成：
第一部分：持續(xù)顯示的連續(xù)信息對駕駛?cè)思败囕v運動過程的影響。車輛動力學(xué)模型仍是式（13），但是在中的安全車間時距Ti前引入了通過前景理論計算的基于觀測車間距sobs(t)的效用系數(shù)[1+UT(sobs(t)) ]：
第二部分：基于事件的提示信息對駕駛?cè)思败囕v運動過程的影響則體現(xiàn)在給駕駛?cè)说慕ㄗh減速度上：
式中：ti,c=0 為減速開始時間；ti,c=TC為減速結(jié)束時間；n是控制ti,c/TC影響的參數(shù)；Di為ti,c=TC時達到的最大減速度：
式中：sdes(t)是理想的車間距。
同時，也注意到一些研究跨過駕駛?cè)耍ㄟ^添加參數(shù)或修改變量的方式直接改進微觀交通模型，最終得到智能網(wǎng)聯(lián)環(huán)境微觀交通模型。例如，Tang 等[21]通過改造全速度差（Full Velocity Difference）模型，研究了事故信息提示的作用；Ni等[22]通過修改Gipps 模型，研究了智能網(wǎng)聯(lián)環(huán)境下道路通行能力的變化；Xie 等[23]將全局與局部交通信息引入ID模型，實現(xiàn)了穩(wěn)定交通流狀態(tài)的目的。
也有研究通過在現(xiàn)有模型中加入獨立的自動控制器來實現(xiàn)微觀交通模型的智能網(wǎng)聯(lián)化改造。例如，Konishia 等[24]在OV 模型上加入基于速度的反饋控制器，來消除交通波；Xie等[25]將基于速度的反饋控制器加載到ID 模型，實現(xiàn)了通過部分帶有駕駛輔助功能的車輛穩(wěn)定全局交通狀態(tài)的目的。
盡管不乏優(yōu)點，但是上述兩類模型忽略了駕駛?cè)说囊蛩兀@然在某種意義上缺少準(zhǔn)確性。同時，由于未能與現(xiàn)實世界中的要素完全對應(yīng)，模型在擴展性上可能存在一定的局限性。因此，我們認為“面向?qū)ο蟆笔降南确纸夂蠹嬓徒７绞礁欣诮?zhǔn)確的可以很好對應(yīng)“輔助系統(tǒng)-駕駛?cè)?車輛-交通-場景”五元素的智能網(wǎng)聯(lián)微觀交通模型。
3 面向智能網(wǎng)聯(lián)環(huán)境的通用駕駛?cè)四Ｐ涂蚣?/h2>
如同所有社會系統(tǒng)，“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”系統(tǒng)的核心無疑是駕駛?cè)恕榱讼到y(tǒng)地分析與解構(gòu)駕駛?cè)嗽谠撓到y(tǒng)中所表現(xiàn)出來的復(fù)雜特性，本節(jié)提出面向智能網(wǎng)聯(lián)環(huán)境的通用駕駛?cè)四Ｐ涂蚣埽云跒榻窈蟮慕９ぷ魈峁┛蚣芘c指引。
3.1 “感知-決策-操作”三階段模型
通常認為，駕駛?cè)说男袨檫^程包括“感知-決策-操作”三個階段[18]。人類與機器最大的區(qū)別在于“有限能力”。因此，要刻畫真正的人類，有限能力的刻畫一定是研究重點（見圖5）。
圖5 面向智能網(wǎng)聯(lián)環(huán)境的通用駕駛?cè)四Ｐ涂蚣?/p>
具體地，智能網(wǎng)聯(lián)環(huán)境下，駕駛?cè)诵枰诟兄A段同時處理來自交通場景和駕駛輔助系統(tǒng)的信息：
（1）駕駛?cè)藢Νh(huán)境的感知受限于人類本身視聽能力的局限，通常只能“感覺”周圍有限范圍內(nèi)（相鄰）車輛的狀態(tài)，即車輛狀態(tài)（如速度、加速度、橫向及縱向位置等）的估計值。同時，駕駛?cè)诉€會較為清晰地注意到交通標(biāo)志標(biāo)線與管控設(shè)施（如信號燈等）的狀態(tài)。受限于有限的注意力保持能力，駕駛?cè)瞬⒉荒軐崟r且持續(xù)地獲取此類外部信息。
（2）我們認為假設(shè)機器具有局部（甚至是全局）全要素感知能力對于以研究智能網(wǎng)聯(lián)交通系統(tǒng)為目標(biāo)的智能網(wǎng)聯(lián)微觀交通模型是合理且充分的。這些信息包括：目標(biāo)車周圍車輛的歷史、當(dāng)前，甚至是未來的狀態(tài)信息；駕駛環(huán)境信息，如路面坡度、天氣情況、道路彎度、前方路網(wǎng)結(jié)構(gòu)等。基于這些信息，駕駛輔助系統(tǒng)將提供速度建議、減速預(yù)警等多種駕駛輔助信息供駕駛?cè)藚⒖肌?/p>
（3）面向復(fù)雜多樣的交通場景，駕駛?cè)瞬坏瓿筛鞣N決策與操控任務(wù)，同時還要搜集來自交通場景和駕駛輔助系統(tǒng)的雙重信息，對于這些信息的吸收和理解并非易事，模型需予以考慮。
被感知階段“過濾”的信息，在駕駛?cè)藳Q策階段進行處理。駕駛?cè)嗽谔幚磉@些信息的時候，將受到駕駛?cè)肆?xí)慣、意志、駕駛目的等諸多復(fù)雜因素的影響。并且，正如上節(jié)介紹的文獻[19]和[20]，在現(xiàn)有行為決策理論框架下建模，是體系完整、路線清晰的重要保證。梳理可以引入駕駛?cè)藳Q策的行為理論如下：
（1）計劃行為理論（Theory of Planned Behavior）是Ajzen 對理性行為理論（Theory of Reasoned Activity）的拓展[26]。該理論認為人的行為是深思熟慮的結(jié)果，所有因素通過影響行為意向（即執(zhí)行行為意愿）間接影響行為發(fā)生。行為意向主要由三類變量共同決定：態(tài)度（個人對該項行為所持有的正面或負面感覺）、主觀規(guī)范（個人對于是否采取某項特定行為所感受到的社會壓力）和知覺行為控制（對自身行為的控制能力）。
（2）前景理論（Prospect Theory）由Kahneman和Tversky[27]提出。該理論是針對“風(fēng)險厭惡”和“框架效應(yīng)”等經(jīng)典期望效用理論無法解釋的“異象”提出的描述性個體決策框架。該理論通過引入基于參照點的評價框架，將基于絕對值的期望效用轉(zhuǎn)化為基于相對變化值的前景價值。通過引入分段的前景價值函數(shù)和非線性的決策權(quán)重函數(shù)，更好地刻畫實際生活中決策者對待損失收益以及風(fēng)險的態(tài)度。該理論已在個體決策領(lǐng)域獲得了廣泛驗證和大量應(yīng)用。
（3）心理賬戶理論（Theory of Mental Accounting）由Thaler 提出[28]。該理論認為企業(yè)或個人首先為各類開支設(shè)定預(yù)算或目標(biāo)，并且按類別分配費用，不同心理賬戶（指個人或家庭用來編碼、分類和評估決策活動時使用的認知運算的集合）的預(yù)算之間具有“非替代性”特征。心理賬戶的存在通過影響人們以不同態(tài)度對待不同用途的支出和收益，從而做出不同的決策和行為。
（4）學(xué)習(xí)理論（Learning Theory）則先后經(jīng)歷了基于自身經(jīng)驗的強化學(xué)習(xí)[29]、基于對對手行動預(yù)判的虛擬信念學(xué)習(xí)、綜合前兩者特點的經(jīng)驗加權(quán)吸引值學(xué)習(xí)、規(guī)則學(xué)習(xí)等。學(xué)習(xí)理論允許個體根據(jù)自身獨特的經(jīng)驗、體驗和主觀判斷做出不同的選擇，通過學(xué)習(xí)不斷地動態(tài)調(diào)整行為以更好地適應(yīng)環(huán)境變化，從而更貼近個體真實的決策過程。該理論已在交通行為決策領(lǐng)域獲得了大量關(guān)注。
在操作階段，駕駛?cè)说臎Q策意志通過肢體操作方向盤、油門踏板以及剎車踏板等加載到車輛，控制車輛運動。作為人類駕駛員，難以做到“身心合一”，因此手腳對方向盤和踏板的控制并不能完全反映駕駛?cè)艘庵荆饕w現(xiàn)在：空間上，無法使方向盤和踏板到達所想的位置；時間上，無法使方向盤和踏板在理想的時間內(nèi)到達所想位置；同時，操控過程的連貫性也難以完全保證，顯然這與微觀交通模型（如Gipps 模型）常用的均勻加減速假設(shè)相悖。此外，所處交通場景也會對駕駛?cè)说膶嶋H操控難度產(chǎn)生較大影響。例如，駕駛?cè)嗽诓倏剀囕v上下坡路段的時候，腳對踏板的控制很難做到穩(wěn)定一致，而這種看似微小的區(qū)別很可能對整個交通系統(tǒng)造成較大的影響[30-31]。
3.2 模型討論
關(guān)于通用駕駛?cè)四Ｐ停袔讉€問題值得討論與總結(jié)：首先是單獨建立駕駛?cè)四Ｐ偷哪康摹Ｈ绻窃诮煌骼碚撆c仿真框架內(nèi)，其目標(biāo)無疑是更好地解釋宏微交通現(xiàn)象、更真實地還原交通狀態(tài)等。為此，把駕駛?cè)诵袨榕c決策從交通流模型中“整塊”切割下來，成體系的思考與建模，將進一步豐富模型因素，有助于理順內(nèi)部邏輯，讓模型更加靈活。即：只要保持好與其他元素間的接口，便可以根據(jù)實際研究目的靈活調(diào)整“封裝”完好的駕駛?cè)四Ｐ停粫绊懫渌啬Ｐ汀?/p>
其次是模型的結(jié)構(gòu)與參數(shù)。根據(jù)圖5 梳理的駕駛?cè)嗽谡鎸嶑{駛環(huán)境的行為過程，“感知-決策-操作”三階段是一個遞進過程，其模型框架大概可以寫成：
式中：Bi(t)為反應(yīng)t時刻駕駛?cè)薸有限駕駛能力的變量/參數(shù)；P、D、O分別為對應(yīng)駕駛?cè)烁兄≒erception）、決策（Decision）和操作（Operation）函數(shù)；彼此間的嵌套關(guān)系對應(yīng)了邏輯上的遞進關(guān)系；和則為t時刻作用于駕駛?cè)薸的環(huán)境信息與駕駛輔助信息。
將通用駕駛?cè)四Ｐ停ㄊ剑?3））帶入交通模型框架（式（26）），可以得到如下考慮駕駛?cè)诵袨榈闹悄芫W(wǎng)聯(lián)微觀交通模型：
這里通過乘法關(guān)系將Bi(t)加載于Ri，在具體模型建立過程中也可以考慮其他關(guān)系。
顯然，引入更多變量會增加計算負擔(dān)，降低模型效率。但是，一方面，環(huán)境信息與駕駛輔助信息對駕駛?cè)说挠绊懼饕窃趫鼍稗D(zhuǎn)換或事件發(fā)生時產(chǎn)生較明顯作用。因此，在建模時，可以使用事件觸發(fā)式建模方法（event-based modeling），即在場景轉(zhuǎn)換或事件發(fā)生時，改變模型參數(shù)或關(guān)系；在其他狀態(tài)下，保持參數(shù)不變，以減小計算負擔(dān)。另一方面，對于駕駛?cè)四Ｐ偷慕ⅲ矐?yīng)該根據(jù)實際需求調(diào)整模型復(fù)雜度，即以反映本質(zhì)機理為目標(biāo)的最小化模型通常在模型形式上較為簡單，而面向?qū)嶋H應(yīng)用場景的模型則可能更為復(fù)雜。但是，隨著軟硬件技術(shù)的進步，計算機應(yīng)對復(fù)雜計算的能力逐步增強，將進一步緩解人們在建立模型過程中對計算效率的焦慮。
3.3 關(guān)鍵科學(xué)問題
本文列舉出建立通用駕駛?cè)四Ｐ蜁r可能涉及的關(guān)鍵科學(xué)問題，以供交流討論。
（1）影響駕駛?cè)诵袨榈年P(guān)鍵因素有哪些？從3.1 節(jié)中不難看出，駕駛?cè)四Ｐ驮谂c“輔助系統(tǒng)-車輛-交通-場景”其他四維元素耦合后，會產(chǎn)生數(shù)量龐大的行為影響因素，甚至難以一一列舉。因此，對于建立數(shù)學(xué)模型來說，梳理出最主要的影響因素是建立通用駕駛?cè)四Ｐ偷氖滓ぷ鳌?/p>
（2）影響駕駛?cè)诵袨榈年P(guān)鍵因素如何取值？科學(xué)的因素選取方式與手段應(yīng)該是基于大量的駕駛（模擬）實驗。因此，有必要在選取關(guān)鍵因素的同時，給出這些因素在不同場景中的作用范圍與強度，也就是參數(shù)取值范圍或概率分布。
（3）如何刻畫行為因素間的耦合作用機理？影響駕駛?cè)诵袨榈倪@些關(guān)鍵因素絕非孤立存在。比如，在各種駕駛場景中，駕駛輔助信息的出現(xiàn)是增強還是削弱了駕駛?cè)藢Νh(huán)境信息的感知，尚未有定論。因此，有必要對諸如此類的因素間相互作用方式與耦合機理開展基礎(chǔ)性研究。需要注意的是，在開展大量測度與實驗工作時，應(yīng)該注意機理層面的梳理與抽取。
（4）影響駕駛?cè)诵袨榈年P(guān)鍵因素如何影響宏觀交通流？如果刻畫駕駛?cè)诵袨榈哪康氖歉玫胤?wù)交通流建模與仿真，那么從交通流宏觀角度去“對照”微觀駕駛?cè)诵袨橐蛩氐淖饔茫瑢⑹遣豢珊雎缘年P(guān)鍵環(huán)節(jié)。具體說，某些微觀駕駛因素也許對駕駛?cè)说鸟{駛行為有一定影響，但是當(dāng)映射到宏觀（道路）交通流層面時，這些因素的作用也許并不明顯。對于這些因素，在建立交通流模型的時候，需要予以區(qū)分，甚至是舍棄。這也是面向微觀交通流模型的駕駛?cè)四Ｐ蛥^(qū)別于人因或者安全領(lǐng)域中駕駛?cè)四Ｐ偷闹饕胤健?/p>
（5）如何耦合“感知-決策-操作”三階段模型并將其嵌入微觀交通流模型？理清影響駕駛?cè)诵袨榈年P(guān)鍵因素之后，給出式（33）的具體形式并將其嵌入到式（26）且得到式（34）的具體形式將是模型涉及的另一個關(guān)鍵科學(xué)問題。這里將更多地體現(xiàn)研究者對因素間作用關(guān)系的理解與刻畫能力，也是從單純的駕駛?cè)诵袨檫^渡到考慮駕駛?cè)诵袨榈奈⒂^交通流模型的關(guān)鍵環(huán)節(jié)。
4 總結(jié)與討論
經(jīng)過半個多世紀的快速發(fā)展，人們已經(jīng)建立了多達數(shù)十種和上百個微觀交通模型[32-33]。單看這些模型（第1 節(jié)），似乎體系架構(gòu)已經(jīng)完善，并且在實際研究中也已很難提出更多新穎的模型。但是，當(dāng)把這些模型放入“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”智能網(wǎng)聯(lián)交通系統(tǒng)建模框架（見圖3）后，出乎意料地發(fā)現(xiàn)，目前的微觀交通模型遠遠不能滿足智能網(wǎng)聯(lián)時代對車與交通的仿真建模需求。
歸其原因，以往研究在建立微觀交通模型時主要以解析車輛間物理關(guān)系為主，關(guān)于駕駛?cè)诵袨榈目紤]十分抽象與簡化，遠不能充分刻畫駕駛?cè)税ā案兄?決策-操作”在內(nèi)的有限能力行為。然而，駕駛?cè)耸擒囕v運動的發(fā)起人，是整個交通系統(tǒng)的核心。以往對駕駛?cè)说暮鲆暿沟媚壳暗哪Ｐ碗y以真正揭示更多更復(fù)雜的交通現(xiàn)象。
無論是單純的微觀交通模型還是“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”系統(tǒng)建模，目前對交通場景的考慮與投入不足且不均衡。由于假設(shè)場景相對簡單且涉及的人因相對較少，目前大量研究仍圍繞單一維度的跟車過程展開。對于實際應(yīng)用和理解整個交通系統(tǒng)來說，還遠遠不夠。期待更多學(xué)者可以奮勇挑戰(zhàn)，對換道場景以及基于此的超車、避讓等復(fù)雜場景展開深入研究。這不但有利于突破仿真瓶頸而且將極大地推動（智能網(wǎng)聯(lián)）微觀交通仿真的應(yīng)用性和實踐價值。
隨著信息技術(shù)的飛速發(fā)展，人們對交通數(shù)據(jù)的采集已從幾十年前的檢測器采集“流速密”宏觀交通變量快速發(fā)展到目前的無人機/視頻采集車輛軌跡數(shù)據(jù)。從視頻中提取的包含百分百微觀交通信息的高精度車輛軌跡數(shù)據(jù)的出現(xiàn)極大地推動了交通研究進步，促進了一大批新發(fā)現(xiàn)與新方法的提出[34-35]，充分說明了數(shù)據(jù)對于交通研究的重要基礎(chǔ)地位。盡管如此，對于刻畫駕駛?cè)诵袨橐约懊枋銎溆邢弈芰Γ@些所謂“高精度”數(shù)據(jù)還遠遠不夠。當(dāng)前，人因數(shù)據(jù)的采集方式仍以車載儀器（采集自然駕駛數(shù)據(jù)）和實驗室中的駕駛模擬儀為主[36-38]，如何將這些“局部”數(shù)據(jù)應(yīng)用到微觀交通建模，以及如何通過將駕駛?cè)藬?shù)據(jù)采集方式與交通流數(shù)據(jù)采集方式結(jié)合，進而得到實際駕駛環(huán)境中的“人-車-交通”數(shù)據(jù)，是值得深入研究與期待的方向。也許，智能網(wǎng)聯(lián)技術(shù)是一個契機！
近年來，機器學(xué)習(xí)與數(shù)據(jù)驅(qū)動方法方興未艾，產(chǎn)生了一批數(shù)據(jù)驅(qū)動的跟馳與換道模型[13，30，39-40]。是否可以在人工智能的熱潮中，實現(xiàn)數(shù)據(jù)驅(qū)動的“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”交通系統(tǒng)建模突破，也是值得期待的前沿方向。
最后，由于涉及很多人類行為學(xué)理論與方法，僅僅依靠交通領(lǐng)域?qū)W者去實現(xiàn)耦合了“輔助系統(tǒng)-駕駛?cè)?車輛-交通-駕駛場景”的復(fù)雜社會系統(tǒng)建模較為困難。因此，非常有必要進一步推進交通領(lǐng)域、計算機領(lǐng)域、自動控制領(lǐng)域?qū)W者的密切合作。特別地，非常強調(diào)，由于駕駛?cè)嗽谡麄€系統(tǒng)中的重要作用，行為學(xué)專家的參與對于成功建模至關(guān)重要。
致謝
感謝魯光泉教授、孫劍教授、金盛教授、龔思遠副教授以及何佳博士、齊航博士在本文研究過程中給予的諸多幫助與寶貴建議。
猜你喜歡
童話王國·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38
網(wǎng)絡(luò)安全與數(shù)據(jù)管理(2022年1期)2022-08-29 03:15:20
導(dǎo)航定位學(xué)報(2022年4期)2022-08-15 08:27:00
中學(xué)生數(shù)理化·中考版(2022年8期)2022-06-14 06:55:24
新世紀智能(數(shù)學(xué)備考)(2021年9期)2021-11-24 01:14:36
成都醫(yī)學(xué)院學(xué)報(2021年2期)2021-07-19 08:35:14
新世紀智能(數(shù)學(xué)備考)(2020年9期)2021-01-04 00:25:14
中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50
數(shù)學(xué)物理學(xué)報(2020年2期)2020-06-02 11:29:24
光學(xué)精密工程(2016年6期)2016-11-07 09:07:19
