智能網聯環境下管理車道設置策略與影響因素分析

傅澤新,陳旭梅,王宇擎,張義鑫

(北京交通大學 交通運輸學院,北京 100044)

自動駕駛技術的出現為緩解交通問題提供了新的解決方案,相比于HDV,CAV具有更敏感的環境感知能力和更迅速的駕駛操作響應能力。根據美國交通部AASHTO(American Association of State Highway and Transport Officials)估算[1],CAV的推進與發展是較為漫長的過程,在早期發展階段,必將存在由CAV與HDV組成的新型混合交通流,與單純的CAV交通流相比,由于CAV與HDV間的干擾與交互,混合交通流所具備的特性將更加復雜,間接影響道路的通行能力且進一步增加了潛在的碰撞風險。管理車道的設置在一定程度上能夠有效解決新型混合交通流帶來的問題。現如今,眾多學者針對管理車道設置的優劣效果進行了充分的實驗探究[2-4],結果表明,將不同類型車輛通過管理車道進行隔離,在有效提升道路通行能力、降低道路通行延誤與減少車輛間碰撞風險發揮了作用。分析學者們已有的研究成果發現,近幾年在融入CAV的管理車道研究領域,學者們主要聚焦于CAV專用道設置對交通流的影響、通過仿真獲取最優管理車道布設方案兩方面[5-10]。在低CAV滲透率時,管理車道只允許CAV車輛通行的策略對道路實際通行能力存在較大的影響,此外,大多數學者在研究混合交通流管理車道設置策略時,只考慮了CAV與HDV兩種車型,并沒有更好的貼近現實情況。因此,本文考慮多種車輛類型、不同種類CAV車輛、管理車道選擇概率、CAV滲透率、換道目標間隙等關鍵參數,從交通流運行效率與安全兩個維度,選取道路通行能力、平均延誤、車輛間碰撞風險3個指標針對管理車道對交通流影響及其最優布設條件進行研究分析。

1 空間路權導向的車道設置方案

1.1 混合交通流組成

為準確貼合實際道路交通流組成狀況,考慮配置CACC(cooperative adaptive cruise control)與ACC(adaptive cruise control)功能的兩種CAV車輛類型,與其不同車頭時距對通行能力的影響[8],文中研究的新型混合交通流由人工駕駛的小汽車(human driven-car,HD-car)、人工駕駛的公交車(human driven-bus,HD-bus)、自適應巡航控制的小汽車(adaptive cruise control-car,ACC-car)、自適應巡航控制的公交車(adaptive cruise control-bus,ACC-bus)、協同式自適應巡航控制的小汽車(cooperative adaptive cruise control-car,CACC-car)、協同式自適應巡航控制的公交車(cooperative adaptive cruise control-bus,CACC-bus)6種類型的車輛組成,CACC與ACC系統控制的車輛統稱為CAV,HD-car包含HOV與非HOV,各類型車輛在道路中的比例分別由ρHc、ρHb、ρAc、ρAb、ρCc、ρCb表示,且滿足:

ρHc+ρHb+ρAc+ρAb+ρCc+ρCb=1

(1)

1.2 管理車道設置方案

在考慮管理車道設置策略時,學者們更多考慮了CAV的空間路權[5-10]。因此,本文重點考慮CAV和HOV專用道,為不同車輛賦予不同空間路權,針對快速路設置以下4種場景,其中,場景一與場景二重點關注CAV,場景三與場景四關注HOV與CAV。4種場景如圖1所示,專用道設置于道路左側車道。

2 考慮車間通信的駕駛行為建模

2.1 車輛縱向跟馳行為建模

為了描述新型混合交通流中除CACC車輛外,其余車輛間縱向相互作用關系,本文使用改進的IDM+模型作為描述車輛間縱向關系的基礎模型,IDM+模型變量包括跟馳車速度、與前車間距以及兩車間速度差等[11],模型表示為

(2)

(3)

本文中CACC車輛主要依據加州伯克利PATH實驗室提出的恒定車間時距策略的CACC模型[12],其表示為

e=xi-1-xi-Tvi

(4)

(5)

式中:xi為跟馳車輛位移,vi為跟馳車輛速度,e為實際距離與期望距離之間的誤差,T為最小安全車頭時距,i-1代表前車,v(t-1)為車輛前一時刻速度,kp、kd為不同模式下的權重值。

2.2 車輛橫向換道行為建模

2.2.1 換道動機

根據車輛行駛過程中,追求利益動機的不同,本文將換道行為分為戰略式換道、合作式換道、速度增益式換道、保持右行式換道4種,分別定義為:1)戰略式換道(Strategic),車輛在實際行駛過程中,需要通過換道繼續保持行進路線;2)合作式換道(Cooperative),換道車輛發出換道信號,同車道或目標車道相鄰車輛采取減速或換道措施協助換道車輛成功換道;3)速度增益式換道(SpeedGain),車輛為達到期望的行駛速度而進行的換道行為;4)保持右行式換道(KeepRight),車輛為保持右行而做出的換道行為。戰略式換道、保持右行式換道和合作式換道是必要性換道,而速度增益式換道為非必要性換道,在保證交通流通性效率的前提下,減少不必要的換道是提高道路安全性的措施之一。

2.2.2 換道間隙

車輛在換道過程中,目標車道相鄰車輛間隙是決定是否可以換道的重要參考依據,其示意如圖2所示,面向新型混合交通流,道路上車輛換道間隙的分布,在一定程度上可定性描述車流整體運行的安全性與穩定性,車輛換道目標車道換道間隙表示為

圖2 車輛換道目標車道換道間隙

T=LB-LA

(6)

式中:T為目標車道換道間隙,m;LA、LB分別為A、B車在車輛行駛方向上的位置。

3 基于車頭時距的混合交通流影響評估建模

3.1 基本假設與概念

為了使研究更加具有適用性,根據相關文獻研究[13-15],進行如下假設:假設1,CAV可獲取路段所有車輛信息及周邊環境信息;假設2,假設所有車輛均為自然到達,交通流在道路均勻分布;假設3,當車輛間跟馳距離小于期望間距時,跟馳后車將保持自由流速度行駛,即不存在激進型微觀駕駛行為。

3.2 混合交通流通行能力建模

計算道路通行能力需綜合考慮每條車道平均車頭時距,有m個車道的道路通行能力計算公式為

(7)

式中:C為通行能力,m為車道數量,Tn為第n條車道上平均期望車頭時距。

以場景一為例,當CAV滲透率已知時,由于所有的CAV選擇專用道行駛,普通車輛會選擇普通車道,因此,通過普通車道與專用車道的流量必然滿足kp倍關系,其取值與各類型車道車流量有關,場景一k1的計算公式為

(8)

同理,k2、k3、k4計算公式分別為

(9)

式中:ρ為CAV滲透率,kp為第p種場景下選擇普通車道與管理車道的車流量比例。

在計算通行能力時,考慮單車道上前車與后車出現的概率,即可計算得到每種車輛類型平均車頭時距出現的概率,針對每種車輛類型車頭時距進行加權平均,得到每條車道平均期望車頭時距,依據式(7)可獲得單車道通行能力。場景一與場景二單車道平均期望車頭時距計算公式為

(10)

同理,場景三與場景四單車道平均期望車頭時距為

(11)

式中:θH為HD-bus、HOV對HOV車道的選擇概率,λ為非HOV在所有HD-car中的比例。

本文考慮不同種類車輛間的跟馳概率,針對不同車輛的期望車頭時距加權平均,依據式(7)即可計算路段通行能力。同時,基于不同車道間的車流比例k,通過另一條車道的通行能力對本車道通行能力進行計算,兩者最小值即為本車道通行能力,其表達式為

(12)

3.3 混合交通流路段平均延誤

本文定義路段平均延誤為每公里車輛期望通行時間與實際通行時間的差值,每種車輛的平均延誤計算如式(13)所示,路段平均延誤計算公式為

(13)

(14)

式中:ρi為第i種車輛在交通流中的比例或滲透率,a為車輛數量,Mi為第i種車型的總數,vf為自由流速度,vm為車輛實際行駛速度。

4 仿真實驗分析

4.1 實驗設計

SUMO作為當前交通仿真領域使用最廣泛的仿真平臺之一,其最主要的優勢在于可以通過TraCI接口有效控制車輛微觀駕駛行為,具有良好的在線交互功能,且包含有高度自由的配置和可移植性[16]。本文利用數值仿真與SUMO軟件仿真相結合的方式,基于北京蓮石東路設置不同場景,開展該部分實驗仿真,在場景一與場景三中,限定了CAV空間路權,此時CAV對管理車道的選擇概率為100%,在場景二與場景四中,沒有限制CAV空間路權,此時CAV對管理車道的選擇概率為50%。考慮了HOV的場景三與場景四,場景三中HOV對管理車道的選擇概率為100%,場景四中HOV對管理車道的選擇概率為50%,CAV公交與HDV公交比例之和為5%。為使傳統駕駛車輛更加貼合實際,引入不完美駕駛系數,模擬不同性格駕駛員。

本文各種車輛期望車頭時距取值見表1所示,仿真車輛詳細參數見表2[17-21],表2中THc為HD-car期望車頭時距,THb為HD-bus期望車頭時距,TAc為ACC-car期望車頭時距,TAb為ACC-bus期望車頭時距,TCc為CACC-car期望車頭時距,TCcC為前車為CACC車輛、后車為CACC-car的期望跟馳時距,TCb為CACC-bus期望車頭時距,TCbC為前車為CACC車輛、后車為CACC-bus的期望跟馳時距。

表1 各種車輛期望車頭時距

表2 仿真車輛詳細參數設定

CACC系統主要基于車輛間無線通信,打破了ACC系統只能獲得前車信息的局限,能夠更加全面精準地獲取其周邊車輛信息(周邊車輛也需裝備CACC系統)。為使得CACC系統能夠發揮作用,本文在進行混合交通流影響評估建模計算時,考慮到CACC系統的上述特性,如果在相互存在跟馳關系的兩車中,后車裝備有CACC系統,而前車沒有裝備CACC系統(即前車為人工駕駛車輛或ACC車輛),則后車CACC系統退化為ACC系統,其跟馳間距依據ACC車輛期望跟馳間距計算,如果跟馳的兩車都裝備了CACC系統,則期望跟馳間距依據CACC車輛的期望車頭時距計算。

4.2 實驗結果

4.2.1 通行能力分析

考慮CAV滲透率與ACC/CACC車輛比例,對4種場景下的通行能力進行計算,結果如圖3所示。綜合分析4種場景,在考慮ACC/CACC比例的前提下,當CAV滲透率低于30%時,所有場景的道路通行能力相當;當CAV滲透率在30%～80%之間時,場景一具有更高的通行能力;當CAV滲透率大于80%,則更建議使用場景二管理車道設置策略。

圖3 4種場景下不同CAV滲透率與ACC/CACC車輛比例對通行能力的影響

4.2.2 路段延誤仿真分析

4種場景路段延誤仿真結果見圖4所示,綜合分析4種場景發現,在隨著CAV滲透率變化的過程中,場景二平均延誤較低,基本維持在10 s/km且變化十分微小。為進一步探究4種場景下路段平均延誤變化規律及原因,針對不同場景下的車輛總換道次數進行分析,見圖4(f)所示,發現4種場景下路段平均延誤與路段車輛換道總系數具有相似的變化規律,因此推斷在管理車道的設置策略下,車輛進入管理車道時的跨線換道,可能是造成路段平均延誤變化的主要原因。

圖4 4種場景路段延誤仿真結果對比

在CAV滲透率為50%時,4種場景下ACC/CACC比例對延誤的影響如圖5所示。可以發現不同ACC/CACC比例對各種場景的平均延誤存在一定的影響,其中,場景二與場景四下降程度較小,場景一與場景三下降程度較大。推測其主要原因是場景一與場景三限制了CAV通行空間路權,CAV只能在專用道上行駛,這使得CACC系統發揮作用的幾率大幅增加,更多的CACC系統發揮作用,將意味著更低的路段平均延誤。

圖5 4種場景下ACC/CACC比例對平均延誤的影響

4.2.3 交通流運行碰撞風險分析

車輛的頻繁換道是影響交通流安全性的重要因素之一,本節選取4種場景下,當ACC/CACC、HOV比例為50%時,圖6所示為CAV滲透率變化情況下車輛換道動機分布情況,圖7所示為目標車道換道間隙分布情況。

圖6 4種場景中CAV滲透率變化下車輛換道動機分布

圖7 4種場景下目標車道換道間隙分布情況

從圖6可以看出,不同管理車道設置策略下換道動機分布具有一定差異,將場景一與場景二進行橫向對比可以發現,場景二無論是從換道動機種類,還是換道頻率,都要明顯高于場景一,顯然,場景一由于減少了不必要的換道頻次,在一定程度上,道路交通流安全性得到了提高。場景三、四變化情況與場景一、二類似。

依據圖7,分析4種場景下車輛換道過程中,目標車道換道間隙分布情況發現,當CAV滲透率較高時,且應用于場景一與場景三時,目標車道換道間隙大多集中于100 m以下,表現出較高的頻次。在場景二與場景四中,CAV滲透率的大小對目標車道換道間隙分布影響較弱,間隙分布較為均勻,可能原因是由于在普通車道上CAV與HDV混行,HDV的存在導致CAV不能充分發揮其響應迅速的能力。

結合圖6和圖7可以得出結論:將CAV與HDV行駛過程進行有效的物理隔離是十分有必要的,這將會極大程度的減少整條路段上的換道次數,對交通流的平穩安全運行是有益的,此外,在面向新型混合交通流時,在針對CAV設置管理車道的條件下,較高的CAV滲透率可能將會導致路段平均碰撞風險的增加。

5 結 論

基于新型混合交通流,考慮CAV滲透率、車輛類型、交通流特性等影響因素,針對城市快速路管理車道設置策略進行研究,并通過數值與SUMO相結合的仿真模擬方式進行案例分析,得出如下主要結論:

1)綜合考慮路段通行能力、路段平均延誤與車輛間碰撞風險,發現當CAV滲透率低于30%或高于80%時,場景二具有較高的道路通行能力、較低的路段延誤和較小的車輛間碰撞風險,當CAV滲透率介于30%～80%之間,場景一通行能力較高,但此時車輛間碰撞風險隨CAV滲透率的增長而增大。此外,在設置管理車道時,如果只考慮CAV而忽視HDV、公交車等其他類型的車輛,并不能準確的反映實際情況。

2)不同管理車道設置策略對路段平均延誤影響較大。整體而言,ACC/CACC比例對路段平均延誤影響較小,CAV滲透率對路段平均延誤具有一定影響,當CAV滲透率高于10 %時,場景三與場景四受CAV滲透率影響較大,而場景一、二受CAV滲透率影響較小。

3)CAV滲透率與不同管理車道設置策略對混合交通流運行碰撞風險都存在影響,當只為CAV或HOV設置管理車道時,隨著CAV滲透率的增長會增加車輛間的碰撞風險;當只限制HDV車輛路權時,各類型換道行為與目標換道間隙頻率變化并不顯著,此時管理車道設置策略對交通流碰撞風險影響較小。

研究結論為新型混合交通流背景下不同管理車道設置提供一定參考,但仍存在可改進之處,未來需進一步針對CAV編隊行駛的到達分布、復雜路段適用場景等方面進行研究。