论文部分内容阅读
摘 要：未来，自动驾驶汽车逐步投入市场时会对传统的道路交通系统产生巨大的未知影响。本文通过建立基于元胞自动机且充分考虑驾驶行为的三车道自动-手动驾驶混合交通流模型，研究了不同自动驾驶比例下的混合交通流特性。
关键词：自动驾驶;混合交通流;驾驶风格
0 引言
目前，人们普遍认为自动驾驶汽车能减少交通拥堵，但从现有预测数据看，自动驾驶汽车时代的完全到来，至少在2030年以后。在此之前，其比例的逐渐增加会对交通流产生巨大的未知影响[1]。纵观国内外相关研究，基于元胞自动机且充分考虑驾驶行为的自动-手动驾驶混合交通流研究并不多。
1 自动-手动驾驶混合交通流建模
对混合交通流进行元胞自动机建模的关键是：如何对自动驾驶与手动驾驶进行区分，以展现二者对交通流影响的差异。参考现有研究，我们采用反应时间τ与驾驶风格β对二者进行区分。易知自动驾驶可准确预估其他车辆速度，而不同驾驶风格的人对速度的预估会存在差异，这里我们引入驾驶风格系数β∈（0，1），提出基于Gipps安全距离规则的“预期安全距离模型”[2-3]：
基于“预期安全距离模型”改进基础的NaSch跟驰模型与自由换道规则[3]。
1.1 跟驰模型改进
（1）确定t+1时刻的车速：
车辆n与旁车道后方车辆之间的车距大于预期安全距离才满足换道的安全条件，且换道行为具有随机性，按概率执行最终的换道。
2 仿真与结果分析
2.1 仿真设置
在充分考虑舒适性及模型对反应时间敏感性的基础上，将自动驾驶汽车的反应时间取为0.5 s;同时，参考文献将手动驾驶反应时间取为0.9 s。车道长度L=2 km，车道数m=3，元胞长1 m，车长5 m;自动驾驶最大速度为35，對应实际126 km/h;手动驾驶为30，对应实际108 km/h;加、减速度均为3。自动驾驶的驾驶风格系数β取为1，手动驾驶的驾驶风格系数β取为0.9;换道概率取0.5。密度区间为[0，150]，增量?=3。采用并行规则及周期性边界条件进行演化，每次仿真演化20 000时步，取后2 000步内所有车辆的平均速度作为系统平均速度。
2.2 不同自动驾驶比例对混合交通流的影响
仿真时，自动驾驶的比例的取值区间为[0，1]，变化增量=0.2，实验分六组进行。对仿真结果进行分析发现：随着的增加，系统交通流各密度下的平均速度也随之变大，且在相同车流密度下，越大，系统交通流的平均速度越大;同时，越大，相邻值下，系统交通流各密度下平均速度的差异越明显，尤其在高密度的拥堵区域;当密度为150时，纯自动驾驶交通流的平均速度约为13 km/h，而纯手动驾驶交通流的平均速度已经趋近于0。由此我们可以判断：由于自动驾驶的反应时间比较小，且自动驾驶能够准确判断周围车辆的速度，所以它在行驶过程中所需的预期安全距离较小，道路空间利用率更高，即使在高密度车流环境下系统交通流的平均速度仍然比较大。此外，随着的增大，最佳车流密度下的交通量也在增加，且交通量的变化增量越来越大;当=1时，三车道系统交通流的峰值流量最大，约为3 418;
当=0时，三车道系统交通流的峰值流量最小，约为2 386。由此可以判断，在传统的三车道系统交通流中引入自动驾驶汽车，可以极大的改善三车道交通系统的道路通行能力，且最佳车流密度下的交通量最多能够提升1.4倍。
3 结论
本文以未来自动驾驶汽车逐步投入市场的过程中对传统道路交通系统产生的未知影响为问题导向，建立了基于元胞自动机的充分考虑驾驶行为的三车道自动-手动驾驶混合交通流模型。经研究发现：越大，系统交通流的平均速度越大，最佳车流密度下的峰值流量也越大，且系统交通量最大值接近3 500，道路通行能力最多能够提升1.4倍。
参考文献：
[1]Kanwaldeep Kaur，Giselle Rampersad.Trust in driverless cars：Investigating key factors influencing the adoption of driverless cars[J].Journal of Engineering and Technology Management.2018，48：87-96.
[2]Harpreet Singh，Ankit Kathuria.Analyzing driver behavior under naturalistic driving conditions：A review[J].Accident Analysis and Prevention.2021，150.
[3]邱小平，马丽娜，周小霞，等.基于安全距离的手动-自动驾驶混合交通流研究[J].交通运输系统工程与信息，2016，16（4）：101-108.
关键词：自动驾驶;混合交通流;驾驶风格
0 引言
目前，人们普遍认为自动驾驶汽车能减少交通拥堵，但从现有预测数据看，自动驾驶汽车时代的完全到来，至少在2030年以后。在此之前，其比例的逐渐增加会对交通流产生巨大的未知影响[1]。纵观国内外相关研究，基于元胞自动机且充分考虑驾驶行为的自动-手动驾驶混合交通流研究并不多。
1 自动-手动驾驶混合交通流建模
对混合交通流进行元胞自动机建模的关键是：如何对自动驾驶与手动驾驶进行区分，以展现二者对交通流影响的差异。参考现有研究，我们采用反应时间τ与驾驶风格β对二者进行区分。易知自动驾驶可准确预估其他车辆速度，而不同驾驶风格的人对速度的预估会存在差异，这里我们引入驾驶风格系数β∈（0，1），提出基于Gipps安全距离规则的“预期安全距离模型”[2-3]：
基于“预期安全距离模型”改进基础的NaSch跟驰模型与自由换道规则[3]。
1.1 跟驰模型改进
（1）确定t+1时刻的车速：
车辆n与旁车道后方车辆之间的车距大于预期安全距离才满足换道的安全条件，且换道行为具有随机性，按概率执行最终的换道。
2 仿真与结果分析
2.1 仿真设置
在充分考虑舒适性及模型对反应时间敏感性的基础上，将自动驾驶汽车的反应时间取为0.5 s;同时，参考文献将手动驾驶反应时间取为0.9 s。车道长度L=2 km，车道数m=3，元胞长1 m，车长5 m;自动驾驶最大速度为35，對应实际126 km/h;手动驾驶为30，对应实际108 km/h;加、减速度均为3。自动驾驶的驾驶风格系数β取为1，手动驾驶的驾驶风格系数β取为0.9;换道概率取0.5。密度区间为[0，150]，增量?=3。采用并行规则及周期性边界条件进行演化，每次仿真演化20 000时步，取后2 000步内所有车辆的平均速度作为系统平均速度。
2.2 不同自动驾驶比例对混合交通流的影响
仿真时，自动驾驶的比例的取值区间为[0，1]，变化增量=0.2，实验分六组进行。对仿真结果进行分析发现：随着的增加，系统交通流各密度下的平均速度也随之变大，且在相同车流密度下，越大，系统交通流的平均速度越大;同时，越大，相邻值下，系统交通流各密度下平均速度的差异越明显，尤其在高密度的拥堵区域;当密度为150时，纯自动驾驶交通流的平均速度约为13 km/h，而纯手动驾驶交通流的平均速度已经趋近于0。由此我们可以判断：由于自动驾驶的反应时间比较小，且自动驾驶能够准确判断周围车辆的速度，所以它在行驶过程中所需的预期安全距离较小，道路空间利用率更高，即使在高密度车流环境下系统交通流的平均速度仍然比较大。此外，随着的增大，最佳车流密度下的交通量也在增加，且交通量的变化增量越来越大;当=1时，三车道系统交通流的峰值流量最大，约为3 418;
当=0时，三车道系统交通流的峰值流量最小，约为2 386。由此可以判断，在传统的三车道系统交通流中引入自动驾驶汽车，可以极大的改善三车道交通系统的道路通行能力，且最佳车流密度下的交通量最多能够提升1.4倍。
3 结论
本文以未来自动驾驶汽车逐步投入市场的过程中对传统道路交通系统产生的未知影响为问题导向，建立了基于元胞自动机的充分考虑驾驶行为的三车道自动-手动驾驶混合交通流模型。经研究发现：越大，系统交通流的平均速度越大，最佳车流密度下的峰值流量也越大，且系统交通量最大值接近3 500，道路通行能力最多能够提升1.4倍。
参考文献：
[1]Kanwaldeep Kaur，Giselle Rampersad.Trust in driverless cars：Investigating key factors influencing the adoption of driverless cars[J].Journal of Engineering and Technology Management.2018，48：87-96.
[2]Harpreet Singh，Ankit Kathuria.Analyzing driver behavior under naturalistic driving conditions：A review[J].Accident Analysis and Prevention.2021，150.
[3]邱小平，马丽娜，周小霞，等.基于安全距离的手动-自动驾驶混合交通流研究[J].交通运输系统工程与信息，2016，16（4）：101-108.