为了减弱事故对上游路段的影响,预防潜在二次事故的发生,提出了适用于智能网联自动驾驶车辆(Connected and Automated Vehicle,CAV)与传统人工车(Human Vehicle,HV)混合存在场景下的 CAV 排列整合算法(CAV Arrangement Integration Algorithm,CAV-AIA).由于在相同的CAV数量下,不同CAV间的排列关系(自动车队强度)对道路通行能力有一定影响,因此CAV-AIA以"就近"增大自动车队强度为目标,对事故路段上游的CAV进行管控.具体地,在横向车道方面,以提升自动车队强度为目标,考虑发生事故的车道位置,给出不同车道CAV合流到相邻车道自动车队中的次序;在纵向位置方面,以最小化自动车队中CAV间的距离为 目标,通过考虑车辆安全、路段速度限制和车辆速度改变率等因素,对自动车队间的CAV进行纵向位置更新;而对于未在自动车队中的车辆及每个自动车队中的引导车(第1辆车),为了减少其对HV运行的干扰,应用增强的智能驾驶人车辆跟驰模型(Enhanced Intelligent Driver Model,EIDM)及最小化换道引起的总制动(Minimizing Overall Braking Induced by Lane Changes,MOBIL)车辆换道模型对其车辆位置信息进行更新.数值仿真结果表明:在高、中、低交通需求及不同CAV比例下,实施CAV-AIA后,车辆通过事故区域上游管控路段的平均行程时间均有所降低,其中当交通需求为6 500 veh-h-1,CAV比例为0.8时,通行时间提升率可达41.8％;而当交通需求为2 500 veh·h-1时,由于车流密度较小即使不施加额外控制策略,车辆仍能以较高的速度通行,因此不同CAV比例场景下车辆的通行时间提升率较低.最后,以HV平均换道次数作为指标进一步从微观层面上研究了 CAV-AIA对HV移动的干扰.结果表明:CAV-AIA能够有效减少HV的换道次数,特别是在高交通需求下,如当CAV比例为0.8时,实施CAV-AIA后,HV的平均换道次数可由0.99降为0.53.

交通工程;管控策略;微观交通流仿真;混合交通流

曹丹妮;吴建军;屈云超;刘浩

北京交通大学轨道交通控制与安全国家重点实验室,北京 100044;北京市交通信息中心,北京100161

中国公路学报

[1]曹丹妮;吴建军;屈云超;刘浩-.考虑自动车队强度的高速公路非常规瓶颈交通流控制策略研究)[J].中国公路学报,2022(03):78-88

EIDM,微观交通流仿真

自动车,车队,高速公路,路非,非常规,流控制,控制策略研究,二次事故,智能网联,网联自动驾驶车辆,Connected,Automated,Vehicle,CAV,传统人工,Human,HV,合算,Arrangement,Integration,Algorithm,AIA,排列关系,道路通行能力,有一定影响,就近,不同车道,合流,流到,次序,纵向位置,车辆安全,路段速度,速度限制,变率,位置更新,未在,辆车,智能驾驶,驾驶人,车辆跟驰,跟驰模型,Enhanced,Intelligent,Driver,Model,Minimizing,Overall,Braking,Induced,by,Lane,Changes,MOBIL,车辆换道,换道模型,位置信息,行程时间,veh,通行时间,提升率,车流密度,下车,道次,微观层面,高交通需求,降为,交通工程,管控策略,混合交通流

0.356577