高速公路混合交通环境下的智能网联汽车换道策略研究

doi:10.19562/j.chinasae.qcgc.2024.05.002

摘要/Abstract

摘要：

为推动智能网联汽车应用落地，提出高速公路混合交通环境下智能网联汽车换道策略。首先，改进NaSch元胞自动机模型，并采用马尔科夫链算法计算道路通行能力；其次，针对目标车道为专用车道和普通车道分别建立基于车速引导的决策模型和基于博弈论的双矩阵决策模型；最后，采用多目标轨迹优化算法优化换道轨迹。结果表明：目标车道为专用车道和普通车道时，所提出的策略可分别提高换道效率6%、3.38%。

关键词: 高速公路混合交通环境, 元胞自动机, 马尔科夫链, 博弈论, 轨迹规划

Abstract:

In order to promote the application of intelligent connected vehicles， the lane changing strategy of intelligent connected vehicles in mixed traffic environment of expressway is proposed. Firstly， the NaSch cellular automata model is improved and the Markov chain algorithm is used to calculate the road capacity. Secondly， for the target lane， the decision-making model based on vehicle speed guidance and the two-matrix decision-making model based on the game theory is established respectively for the dedicated lane and ordinary lane. Finally， the multi-objective trajectory optimization algorithm is used to optimize the lane change trajectory. The results show that the proposed strategy can improve the lane change efficiency by 6% and 3.38%， respectively， for the target dedicated lane and ordinary lane.

Key words: expressway mixed traffic environment, cellular automata, Markov chain, game theory, trajectory planning

刘永涛,孙斐然,袁诗泉,高隆鑫,曹莹,陈轶嵩,乔洁. 高速公路混合交通环境下的智能网联汽车换道策略研究[J]. 汽车工程, 2024, 46(5): 754-765.

Yongtao Liu,Feiran Sun,Shiquan Yuan,Longxin Gao,Ying Cao,Yisong Chen,Jie Qiao. Research on the Intelligent Connected Vehicle Lane Changing Strategies in Mixed Traffic Environment of Expressway[J]. Automotive Engineering, 2024, 46(5): 754-765.

图/表 20

图1

图2

图3

图4

图5

表1

图6

图7

表2

表3

图8

图9

表4

图10

图11

表5

表6

表7

图12

图13

参考文献 19

1	LI Y， ZHANG S R， PAN Y J. Exploring the stability and capacity characteristics of mixed traffic flow with autonomous and human-driven vehicles considering aggressive driving［J］. Journal of Advanced Transportation， 2023， 2578690.
2	MOHAMMED A T， NEDAL T R， SYED M R， et al. Impacts of autonomous vehicles on traffic flow characteristics under mixed traffic environment： future perspectives［J］. Sustainability， 2021， 13（19）： 11052.
3	SOOMIN W， ALEXANDER S. Flow-aware platoon formation of connected automated vehicles in a mixed traffic with human-driven vehicles［J］. Transportation Research Part C： Emerging Technologies， 2021， 133： 103442.
4	YAO Z， WU Y， JIANG Y， et al. Modeling the fundamental diagram of mixed traffic flow with dedicated lanes for connected automated vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2022： 1-13.
5	HEARNE R， SIDDIQUI A. Issues of dedicated lanes for an automated highway［C］. IEEE Conference on Intelligent Transportation Systems， New York， 1997： 619-624.
6	HIDAS P. Modelling lane changing and merging in microscopic traffic simulation［J］. Transportation Research Part C： Emerging Technologies， 2002， 10： 351-371.
7	KESTING A， TREIBER M， HELBING D. General lane-changing model mobile for car-following models［J］. Transportation Research Record， 2007， 1999（1）： 86-94.
8	LU H， LU C， YU Y， et al. Autonomous overtaking for intelligent vehicles considering social preference based on hierarchical reinforcement learning［J］. Automotive Innovation， 2022， 5（2）： 195-208.
9	NAGEL K， SCHRECKENBERG M. A cellular automaton model for freeway traffic［J］. Journal de Physique I， 1992， 2（12）： 2221-2229.
10	秦严严，王昊，王炜，等. 自适应巡航控制车辆跟驰模型综述［J］. 交通运输工程学报， 2017， 17（3）： 121-130.
	QIN Y Y， WANG H， WANG W， et al. Review of car-following models of adaptive cruise control［J］. Journal of Traffic and Transportation Engineering， 2017， 17（3）： 121-130.
11	VANDERWERF J， SHLADOVRE S. Modeling cooperative and autonomous adaptive cruise control dynamic responses using experimental data［J］. Transportation Research Part C： Emerging Technologies， 2014， 48： 285-300.
12	WANG J， RAJAMANI R. The impact of adaptive cruise control systems on highway safety and traffic flow［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2004， 218： 111-130.
13	胡远志，吕章洁，刘西. 基于PreScan的AEB系统纵向避撞算法及仿真验证［J］. 汽车安全与节能学报， 2017， 8（2）： 136-142.
	HU Y Z， LÜ Z J， LIU X. Algorithm and simulation verification of longitudinal collision avoidance for autonomous emergency break （AEB） system based on PreScan［J］. Journal of Automotive Safety and Energy， 2017， 8（2）： 136-142.
14	胡立伟，李林育，王淼，等. 基于驾驶人博弈行为的交通拥塞形成期车辆运行规律分析［J］. 人类工效学， 2017， 23（4）： 62-66，71.
	HU L W， LI L Y， WANG M， et al. Analysis of vehicle running law in traffic congestion formation period based on driver game behavior［J］. Chinese Journal of Ergonomic， 2017， 23（4）： 62-66，71.
15	李雨涵. 基于博弈论的智能车辆换道行为决策研究［D］.重庆：重庆理工大学， 2022.
	LI Y H. Research on intelligent vehicle lane changing behavior decision based on game theory ［D］. Chongqing： Chongqing University of Technology， 2022.
16	刘永涛，曹莹，乔洁，等. 考虑换道风险的智能车辆最优车道选择策略研究［J］. 汽车技术， 2022（8）： 23-31.
	LIU Y T， CAO Y， QIAO J， et al. Research on optimal lane selection strategy for intelligent vehicles considering lane changing risk ［J］. Automobile Technology， 2022（8）： 23-31.
17	AHN K， RAKHA H， TRANI A， et al. Estimating vehicle fuel consumption and emissions based on instantaneous speed and acceleration levels［J］. Journal of Transportation Engineering， 2002， 128（2）： 182-190.
18	蒋婷. 混合交通中CAV专用车道设置条件与并道控制方法研究［D］.重庆：重庆大学， 2021.
	JIANG T. Research of setting condition and merging control method for CAV dedicated lanes in mixed traffic［D］. Chongqing： Chongqing University， 2021.
19	张乃心. 基于博弈论的高速公路智能网联汽车换道决策控制研究［D］. 哈尔滨：哈尔滨工业大学， 2021.
	ZHANG N X. Decision-making and control method for connected autonomous vehicle based on game theory［D］. Harbin： Harbin Institute of Technology， 2021.

车辆总数/辆	最大通行时长/s	最大通行时长对应的智能网联汽车渗透率/%
3 000	6 070	52
4 000	8 550	52
5 000	10 600	51
6 000	12 150	50
8 000	17 000	48
10 000	21 240	48

驾驶风格	速度收益权重w₁	舒适性收益权重w₂	安全收益权重w₃
谨慎型	0.338 0	0.122 9	0.539 1
普通型	0.374 3	0.296 3	0.329 4
莽撞型	0.625 9	0.109 6	0.264 5

纵向位置/m	纵向速度/（m·s^-1）	纵向加速度/（m·s^-2）
234.64	18	0
横向位置/m	横向速度/（m·s^-1）	横向加速度/（m·s^-2）
110.94	0	0

策略	目标车道后车让行（E）	目标车道后车不让行（F）
目标车辆换道（B）	（0.416，0.019）	（0.042，-0.019）
目标车辆不换道（C）	（-0.041，0.019）	（-0.042，-0.019）

策略	目标车道后车让行（E）	目标车道后车不让行（F）
目标车辆换道（B）	（-0.5，1.2）	（0.5，0.98）
目标车辆不换道（C）	（-0.7，-1）	（0.7，-0.8）