公路交通科技  2024, Vol. 41 Issue (2): 191-202, 211

扩展功能

文章信息

王正武, 陈涛, 向健, 贺正冰.
WANG Zheng-wu, CHEN Tao, XIANG Jian, HE Zheng-bing
网联混合流高速公路车道管理及通行能力分析
Expressway Lane Management and Traffic Capacity Analysis under Mixed Flow and Connected Environment
公路交通科技, 2024, 41(2): 191-202, 211
Journal of Highway and Transportation Research and Denelopment, 2024, 41(2): 191-202, 211
10.3969/j.issn.1002-0268.2024.02.020

文章历史

收稿日期: 2023-08-11
网联混合流高速公路车道管理及通行能力分析
王正武1 , 陈涛1 , 向健1 , 贺正冰2     
1. 长沙理工大学 交通运输工程学院, 湖南 长沙 410114;
2. 麻省理工学院可感知城市实验室 美国 马萨诸塞剑桥 02139
摘要: 为提高网联混合交通流环境下高速公路基本路段通行能力, 需针对车流量、网联自动驾驶车辆(CAV)比例制定与之匹配的车道管理策略。针对低CAV比例环境下CAV专用车道闲置浪费的问题, 提出了一种CAV优先车道管理策略。利用跟驰模型推导了混合交通流基本图模型, 构建了人工驾驶车辆(HV)专用车道、CAV专用车道、混行车道及CAV优先车道通行能力模型, 分析了高速公路不同车道组合方案适用的交通需求范围。然后, 以双向4车道高速公路为例, 基于SUMO仿真平台分析了CAV优先车道性能, 对不同车道组合方案的通行能力和适用范围进行了仿真验证, 并从效率、安全及能耗角度对车道组合方案进行了比较。结果表明: 在适用性方面, CAV比例p≤0.5时, 两条混行车道适用的交通需求范围最大, CAV优先车道次之, CAV专用车道最小; 在效率方面, p≤0.5时, 设置CAV专用车道方案的效率最差, CAV优先车道表现较好, 且p越小优先车道效率提升越显著; 在安全、能耗方面, 设置CAV专用车道方案的能耗和安全性能较佳, CAV优先车道次之; 在p>0.5时, 设置CAV专用车道方案的综合表现更优; 在多种车道管理方案均可行时, 相比于两条混行车道方案, 采取其他车道管理措施在安全、能耗上的表现均有提升; 在需求D≤2 500 veh/h, p≤0.5时, 相比于其他车道方案, 采用CAV优先车道方案既能满足通行需求、降低能耗, 也能更充分地利用道路资源, 综合表现均衡。
关键词: 智能交通    车道管理策略    通行能力分析    CAV优先车道    混合交通流    
Expressway Lane Management and Traffic Capacity Analysis under Mixed Flow and Connected Environment
WANG Zheng-wu1, CHEN Tao1, XIANG Jian1, HE Zheng-bing2    
1. School of Traffic and Transportation Engineering, Changsha University of Science and Technology, Changsha Hunan 410114, China;
2. Senseable City Laboratory, Massachusetts Institute of Technology, Cambridge 02139, Massachusetts, United States of America
Abstract: In order to improve the capacity of two-way four-lane expressway in the connected environment with mixed flow, it is necessary to formulate lane management strategies according to traffic flow and connected and automated vehicle (CAV) permeability. Aiming at the idle waste of CAV dedicated lanes in the low CAV penetration environment, the CAV priority lanes is proposed. Firstly, the fundamental diagram of mixed traffic flow is derived by the classic car following model, and then the capacity models of humandriving vehicle (HV) dedicated lane, CAV dedicated lane, mixed lane and CAV priority lane are constructed. Next, the applicable demand range of different lane combination strategies expressway is analyzed. Then, based on SUMO simulation platform, the performance of the CAV priority lane under the environment of two-way four-lane freeway is analyzed, meanwhile, the traffic capacity and application range of different lane combination strategies are verified by simulation, in addition, the lane combination strategies are compared from the perspective of efficiency, safety and energy consumption. The result shows that (1) in terms of adaptability, when CAV ratio p≤0.5, the strategy of two mixed lanes can meet the largest demand range, followed by the CAV priority lane, and the CAV dedicated lane is the smallest; (2) in terms of efficiency, when p ≤0.5, the efficiency of CAV dedicated lane is the worst, but the CAV priority lane performs well, and the smaller p is, the more efficiency improvement of CAV priority lanes is; (3) in terms of safety and energy consumption, the CAV dedicated lane performs better in energy consumption and safety, followed by CAV priority lane; (4) when p>0.5, the comprehensive performance of CAV dedicated lane is better; (5) when multiple lane management strategies are feasible, compared with the strategy of 2 mixed lanes, taking other lane management measures can achieve good effects in safety and emissions; (6) when demand D≤2 500 veh / h and p≤0.5, CAV priority lane strategy can not only meet the traffic demand, reduce energy consumption, but also make better use of road resources and achieve a balanced performance.
Key words: ITS    lane management strategy    capacity analysis    CAV priority lane    mixed traffic flow    
0 引言

网联自动驾驶车辆(Connected and Automated Vehicle,CAV)与人工驾驶车辆(Human-driving Vehicle,HV)在未来较长的一段时间将共存,网联环境下高速公路混合交通流(HV与CAV组成的混合交通流)管理控制是交通管理与控制领域的热门研究内容,相关研究主要集中在混合交通流通行能力、效率、安全及车道管理等方面。

在混合交通流通行能力方面,现有研究主要是基于基本图模型或车头时距来确定混合交通流通行能力。基于基本图模型的通行能力是从车辆微观跟驰现象出发分析不同类型车辆的跟驰特性,如PATH实验室开发的用于描述自动驾驶车辆跟驰特性的自适应巡航控制(Adaptive Cruise Control,ACC)、协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)模型[1],进而推导平衡态时混合交通流的基本图[2-5],从而确定不同CAV比例下的混合交通流通行能力、宏观交通流状态。基于车头时距的通行能力是根据混合交通流平均车头时距直接计算混合交通流通行能力[6-7]

在混合交通流通行效率方面,研究表明CAV比例增加可提高通行效率。秦严严等[8]基于元胞传输模型研究了混合交通流匝道合流,当车流为纯CAV车流,可将移动瓶颈影响时间降低28.73%。Liu等[9]研究了高速公路多车道混合交通流模型,指出CAV关键比例为20%~40%,当CAV比例高于临界水平,入口匝道通行效率迅速提高。Ye等[10]构建了混合交通流元胞自动机模型,当CAV比例超过30%时,通行能力主要受CAV自身性能影响。

在混合交通流安全方面,研究发现CAV比例增加可减少车速差异、提升车流稳定性。文献[11]研究发现CAV车队加速响应时间为HV的18%~35%,减速响应时间约为HV的50%。文献[12]研究发现车路协同系统能缩小混合交通流的加减速差异。文献[13]指出当CAV比例低至40%时交通安全将恶化,此时将最内侧车道设为CAV专用车道可提高平均速度,在低CAV比例环境下设置CAV专用车道对效率和安全也有积极影响。马庆禄等[14]发现混合交通流稳定性随CAV比例的增加逐渐稳定,当CAV比例达到70%时,混合交通流基本稳定。

在高速公路混合交通流车道管理方面,相关研究指出对混合交通流进行车道管理可提升通行能力、降低延误。文献[15]建立了混合流环境下基于路网车均延误的高速公路货车专用车道设置条件评价方法,基于VISSIM仿真得出了不同自动驾驶车辆比例、货车比例环境下的货车专用车道方案集。Laan等[16]对多车道高速公路设置CAV专用车道进行了研究,指出当CAV比例达到30%时将改善交通流整体性能。文献[17]研究表明,提高CAV比例并采用CAV专用车道管理策略可降低78%的延误,但在较低CAV比例环境下设置CAV专用车道将恶化道路交通状况。Carrone等[18]指出当交通需求和CAV比例达到一定阈值时方可设置专用车道。文献[19]指出在低CAV比例环境下设置CAV专用车道将降低整体交通性能,当CAV在混合交通流中占主导地位时,设置CAV专用车道效益不明显。文献[20]构建了4车道混合交通流元胞自动机模型,指出当CAV比例在10%~90%时设置专用车道可提高通行能力。文献[21]以通行能力最大为目标分析了不同流量需求和CAV比例下的最优车流管理方法,指出在任何情况下优先为CAV专用车道分配CAV的通行能力最大。

为适应网联环境下高速公路混合交通流的管控需求,相关研究人员对高速公路混合交通流的通行能力、效率、安全进行了研究,提出了CAV专用车道、车道优化部署等管理策略,但:(1)很少进行车道管理方案的比选,实际上即使车流量和CAV比例相同,其适用的车道部署方案也不唯一,同时目标不同,方案的选择也会不同;(2)虽然在低CAV比例环境中使用CAV专用车道可提升交通安全性、提升CAV的通行效率,但也可能造成车道闲置、整体交通恶化,未能就此情形提出解决方案;(3)主要从通行能力、效率等单一角度出发确定车道布设方案,很少综合考虑效率、安全、能耗等因素。因此,本研究提出一种适用于低CAV比例且能保证运行效率的高速公路CAV优先车道管理策略;基于基本图模型构建CAV优先车道、专用车道、混行车道通行能力模型,从理论上确定不同车道组合方案适用的流量需求范围;同时通过SUMO仿真分析CAV优先车道性能,从能耗、安全、效率等角度综合比较优先车道、专用车道、混合车道管理方案。

1 混合交通流基本图模型

网联混合交通流环境中存在HV,CAV两种类型车辆,Krauss模型能较好地反映HV驾驶员在跟车时保持安全间距的心理[22]。HV驾驶员根据自车与前车的速度差、车间距调整自车速度,HV跟驰HV,CAV时,HV驾驶员对其与前车速度差、车间距的判断能力一致,故可统一采用Krauss跟驰模型:

(1)
(2)
(3)
(4)

式中,υsafe为安全跟车速度;υlc为前车速度;hh为车头间距;hdes为期望车间间距,hdes=υlcττ为驾驶员反应时间;l为车辆长度5 m;s0为最小停车间距2.5 m;υ为平均速度,υ=(υfc+υlc)/2;υfc为后车速度;b为最大减速度;υdes为期望速度;υmax为最大速度(道路限速);υ为当前时刻自车速度;a为最大加速度;Δt为运动更新步长;υ(tt)为tt时刻速度;η为误差扰动;x(tt)为tt时刻位置;x(t)为t时刻位置。式(1)~ (3)为速度更新,式(4)为位置更新。

加州大学伯克利分校PATH实验室利用实测数据标定的CACC模型能较好地反映CAV车队协同巡航特性[23],车队控制方程为:

(5)

式中,υp为前一时刻自车速度;e为车间距误差;ėe导数;kpkd为控制系数,分别为0.45,0.25;hc为CACC车头间距,tc为CACC期望车头时距,依据文献[24]实车调查,tc取值0.6 s。

当CAV车队头车跟驰HV时,由于缺乏与HV的通信和协调控制,车队头车退化成ACC车辆,ACC跟驰模型采用PATH实验室利用实测数据标定的ACC模型[25]

(6)

式中,$\dot{v}$为速度υ的导数;k1k2为控制系数,分别为0.23 s-2,0.07 s-1ha为ACC车头间距;Δυ为前车与自车速度差;ta为ACC期望车头时距,值为1.1 s[24]

当HV车流处于平衡态时,HV车流中的车辆以相同的最小车头时距行驶,速度差为0。令Krauss模型中的误差扰动η=0,速度差、加速度为0,由式(1)~ (3)可得:

(7)

当车流处于平衡态时,HV车流中车辆速度υ相同,车头间距不变,此时由式(1)可知,平衡态时HV车流车辆间距与速度的关系为hh=υ·τ+l+s0;由于密度k是车头间距h的倒数,根据流量q、密度k、速度υ的关系式,此时HV车流的基本图模型为:

(8)

同理,令CACC车流、ACC车流的车辆速度差及车间距误差为0,可得平衡态时CACC车流、ACC车流基本图模型分别为式(9),(10)。

(9)
(10)

当混合交通流处于平衡态时,车辆以最小车头时距、匀速行驶,但不同类型车辆的车头间距各异。随机交通流环境下,设混合交通流中CAV比例为p,则HV比例为1-p。当CAV车队头车跟驰HV时,头车退化成ACC跟驰,则以ACC跟驰的车辆比例为p-p2,车流中以CACC跟驰的车辆比例为p2。设hhhahc分别为HV,ACC,CACC的车头间距,则平衡态时混合交通流的平均车头间距h为:

(11)

根据式(8)~ (10),由式(11)可得平衡态时混合交通流基本图模型(平均密度k与流量q关系式)如式(12)所示,混合交通流基本图如图 1所示(假设l=5 m, s0=2.5 m,tc=0.6 s,ta=1.1 s,τ=1.5 s[26])。

(12)
图 1 混合交通流基本图 Fig. 1 Fundamental diagram of mixed traffic flow

由式(12)可知,平衡态时混合交通流的通行能力主要受CAV比例、车头时距、车辆速度影响,CAV比例增加、车速提高、降低车头时距均可以提高混合交通流的通行能力。

2 车道通行能力模型

根据混合交通流基本图模型,确定不同类型车道的最大通行能力及不同车道组合适用的交通需求(以限速120 km/h的道路环境为例)。

2.1 专用和混行车道通行能力

平衡态时的流量可达到最大值,根据基本图模型(式12),速度υ=120 km/h环境下,不同CAV比例p的混合交通流密度-流量关系式如图 2所示。

图 2 υ=120 km/h时的混合交通流密度-流量关系 Fig. 2 Density-flow relation of mixed traffic flow when υ=120 km/h

图 2可知,p=0为HV车流,C点流量QC为HV专用车道的最大通行能力;p=1为CAV车流,a点流量QA为CAV专用车道的最大通行能力;0 < p < 1时,为混合交通流,b点流量QBp=0.5时混行车道的最大通行能力,混行车道最大通行能力随p增加而提高。在相同车速下,CAV专用车道通行能力最大,混行车道次之,HV车道最小。

根据流量需求D和CAV比例p,确定HV专用车道、CAV专用车道、混行车道实际可通过的最大车流量(简称最大车流量)。

(1) HV专用车道最大车流量

若车流中HV的数量小于一条HV专用车道的通行能力(D(1-p) < QC),HV专用车道实际可通过的最大车流量qh=(1-p)D;否则,qh=QC

(2) CAV专用车道最大车流量

若车流中CAV的数量小于一条CAV专用车道的通行能力(pD < QA),则CAV专用车道实际可通过的最大车流量qc=pD;否则,qc=QA

(3) 混行车道最大车流量

混行车道实际可通过的最大车流量qm(p)由式(12)决定,且qhqm(p)≤QA,混行车道实际可通过的最大车流量随p增加而提高。

2.2 CAV优先车道通行能力

(1) CAV优先车道形式

研究表明CAV专用车道能提高CAV车流速度和稳定性,可能提升通行能力[12, 20],但在低CAV比例的环境下设置CAV专用车道可能造成车道闲置浪费[16-19]。本研究参照间歇式公交专用道[27-28]提出CAV优先车道,如图 3所示,低CAV比例时,高速公路基本路段设置了1条CAV优先车道,CAV均在优先车道上行驶;CAV优先车道允许HV进入,但不得影响CAV的优先通行。假设HV能通过车载通信设备、路侧设备(信号灯)、广播情报板等途径实时获取让行信息,且HV服从系统管理。

图 3 CAV优先车道示意图 Fig. 3 Schematic diagram of CAV priority lane

CAV优先车道是介于CAV专用车道与混行车道之间的一种车道管理策略,HV在CAV优先车道上通行的主要场景:(1)CAV优先车道空闲时,HV可利用优先车道行驶;(2)HV遇前方低速HV时可借用CAV优先车道超车。CAV优先车道上HV的准入与清空驶离需借助一条HV专用车道或混行车道实现,因CAV优先车道是应低CAV比例的情形提出,CAV优先车道可满足全部CAV的通行需求,且文献[21]指出优先为CAV专用车道分配CACC车流可使通行能力最大。故单向两车道环境下与CAV优先车道伴随的车道为1条HV专用车道;对于其他多车道环境(车道数≥3),CAV优先车道的两侧至少存在一条HV专用车道。

(2) CAV优先规则

CAV车队内部以CACC模式行驶,CAV车队头车及单辆CAV以ACC模式行驶。为避免CAV优先车道上的HV干扰CAV优先通行,对HV采用动态准入和清空管理。准入和清空基于以下考虑:(1)部分HV在HV车道上低速行驶,形成移动瓶颈,若准入距离过大,则不利于HV借用CAV优先车道超车;(2)避免因HV换道进入CAV优先车道导致CAV或CAV车队降速;(3)已在CAV优先车道上的HV可能随机减速,若清空距离过小,则导致跟驰的CAV降速,若清空距离过大,则导致优先车道资源浪费;(4)HV驾驶员在接收到驶离指令后需要τr时间反应,需考虑反应时间提前清空;(5)需考虑安全换道间隙,HV在驶离优先车道时需与目标车道前、后车保持安全间距,若无法安全换道,则不对HV清空。

准入条件:设置准入距离dp,若HV车道上的HV与侧后方优先车道上CAV的距离大于准入距离,则HV可进入优先车道。设CAV, HV车速分别为υcυh,若HV换道至优先车道,若CAV跟驰此HV的加速度$\dot{v}$为正,则允许进入,由式(6)可得准入条件:

(13)

清空距离条件:设置清空距离dc,设CAV车速为υc,正前方HV车速为υh,若CAV跟驰此HV的加速度$\dot{v}$为负,则需清空,由式(6)可得清空距离条件:

(14)

清空安全条件:若HV在CAV的清空距离内且满足安全换道间隙ds,则通知HV离开优先车道,其中ds为跟车时需保持的安全间距。设HV与目标车道前方车辆间距为df,与目标车道后方车辆间距为db,清空安全条件:

(15)

式(14)的清空距离考虑了HV清空反应时间τr,即提前清空。式(15)中的υb为前、后车辆位置关系中后车的速度;υf为前车速度;b为最大减速度。

(3) CAV优先车道最大车流量

CAV优先车道实际可通过的最大车流量与交通流构成相关,分情形讨论:

情形1:若车流中CAV的数量大于或等于一条CAV专用车道通行能力,pDQA。仅将CAV分配至CAV优先车道可使其通过的车流量最大,此时的CAV优先车道相当于CAV专用车道,CAV优先车道最大车流量qpri (p)=QA,此时应设置CAV专用车道。

情形2:pD < QA。为充分利用CAV优先车道,可将部分HV分配至CAV优先车道,此时CAV优先车道的性质与混行车道相似。当车流处于平衡态时,则可采用式(11)~ (12)计算混合交通流最大通行能力,但此时混合交通流中CAV车队头车与正前方HV的车头间距为hc+l,而hc+l>ha,故qc < qp (p) < qm (p)。

2.3 不同车道组合方案适用交通需求的理论分析

根据交通需求(pD)、车道通行能力模型确立不同车道组合适用交通需求的一般条件,并以两车道为例进行分析。

(1) 不同车道组合适用范围的一般条件

在多车道(车道数≥2)环境中,若某种车道组合方案适用,则需满足一般条件:

(16)

式(16)表示各车道分配的车流量之和等于总车流量、各车道分配的车流量不超过其通行能力。式中,D为总需求量,p为车流中的CAV比例;i为车道标号;Di为车道i上的车流量;pi为车道i车流中CAV的比例;qi为车道i的通行能力;k为车道数量。

(2) 两车道下不同车道组合适用的需求范围

单向两车道基本路段的可能车道组合有5种:1条CAV专用车道+1条混行车道(AM)、1条CAV专用车道+1条HV专用车道(AR)、1条混行车道+1条HV专用车道(MR)、2条混行车道(MM)、1条CAV优先车道+1条HV专用车道(PR)。

(MR)适用范围:内侧设置1条混行车道,外侧设置1条HV专用车道,CAV在混行车道上行驶,HV可在HV专用车道、混行车道上行驶。由式(16),当(pD)同时满足Dpqm(p),Dq+qm(p),如图 4(a)所示,即可设置成(MR)方案。

图 4 (MR)及(AR)适用的交通需求 Fig. 4 Traffic demand adapted by (M, R) and (A, R)

(AR)适用范围:内侧设置1条CAV专用车道,外侧设置1条HV专用车道,由式(16),当(pD)同时满足Dp < qcD-Dpqh,如图 4(b)所示,即可设置成(AR)方案。

同理可得(PR),(MM),(AM)方案适用的交通需求,图 5给出了5种车道组合方案各自适用的交通需求。由于CAV专用车道不允许HV进入,而CAV优先车道允许HV在空闲时进入,故在CAV比例p小于某个值pδ时,在适用的流量需求范围上必定有(PR)> (AR),而随着CAV比例p的增加,(PR)将趋于(AR)。

图 5 两车道环境下不同车道组合适用的交通需求 Fig. 5 Traffic demand adapted by different lane-management strategies in two-lane environment

图 5所示:(1)当CAV比例p < 0.56时,(MR),(MM)适用的流量范围最大,设置了CAV专用车道方案的(AR),(AM)最小。(2)当CAV比例p>0.63时,设置了CAV专用车道的方案能适用更大的流量需求。(3)当p < pδ时,(PR)适用的流量需求低于(MR),(MM),原因是(PR)存在清空距离;但(PR)适用的流量需求高于(AR),(AM),原因是CAV优先车道允许HV在空闲时驶入。

3 不同车道组合方案适应性的仿真分析

由于:(1)基于基本图的理论通行能力忽略了HV车速波动、车辆换道等不确定因素,真实交通环境需考虑这些影响,实际通行能力有一定折减;(2)无法从理论上分析不同车道组合方案的效率、安全、能耗以及CAV优先车道的交通特性。故本研究以双向四车道高速公路为例,基于SUMO+Python仿真平台进一步对不同车道组合方案进行仿真分析。

3.1 仿真场景和参数设置

设置一段2 km的单向两车道高速公路基本路段,限速为120 km/h,分别对(MM)等5种方案进行仿真,D= [1 000 veh/h, 8 000 veh/h],间距为500 veh/h,p= [0.1, 0.9],间距为0.1,共计仿真[(8 000~1 000)/500+1]×9×5=675种需求场景。CAV优先车道的管理按2.2节的优先规则进行,设τr=1.5 s。基本仿真参数如下:CACC,ACC,Krauss模型的期望车头时距分别为0.6,1.1,1.5 s,CAV,HV动作步长分别为0.1 s和1 s,CAV车流速度分布偏差为0,95%的HV车速位于0.9~1.1倍的道路限速值之间,车辆出发速度为当前仿真时步该车道的平均车速,车辆等时距发出,仿真步长为0.1 s;为模拟HV驾驶员缺陷,将HV不完美驾驶参数sigma设为0.5(取值[0, 1],0为完美驾驶);换道模型采用SUMO中的LC2013换道模型,该换道模型中CAV与HV换道所需的安全换道间隙不同,其值与车辆的期望车头时距相关(其他未说明的参数为SUMO中的默认值)。

3.2 CAV优先车道方案性能分析

在给定的仿真场景和参数下,优先车道上HV数量、被要求换道但换道不成功的HV数量、人工车道及优先车道平均车速分别如图 6~9所示。

图 6 CAV优先车道上的HV数量 Fig. 6 Number of HVs on CAV priority lane

图 7 被要求换道但换道不成功的HV数量 Fig. 7 Number of HVs asked to change lane but failed

图 8 HV专用车道平均车速 Fig. 8 Average speed on HV dedicated lane

图 9 CAV优先车道平均车速 Fig. 9 Average speed on CAV priority lane

图 6可知:(1)CAV比例越低,CAV优先车道上供HV行驶的空间越多,p>0.7时,优先车道上供HV行驶的空间较少,HV数量降低至0~3 veh/ (km·时步);(2)D越大,p增加,CAV优先车道上HV平均数量的降幅增大。由图 7可知:(1)D≤2 500 veh/h时,CAV优先车道表现良好,每时步被要求换道但换道不成功的HV数量低于0.5 veh/ (km·时步);(2)D>2 500 veh/h时,车流密度较大,CAV优先车道上的HV因无足够的换道间隙而无法清空。

图 8可知:(1)D≤2 500 veh/h时,HV车道平均车速随着p的增加而增加;(2)D>2 500 veh/h时,CAV优先车道CAV数量较多,HV进入优先车道受限多,随着p的增加,HV车道平均车速先降后增。由图 9可知:(1)D>1 000 veh/h时,优先车道上车辆较多,CAV优先车道平均车速随着CAV比例的提高而增大,最后趋于120 km/h;(2)D≤1 000 veh/h时,CAV优先车道空闲,部分HV借用CAV优先车道以高于120 km/h的速度行驶,优先车道平均车速高于120 km/h,但随着p的增加,平均速度最终趋于120 km/h。

3.3 不同车道组合方案的仿真结果分析

(1) 不同车道组合方案适用的需求范围

在给定(pD)下对不同车道组合方案进行仿真,各车道组合方案的通行能力如图 10所示(图中虚线下方区域为(AR)的理论范围)。

图 10 各车道管理策略适用范围的仿真结果 Fig. 10 Simulation result of adapted range of different lane-management strategies

对比图 5图 10可得:不同车道组合方案仿真时获得的实际通行能力低于理论通行能力,原因是HV不完美驾驶、两种车流的相互影响等。由图 10可知:(1)p < 0.5时,CAV优先车道方案适用的流量需求大于设置CAV专用车道(图 10中椭圆标记的点)的方案,其中(MM)方案适用的需求范围最大;(2)p≥0.5时,(PR),(MR)与(AR)方案适用的流量需求范围相似。

(2) 不同车道组合方案的通行效率

采用平均行程时间评价通行效率,适用的车道组合方案的平均行程时间如图 11所示(图中的三角形标记表示在该(pD)下此车道管理方案无法使得所有车辆通过)。

图 11 不同车道组合方案下的行程时间 Fig. 11 Travel time with different lane-management strategies

图 11可知:(1)CAV比例p≤0.5时,行程时间从大到小依次为(A, M),(A, R),(M, M),(P, R),(M, R),设置CAV专用车道的行程时间长,主要原因是一些速度缓慢的HV形成移动瓶颈,且速度快的HV无法借用CAV专用车道超车;(2)p≤0.5时,相比于设置CAV专用车道方案,CAV优先车道的效率提升显著;(3)随着p增大,各车道管理方案下的行程时间逐渐降低,相互之间的差距逐渐减少;(4)p>0.7时,设置CAV专用车道的效率优于其他车道管理方案;(5)D≥3 500 veh/h时,混合交通流密度较大,此时(MM)方案中的CAV与HV相互影响大,(MM)效率最差。

(3) 不同车道组合方案的车辆能耗

采用SUMO内置的HBEFA v3.1瞬态排放模型统计平均油耗,适用的车道组合方案的平均油耗如图 12所示,图 12中的三角形标记表示在该(pD)下此车道管理方案无法使得所有车辆通过。

图 12 不同车道组合方案下的能耗 Fig. 12 Energy consumption with different lane-management strategies

图 12可知:(1)采用CAV专用车道管理方案的能耗最小,主要原因是CAV专用车道方案限制了HV超车,抑制了HV大幅加、减速的频次,避免了CAV与HV的之间的相互干扰,使得CAV车流可匀速稳定行驶、HV车流速度波动幅度降低;(2)采用CAV优先车道管理方案的能耗低于(MR),(MM)方案,原因是优先车道的清空与准入规则使得HV不能频繁加减速、换道,同时也尽可能减少了CAV与HV车辆之间的相互影响;(3)随着CAV比例增加,各车道管理方案的能耗均降低。

(4) 不同车道组合方案的交通安全

采用碰撞时间(Time To Collision, TTC)指标来评价追尾碰撞风险,TTC值越小碰撞风险越大,当TTC>20 s时,驾驶员有充足时间采取措施避免追尾碰撞[29-30]。仿真过程中每隔10 s采样统计TTC小于20 s频数、TTC小于20 s中属于HV与CAV的类型次数(HV-CAV和CAV-HV),不同车道组合方案的TTC图 13所示(选取D=2 000 veh/h,D=3 000 veh/h的需求场景进行分析)。

图 13 不同车道管理方案的TTC Fig. 13 TTC values with different lane-management strategies

图 13(a)~(c):(1)随着CAV比例增加,(MM)方案TTC值低于20 s的次数先升后降,在CAV比例为0.4~0.5区间内达到峰值。(2)随着CAV比例的提高,交通安全性总体上得到改善。(3)(PR)方案TTC值低于20 s的次数少于(MR),(MM),原因是CAV优先车道的清空规则既一定程度上避免了两种交通流的相互影响,也一定程度抑制了HV速度波动;(4)相比于(MM)方案(不采取车道管理措施),对车道采取管理措施在TTC值低于20 s的出现次数上均有降低。

图 13(b)~(d),在设定的TTC检测阈值下:(1)(AR)方案无HV-CAV的TTC类型,(AR)完全避免了HV,CAV的交互;(2)相比(MR)方案,(PR)降低了HV-CAV(以及CAV-HV) 的TTC类型次数;(3)相比于其他车道管理方案,(MM)的HV-CAV(以及CAV-HV)TTC类型比例最高。(4)TTC值小于阈值的频数主要是由HV造成的。

(5) 综合对比分析

采用雷达图(图 14)对不同车道组合方案进行综合分析,采用线性归一化去除指标量纲,评分5分制,最小得分为1分。效率、能耗、安全分别以平均行程时间、平均油耗、TTC阈值低于20 s次数为指标,HV-CAV的相互影响以HV-CAV(包括CAV-HV)类型的TTC阈值次数为指标,指标值越小表现越优、得分越高。以需求D=2 000 veh/h,D=3 000 veh/h为例,图中虚线表示在该(pD)下此车道管理方案无法使得所有车辆通过。

图 14 不同车道管理策略的综合对比 Fig. 14 Comprehensive comparison with different lane-management strategies

图 14可知,(1)在低CAV比例交通流环境下(p≤0.5),CAV优先车道方案的综合表现均衡;(2)CAV比例提升,各车道组合方案的评分也随之提升,CAV比例的增加有利于改善交通性能;(3)p>0.5时,采用CAV专用车道的(A, R),(AM)方案综合表现更为优秀。

4 结论

(1) 针对低CAV比例环境下CAV专用车道不能充分利用的现象,提出了CAV优先车道管理策略;基于基本图模型构建了CAV优先车道、专用车道、混行车道通行能力模型,分析了不同车道组合方案适用的流量需求范围;同时借助SUMO分析了CAV优先车道性能、低CAV比例下使用优先车道的优势,从通行能力、效率、安全、能耗等角度比较分析了不同车道组合方案。

(2) CAV优先车道是介于CAV专用车道与混行车道之间的一种车道管理策略。相比于CAV专用车道,CAV优先车道允许HV在CAV优先车道空闲时驶入,在低CAV比例下,其适用的流量需求范围更大、通行效率提升明显;相较于混行车道,CAV优先车道一定程度上减弱了CAV与HV的相互干扰,且能耗更低。在D≤2 500 veh/h,CAV比例p≤0.5的交通需求环境中,CAV优先车道兼顾效率、能耗、安全等,综合表现均衡。

(3) 在特定(pD)下,若有多种可行车道管理方案,相比于不采取车道管理措施(MM),对车道采取管理措施在安全、能耗上均能取得好的效果。在p≤0.5情形下,设置CAV专用车道在效率方面表现不佳,但在能耗、安全方面占优势;p>0.5时,设置CAV专用车道的综合表现更优秀。

(4) 在CAV优先车道管理方面,本研究基于规则对HV进行准入与清空管理,与混行车道方案相比,CAV优先车道的效率并不特别突出,但从微观角度对CAV优先车道进行优化控制,可提升CAV优先车道策略的效率,可进一步建立CAV优先车道优化控制模型,从效率、能耗、安全方面对CAV优先车道进行优化设计。

参考文献
[1]
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 Yan-yan, WANG Hao, WANG Wei, et al. Review of Car-following Models of Adaptive Cruise Control[J]. Journal of Traffic and Transportation Engineering, 2017, 17(3): 121-130. DOI:10.3969/j.issn.1671-1637.2017.03.013
[2]
秦严严, 王昊, 王炜, 等. 混有CACC车辆和ACC车辆的异质交通流基本图模型[J]. 中国公路学报, 2017, 30(10): 127-136.
QIN Yan-yan, WANG Hao, WANG Wei, et al. Fundamental Diagram Model of Heterogeneous Traffic Flow Mixed with Cooperative Adaptive Cruise Control Vehicles and Adaptive Cruise Control Vehicles[J]. China Journal of Highway and Transport, 2017, 30(10): 127-136.
[3]
常鑫, 李海舰, 荣建, 等. 混有智能网联车队的交通流基本图模型分析[J]. 东南大学学报(自然科学版), 2020, 50(4): 782-788.
CHANG Xin, LI Hai-jian, RONG Jian, et al. Analysis on Fundamental Diagram Model for Mixed Traffic Flow with Connected Vehicle Platoons[J]. Journal of Southeast University (Natural Science Edition), 2020, 50(4): 782-788.
[4]
侯培国, 曹军. 手动驾驶-CACC自动驾驶车辆混合交通流建模与仿真[J]. 北京交通大学学报, 2021, 45(6): 94-102.
HOU Pei-guo, CAO Jun. Modeling and Simulation of Human-driven and CACC Autonomous Vehicle Mixed Traffic Flow[J]. Journal of Beijing Jiaotong University, 2021, 45(6): 94-102.
[5]
ZHOU J, ZHU F. Modeling the Fundamental Diagram of Mixed Human-driven and Connected Automated Vehicles[J]. Transportation Research Part C: Emerging Technologies, 2020, 115: 102614. DOI:10.1016/j.trc.2020.102614
[6]
王殿海, 郭佳林, 蔡正义. 基于自动车牌识别数据的混合交通流饱和流率实时估计[J]. 交通运输系统工程与信息, 2021, 21(2): 37-43.
WANG Dian-hai, GUO Jia-lin, CAI Zheng-yi. Real Time Estimation of Saturated Flow Rate of Mixed Traffic Flow Based on Automatic License Plate Recognition Data[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(2): 37-43.
[7]
CHEN D, AHN S, CHITTURI M, et al. Towards Vehicle Automation: Roadway Capacity Formulation for Traffic Mixed with Regular and Automated Vehicles[J]. Transportation Research Part B: Methodological, 2017, 100: 196-221. DOI:10.1016/j.trb.2017.01.017
[8]
秦严严, 张健, 陈凌志, 等. 手动-自动驾驶混合交通流元胞传输模型[J]. 交通运输工程学报, 2020, 20(2): 229-238.
QIN Yan-yan, ZHANG Jian, CHEN Ling-zhi, et al. Cell Transmission Model of Mixed Traffic Flow of Manualautomated Driving[J]. Journal of Traffic and Transportation Engineering, 2020, 20(2): 229-238.
[9]
LIU H, KAN X, SHLADOVER S E, et al. Modeling Impacts of Cooperative Adaptive Cruise Control on Mixed Traffic Flow in Multi-lane Freeway Facilities[J]. Transportation Research Part C Emerging Technologies, 2018, 95: 261-279. DOI:10.1016/j.trc.2018.07.027
[10]
YE L, YAMAMOTO T. Modeling Connected and Autonomous Vehicles in Heterogeneous Traffic Flow[J]. Physica A: Statistical Mechanics and Its Applications, 2018, 490(15): 269-277.
[11]
王祺, 谢娜, 侯德藻, 等. 自适应巡航及协同式巡航对交通流的影响分析[J]. 中国公路学报, 2019, 32(6): 188-197, 205.
WANG Qi, XIE Na, HOU De-zao, et al. Effects of Adaptive Cruise Control and Cooperative Adaptive Cruise Control on Traffic flow[J]. China Journal of Highway and Transport, 2019, 32(6): 188-197, 205.
[12]
FARAH H, KOUTSOPOULOS H N. Do Cooperative Systems Make Drivers'Car-following Behavior Safer?[J]. Transportation Research Part C: Emerging Technologies, 2014, 41: 61-72. DOI:10.1016/j.trc.2014.01.015
[13]
YU H, TAK S, PARK M, et al. Impact of Autonomousvehicle-only Lanes in Mixed Traffic Conditions[J]. Transportation Research Record Journal of the Transportation Research Board, 2019, 2673(6): 036119811984747.
[14]
马庆禄, 傅宝宇, 曾皓威. 智能网联环境下异质交通流基本图和稳定性分析[J]. 交通信息与安全, 2021, 39(5): 76-84.
MA Qing-lu, FU Bao-yu, ZENG Hao-wei. Fundamental Diagram and Stability Analysis of Heterogeneous Traffic Flow in a Connected and Autonomous Environment[J]. Journal of Transport Information and Safety, 2021, 39(5): 76-84.
[15]
李茜瑶, 牛树云, 车晓琳, 等. 自动驾驶车辆混入下的货车专用车道设置条件评价方法[J]. 公路交通科技, 2023, 40(6): 182-193.
LI Xi-yao, NIU Shu-yun, CHE Xiao-lin, et al. An Evaluation Method for Setting Condition of Dedicated Truck Lane Mixed with Automatic Vehicles[J]. Journal of Highway and Transportation Research and Development, 2023, 40(6): 182-193.
[16]
LAAN Z V, SADABADI K F. Operational Performance of a Congested Corridor with Lanes Dedicated to Autonomous Vehicle Traffic[J]. International Journal of Transportation Science and Technology, 2017, 6(1): 42-52. DOI:10.1016/j.ijtst.2017.05.006
[17]
AMIRGHOLY M, SHAHABI M, GAO H O. Traffic Automation and Lane Management for Communicant, Autonomous, and Human-driven Vehicles[J]. Transportation Research Part C: Emerging Technologies, 2020, 111: 477-495. DOI:10.1016/j.trc.2019.12.009
[18]
CARRONE A P, RICH J, VANDET C A, et al. Autonomous Vehicles in Mixed Motorway Traffic: Capacity Utilisation, Impact and Policy Implications[J]. Transportation, 2021, 48(6): 2907-2938. DOI:10.1007/s11116-020-10154-4
[19]
YE L, YAMAMOTO T. Impact of Dedicated Lanes for Connected and Autonomous Vehicle on Traffic Flow Throughput[J]. Physica A: Statistical Mechanics and its Applications, 2018, 512: 588-597. DOI:10.1016/j.physa.2018.08.083
[20]
MA K, WANG H. Influence of Exclusive Lanes for Connected and Autonomous Vehicles on Freeway Traffic Flow[J]. IEEE Access, 2019, 7: 50168-50178. DOI:10.1109/ACCESS.2019.2910833
[21]
郝威, 俞海杰, 高志波, 等. 自动驾驶专用车道影响下的CACC车流管理策略[J]. 中国公路学报, 2022, 35(4): 230-242.
HAO Wei, YU Hai-jie, GAO Zhi-bo, et al. Management Methods for Cooperative Adaptive Cruise Control Vehicles Flow Considering Dedicated Lanes[J]. China Journal of Highway and Transport, 2022, 35(4): 230-242.
[22]
崔居福, 胡本旭, 夏辉, 等. SUMO平台下多种车辆跟驰模型的仿真对比分析[J]. 重庆大学学报, 2021, 44(7): 43-54, 98.
CUI Ju-fu, HU Ben-xu, XIA Hui, et al. Comparative Analysis of Simulation of Multi-car-following Models Under SUMO Platform[J]. Journal of Chongqing University, 2021, 44(7): 43-54, 98.
[23]
MILANÉS V, SHLADOVER S E, SPRING J, et al. Cooperative Adaptive Cruise Control in Real Traffic Situations[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(1): 296-305.
[24]
SHLADOVER S E, SU D, LU X. Impacts of Cooperative Adaptive Cruise Control on Freeway Traffic Flow[J]. Transportation Research Record, 2012, 2324(1): 63-70.
[25]
MILANÉS V, SHLADOVER S E. Modeling Cooperative and Autonomous Adaptive Cruise Control Dynamic Responses Using Experimental Data[J]. Transportation Research Part C: Emerging Technologies, 2014, 48: 285-300.
[26]
郭梦竹, 李世武. 基于驾驶员反应时间的驾驶疲劳量化[J]. 吉林大学学报(工学版), 2020, 50(3): 951-955.
GUO Meng-zhu, LI Shi-wu. Driving Fatigue Quantification Based on Driver's Reaction Time[J]. Journal of Jilin University (Engineering and Technology Edition), 2020, 50(3): 951-955.
[27]
董友邦, 李锐, 曹怡, 等. 停靠站附近间歇式公交专用道适用条件探究[J]. 华东交通大学学报, 2020, 37(1): 132-142.
DONG You-bang, LI Rui, CAO Yi, et al. Study on the Applicable Traffic Conditions of Intermittent Bus Lanes Near Bus Stops[J]. Journal of East China Jiaotong University, 2020, 37(1): 132-142.
[28]
宋现敏, 张明业, 李振建, 等. 动态公交专用道的设置及其仿真分析评价[J]. 吉林大学学报(工学版), 2020, 50(5): 1677-1686.
SONG Xian-min, ZHANG Ming-ye, LI Zhen-jian, et al. Setting of Dynamic Bus Lane and Its Simulation Analysis and Evaluation[J]. Journal of Jilin University (Engineering and Technology Edition), 2020, 50(5): 1677-1686.
[29]
陆建, 张文珺, 杨海飞, 等. 基于碰撞时间的追尾风险分析[J]. 交通信息与安全, 2014, 32(5): 58-64, 76.
LU Jian, ZHANG Wen-jun, YANG Hai-fei, et al. Analysis of Rear-end Risk Based on the Indicator of Time to Collision[J]. Journal of Transport Information and Safety, 2014, 32(5): 58-64, 76.
[30]
容颖, 温惠英, 赵胜. 高速公路单向双车道车辆群行车风险度量研究[J]. 重庆交通大学学报(自然科学版), 2019, 38(9): 95-100, 121.
RONG Ying, WEN Hui-ying, ZHAO Sheng. Study on Driving Risk Measurement for Two-lane Freeway Vehicle Group[J]. Journal of Chongqing Jiaotong University (Natural Science), 2019, 38(9): 95-100, 121.