一种混合交通流变道模型及变道仿真方法与流程

1.本发明涉及变道仿真技术领域，特别是一种混合交通流变道模型及变道仿真方法。


背景技术：

2.随着汽车产业向智能化和网联化方向发展，道路交通流将变为由自动驾驶车辆(autonomous vehicle，av)和手动驾驶车辆(human-driving vehicle，hv)组成的混合交通流(简称人机混驾交通流)，车辆变道行为也更具多样性和复杂性。现有的自动驾驶车辆-手动驾驶车辆混合交通流变道模型能够在变道意图、变道条件等方面对两类车辆进行区分，但仍存在以下问题：1)现有研究对于人类驾驶员的行为特性表征不够充分，没有考虑实际路况中人类驾驶员对自动驾驶车辆产生的心理-生理反应对变道行为造成的影响；2)对人机混驾交通流中两类车辆的相互作用研究不够深入，自动驾驶车辆对手动驾驶车辆在变道意图和变道选择方面的影响，自动驾驶车辆对手动驾驶车辆驾驶行为的主观性、随机性和无法实现信息交互的技术短板等缺陷的应对，均未能够在现有的建模思路中得到充分体现。
3.元胞自动机模型具有时间和空间的离散特征，每个元胞通过设定的规则独立发生演化，同时又受到周围元胞行为的影响，这与实际交通流的空间时间离散、不同车辆之间驾驶行为相互影响的现象十分相似。因此，国内外学者常选用元胞自动机模型进行人机混驾交通流变道模型建立并进行仿真模拟。该模型可根据模拟需求改变或增减演化规则，使得仿真结果能更为准确地反映实际路况中车辆的动态行进过程。


技术实现要素：

4.针对现有技术的不足，本发明拟解决的技术问题是，提供一种混合交通流变道模型及变道仿真方法。
5.为了实现上述目的，本发明采用的技术方案是：
6.一种混合交通流变道模型，其特征在于，该混合交通流变道模型包括人机混驾交通流下的手动驾驶车辆变道模型和自动驾驶车辆变道模型；手动驾驶车辆变道模型包括变道意图、车道条件、安全条件和变道概率，自动驾驶车辆变道模型包括变道意图、车道条件、安全条件、速度条件和变道概率。
7.手动驾驶车辆变道模型具体为：
8.1)变道意图为本车道无法满足车辆行驶需求时，所产生的变道动机，即：
9.gap
n,n-1
《vn(t 1)
ꢀꢀꢀ
(1)
10.式(1)中，gap
n,n-1
为变道车辆与本车道前方车辆的距离；vn(t 1)为变道车辆在t 1时刻的期望行驶速度，当本车道前方车辆为手动驾驶车辆时，vn(t 1)利用hv-hv跟驰模型计算；当本车道前方车辆为自动驾驶车辆时，vn(t 1)利用av-hv跟驰模型计算；
11.2)车道条件需保证目标车道的行驶条件优于本车道，即：
12.gap
n,fro1t car
》gap
n,n-1
ꢀꢀꢀ
(2)
13.式(2)中，gap
n,front car
为变道车辆与目标车道前方车辆的距离；
14.3)安全条件受目标车道后方车辆类型影响，需确保变道车辆变道后与目标车道后方车辆保持一定的安全距离，避免发生碰撞，即：
15.gap
n,back car
》α
·
gap
back safe
ꢀꢀꢀ
(3)
16.式(3)中，gap
n,back car
为变道车辆与目标车道后方车辆的距离；α为安全距离修正系数；gap
back safe
为变道车辆变道后避免与目标车道后方紧邻车辆发生碰撞所需的安全距离，其取值与目标车道后方车辆类型有关，具体为：
17.①
目标车道后方车辆为手动驾驶车辆
18.假定t时刻变道车辆在本车道行驶，在t 1时刻完成变道，由变道车辆变道前后位置关系可知：
19.gap
back safe
＝xn(t)-x
back car
(t)-s＝δx
back car,change-gap
change1
ꢀꢀꢀ
(4)
20.δx
back car,change
＝x
back car
(t 1)-x
back car
(t)＝v
back car
(t)τ-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(5)
21.gap
change1
＝xn(t 1)-xn(t)＝[vn(t) vn(t τ)]τ/2-vn(t τ)2/2bnꢀꢀꢀ
(6)
[0022]
经过推导可得：
[0023][0024]
gap
back safe
＝-vn(t)τ/2-v
safe,change
τ/2 v
safe,change2
/2bn v
back car
(t)τ-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(8)
[0025]
其中，xn(t)、xn(t 1)分别表示变道车辆在t时刻和t 1时刻的位置；x
back car
(t)、x
back car
(t 1)分别表示目标车道后方车辆在t时刻和t 1时刻的位置；s为变道车辆的有效长度；vn(t)、v
back car
(t)分别表示变道车辆和目标车道后方车辆在t时刻的速度；τ表示手动驾驶车辆的反应时间；δx
back car,change
表示目标车道后方车辆在变道车辆变道期间的行驶距离，gap
change1
表示目标车道后方车辆为手动驾驶车辆时，变道车辆变道前后的间距；b
back car
表示目标车道后方车辆的减速度；v
safe,change
表示变道车辆与目标车道后方车辆保持安全距离所需的安全速度；bn表示变道车辆的期望最大减速度；
[0026]
②
目标车道后方车辆为自动驾驶车辆时，变道车辆变道前后的间距gap
change2
的表达式为：
[0027]
gap
change2
＝gap
change1
d
ꢀꢀꢀ
(9)
[0028]
式(9)中，d表示增加的安全距离，与人类驾驶员对自动驾驶车辆的熟悉程度有关，按照公式(10)进行计算；
[0029]
d＝[(-h2 h) (-u2 u)]
·
ε(10)
[0030]
式(10)中，h表示人类驾驶员的视听信息，u表示人类驾驶员的实践信息，ε为距离参数；
[0031]
假定行驶于目标车道后方的自动驾驶车辆可快速判断道路状况并作出反应，其反应时间忽略不计，则τ＝0，将τ＝0代入式(5)，得到式(11)；
[0032]
δx
back car,change
＝x
back car
(t 1)-x
back car
(t)＝-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(11)
[0033]
此时变道车辆与目标车道后方车辆保持安全距离所需的安全速度与安全距离分别满足式(12)、(13)：
[0034]
[0035]
gap
back safe
＝-vn(t)τ/2-v
safe,n
τ/2 v
safe,n2
/2b
n-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(13)
[0036]
4)变道概率表示变道车辆在变道条件均满足时的变道选择，需考虑驾驶人对目标车道前后方车辆间距的满意程度和目标车道前方车辆类型；
[0037]
①
目标车道前方车辆为手动驾驶车辆
[0038][0039]
②
目标车道前方车辆为自动驾驶车辆
[0040][0041]
γ＝1-2
·
η(16)
[0042]
其中，p
change
表示变道概率，γ表示目标车道前方车辆类型的影响参数，η表示人类驾驶员对自动驾驶车辆的熟悉度；
[0043]
自动驾驶车辆变道模型具体为：
[0044]
1)自动驾驶车辆变道模型的变道意图和车道条件的表达式与手动驾驶车辆变道模型相同，其中，当本车道前方车辆为手动驾驶车辆时，vn(t 1)按照hv-av跟驰模型计算；当本车道前方车辆为自动驾驶车辆时，vn(t 1)按照av-av跟驰模型计算；
[0045]
2)安全条件的表达式为：
[0046]
gap
n,back car
》gap
back safe
ꢀꢀꢀ
(17)
[0047]
gap
back safe
的取值与目标车道后方车辆类型有关，具体为：
[0048]
①
目标车道后方车辆为手动驾驶车辆
[0049]
目标车道后方车辆在变道车辆变道期间的行驶距离δx
back car,change
按式(5)计算；
[0050]
由于自动驾驶车辆的反应时间忽略不计，故τ＝0，则当目标车道后方车辆为手动驾驶车辆时，变道车辆变道前后的间距gap
change
为：
[0051]
gap
change
＝xn(t 1)-xn(t)＝-vn(t)2/2bnꢀꢀꢀ
(18)
[0052]
此时变道车辆与目标车道后方车辆保持安全距离所需的安全速度与安全距离分别满足式(19)、(20)：
[0053][0054]
gap
back safe
＝v
safe,n2
/2bn v
back car
(t)τ-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(20)
[0055]
②
目标车道后方为自动驾驶车辆
[0056]
目标车道后方车辆在变道车辆变道期间的行驶距离δx
back car,change
按式(11)计算，变道车辆变道前后的间距gap
change
按式(18)计算；
[0057]
此时变道车辆与目标车道后方车辆保持安全距离所需的安全速度以及安全距离分别为：
[0058][0059]
gap
back safe
＝v
safe,n2
/2b
n-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(22)
[0060]
3)速度条件应满足车辆变道后速度大于当前速度，即：
[0061]vchange
》vn(t)
ꢀꢀꢀ
(23)
[0062]
其中，v
change
表示变道成功后的虚拟速度；
[0063]
4)变道概率应同时考虑本车道前方及目标车道前方车辆类型，包含以下四种情形：
[0064]
①
情形1：本车道前方车辆为手动驾驶车辆，目标车道前方车辆为自动驾驶车辆；变道概率为：
[0065]
p
change
＝1
ꢀꢀꢀ
(24)
[0066]
②
情形2：本车道前方车辆为手动驾驶车辆，目标车道前方车辆为手动驾驶车辆；变道概率为：
[0067][0068]
其中，β为变道选择参数，0《β《1；
[0069]
③
情形3：本车道前方车辆为自动驾驶车辆，目标车道前方车辆为手动驾驶车辆；变道概率为：
[0070]
p
change
＝β
ꢀꢀꢀ
(26)
[0071]
④
情形4：本车道前方车辆为自动驾驶车辆，目标车道前方车辆为自动驾驶车辆，变道概率按照公式(25)进行计算。
[0072]
本发明还提供一种混合交通流变道仿真方法，其特征在于，在每一个仿真步长内，按照权利要求2中手动驾驶车辆变道模型和自动驾驶车辆变道模型，判断车辆是否满足变道条件，若满足，则以变道概率执行变道，继而根据跟驰模型进行状态位置演化；若不满足变道条件，则留在本车道按照跟驰模型进行状态位置演化，该方法通过matlab实现仿真模拟。
[0073]
前述车辆根据跟驰模型进行状态位置演化包括以下内容：
[0074]
一、人机混驾交通流下包含hv-hv、av-hv、hv-av、av-av这四种跟驰状态，hv表示手动驾驶车辆，av表示自动驾驶车辆；四种跟驰状态下的跟驰模型分别为：
[0075]
hv-hv跟驰模型：
[0076][0077]
av-hv跟驰模型：
[0078][0079]
hv-av跟驰模型：
[0080][0081]
av-av跟驰模型：
[0082]an
(t)＝(1/t
av
)(v
n-1
(t)-vn(t))
ꢀꢀꢀ
(30)
[0083]
其中，v
safe,n
表示车辆n与前车保持安全距离所需的速度，xn(t)、vn(t)分别表示车辆n在t时刻的位置和速度，x
n-1
(t)、v
n-1
(t)分别表示前方第n-1辆车在t时刻的位置和速度，s
n-1
表示前方第n-1辆车的有效长度，表示车辆n对前车减速度的估计值，an(t)为车辆n在t时刻的加速度，t
av
为自动驾驶车辆在行驶过程中相对于前车的期望时间间隔；
[0084]
二、前述四种跟驰模型根据改进的元胞自动机演化规则进行状态位置演化，具体为：
[0085]
对于hv-hv、av-hv和hv-av这三种跟驰状态，通过实际距离gapn与安全距离gap
safe
的比较进行状态演化；不同跟驰状态下安全距离gap
safe
的计算公式分别为：
[0086]
hv-hv跟驰状态：
[0087][0088]
av-hv跟驰状态：
[0089][0090]
hv-av跟驰状态：
[0091]
gap
safe
＝-v
safe,n2
/2bn v
n-1
(t)2/2bnꢀꢀꢀ
(33)
[0092]
状态演化规则为：
[0093]
(1)加速规则，当gapn》gap
safe
时，车辆按照如下规则进行加速：
[0094]
vn(t)
→
min[vn(t) a,gapn,v
max
,v
safe,n
]
ꢀꢀꢀ
(34)
[0095]
其中，a为车辆加速度；v
max
表示车辆的最大速度；
[0096]
(2)减速规则，当gapn《gap
safe
时，车辆按照如下规则进行减速：如果前车静止，为保证行车安全，车辆按照安全减速规则进行减速；如果前车非静止，车辆按照确定性减速规则进行减速；安全减速规则和确定性减速规则分别满足式(35)和(36)；
[0097]
vn(t)
→
max{min[v
safe,n
,gap
n-0.5],0}
ꢀꢀꢀ
(35)
[0098]
vn(t)
→
max{min[v
safe,n
,gapn],0}
ꢀꢀꢀ
(36)
[0099]
(3)匀速规则，当gapn＝gap
safe
时，车辆按照如下规则行驶：
[0100]
vn(t)
→
min[vn(t),gapn]
ꢀꢀꢀ
(37)
[0101]
(4)位置更新：
[0102]
xn(t)
→
xn(t) vn(t)
ꢀꢀꢀ
(38)
[0103]
(5)随机慢化，随机慢化规则仅针对手动驾驶车辆，自动驾驶车辆不会产生随机减速行为，因此hv-av跟驰模型忽略车辆的随机慢化；规定随机慢化概率为0.2，当随机数小于0.2时，车辆按式(39)进行减速：
[0104]
vn(t)
→
max[vn(t)-bn,0]
ꢀꢀꢀ
(39)
[0105]
对于av-av跟驰状态，根据模型计算所得加速度值进行位置和速度状态演化；演化规则为：
[0106]
(1)加速规则：an(t)》0
[0107]
vn(t)
→
min[vn(t) an(t),v
max
,gapn]
ꢀꢀꢀ
(40)
[0108]
(2)减速规则：an(t)《0同时vn(t)》gapn[0109]
vn(t)
→
max{min[gapn,vn(t) an(t)],0}
ꢀꢀꢀ
(41)
[0110]
(3)匀速规则：an(t)＝0
[0111]
如果前车静止
[0112]
vn(t)
→
min{max[vn(t),gapn],v
max
}
ꢀꢀꢀ
(42)
[0113]
如果前车非静止
[0114]
vn(t)
→
min[vn(t),gapn]
ꢀꢀꢀ
(43)
[0115]
xn(t)
→
xn(t) vn(t)
ꢀꢀꢀ
(44)
[0116]
根据式(44)进行位置更新。
[0117]
与现有技术相比，本发明的有益效果在于：
[0118]
1.基于stca模型建立了手动驾驶车辆变道模型和自动驾驶车辆变道模型，考虑两种类型车辆相互作用对变道条件、变道选择的影响，针对不同变道情形得到不同的安全条件和车辆变道概率计算方法；当目标车道后方车辆为自动驾驶车辆时，考虑人类驾驶员对自动驾驶车辆的生理心理反应，会增大一段安全变道距离d，引入参数“熟悉度”，量化人类驾驶员对自动驾驶车辆认知和人机混驾交通流驾驶环境感知产生的心理反应，并且将该参数用到了变道概率与跟驰距离的计算中。
[0119]
2.手动驾驶车辆和自动驾驶车辆动态变道概率的设置：手动驾驶车辆选取目标车道前方、后方车辆与本车的间距作为计算变道概率的指标，同时考虑目标车道前方车辆类型对变道概率的影响。当目标车道前方是自动驾驶车辆时，驾驶人对目标车道前方自动驾驶车辆的熟悉程度同样会影响其变道决策，引入变道车型影响参数γ来量化车型对于驾驶人变道选择的影响，γ的取值基于参数“熟悉度”。自动驾驶车辆考虑本车道前方车辆类型和目标车道前方的车辆类型对变道概率产生的影响。根据参与变道的车辆类型，设置不同的变道场景，建立不同的变道概率计算方法。
附图说明
[0120]
图1(a)是目标车道后方车辆为手动驾驶车辆时，手动驾驶车辆变道的安全距离示意图；
[0121]
图1(b)是目标车道后方车辆为自动驾驶车辆时，手动驾驶车辆变道的安全距离示意图；
[0122]
图2是wundt曲线图；
[0123]
图3(a)是本车道前方车辆为手动驾驶车辆，目标车道前方车辆为自动驾驶车辆时，自动驾驶车辆变道选择的场景示意图；
[0124]
图3(b)是本车道前方车辆为手动驾驶车辆，目标车道前方车辆为手动驾驶车辆时，自动驾驶车辆变道选择的场景示意图；
[0125]
图3(c)是本车道前方车辆为自动驾驶车辆，目标车道前方车辆为手动驾驶车辆时，自动驾驶车辆变道选择的场景示意图；
[0126]
图3(d)是本车道前方车辆为自动驾驶车辆，目标车道前方车辆为自动驾驶车辆时，自动驾驶车辆变道选择的场景示意图；
[0127]
图4是不同自动驾驶车辆混入率下的各β取值的值；
[0128]
图5是不同自动驾驶车辆混入率下的交通流速度-密度关系图；
[0129]
图6是不同自动驾驶车辆混入率下的交通流流量-密度关系图；
[0130]
图7是混合交通最大流量-自动驾驶混入率关系图；
[0131]
图8是不同自动驾驶车辆混入率下的交通流拥挤率-密度关系图；
[0132]
图9是不同自动驾驶车辆混入率下的手动驾驶车辆变道频率-密度关系图；
[0133]
图10是不同自动驾驶车辆混入率下的自动驾驶车辆变道频率-密度关系图；
[0134]
图11是不同自动驾驶车辆混入率下的整体变道频率-密度关系图；
[0135]
图12是不同自动驾驶车辆混入率下的前后两车速度差均值-密度关系图。
具体实施方式
[0136]
下面结合附图对本发明的技术方案进行详细描述，但并不以此限定本技术的保护范围。
[0137]
本发明提供了一种混合交通流变道模型，该混合交通流变道模型包括人机混驾交通流中的手动驾驶车辆变道模型和自动驾驶车辆变道模型，这两种变道模型都是在stca模型的基础上改进得到，具体为：
[0138]
一、手动驾驶车辆变道模型包括变道意图、车道条件、安全条件和变道概率；
[0139]
1)变道意图：变道意图为本车道无法满足车辆行驶需求时，所产生的变道动机，即：
[0140]
gap
n,n-1
《vn(t 1)
ꢀꢀꢀ
(1)
[0141]
式(1)中，gap
n,n-1
为变道车辆(车道上第n辆车)与本车道前方车辆的距离；vn(t 1)为变道车辆在t 1时刻的期望行驶速度，当本车道前方车辆为手动驾驶车辆时，vn(t 1)利用hv-hv跟驰模型计算；当本车道前方车辆为自动驾驶车辆时，vn(t 1)利用av-hv跟驰模型计算；
[0142]
2)车道条件：车道条件需保证目标车道的行驶条件优于本车道，即：
[0143]
gap
n,front car
》gap
n,n-1
ꢀꢀꢀ
(2)
[0144]
式(2)中，gap
n,front car
为变道车辆与目标车道前方车辆的距离；
[0145]
3)安全条件：安全条件受目标车道后方车辆类型影响，需确保变道车辆变道后与目标车道后方车辆保持一定的安全距离，避免发生碰撞，即：
[0146]
gap
n,back car
》α
·
gap
back safe
ꢀꢀꢀ
(3)
[0147]
式(3)中，gap
n,back car
为变道车辆与目标车道后方车辆的距离；α为安全距离修正系数；人类驾驶员受主观意识影响，大部分驾驶员会在目标车道出现较为合适的间距下进行变道，不一定会考虑完全遵守安全规则，因此α《1；在保证变道安全性的前提下，为体现人类驾驶员这一行为特征，取α＝0.8，参见(马丽娜.基于元胞自动机的自动驾驶—手动驾驶交通流特性研究[d].西南交通大学,2017.)；gap
back safe
为变道车辆变道后避免与目标车道后方紧邻车辆发生碰撞所需的安全距离，基于gipps安全距离公式计算得到，gap
back safe
的取值与目标车道后方车辆类型有关，具体为：
[0148]
①
目标车道后方车辆为手动驾驶车辆
[0149]
假定t时刻变道车辆在本车道行驶，在t 1时刻完成变道，由图1(a)所示位置关系，可知：
[0150]
gap
back safe
＝xn(t)-x
back car
(t)-s＝δx
back car,change-gap
change1
ꢀꢀꢀ
(4)
[0151]
δx
back car,change
＝x
back car
(t 1)-x
back car
(t)＝v
back car
(t)τ-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(5)
[0152]
gap
change1
＝xn(t 1)-xn(t)＝[vn(t) vn(t τ)]τ/2-vn(t τ)2/2bnꢀꢀꢀ
(6)
[0153]
经过推导可得：
[0154][0155]
gap
back safe
＝-vn(t)τ/2-v
safe,change
τ/2 v
safe,change2
/2bn v
back car
(t)τ-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(8)
[0156]
其中，xn(t)、xn(t 1)分别表示变道车辆在t时刻和t 1时刻的位置；x
back car
(t)、x
back car
(t 1)分别表示目标车道后方车辆在t时刻和t 1时刻的位置；s为变道车辆的有效长
度，本实施例取5m；vn(t)、v
back car
(t)分别表示变道车辆和目标车道后方车辆在t时刻的速度；τ表示手动驾驶车辆的反应时间，本实施例取1.5s；δx
back car,change
表示目标车道后方车辆在变道车辆变道期间的行驶距离，gap
change1
表示目标车道后方车辆为手动驾驶车辆时，变道车辆变道前后的间距；b
back car
表示目标车道后方车辆的减速度，本实施例取-3m/s2；v
safe,change
表示变道车辆与目标车道后方车辆保持安全距离所需的安全速度；bn表示变道车辆的期望最大减速度，本实施例取-3.3m/s2；
[0157]
②
目标车道后方车辆为自动驾驶车辆
[0158]
对于人机混驾交通流中的手动驾驶车辆，当目标车道后方车辆为自动驾驶车辆时，人类驾驶员会考虑自动驾驶车辆的性能差异所导致的潜在危险，因此如图1(b)所示，在变道车辆变道前后的间距上需增加一段的安全距离，其表达式为：
[0159]
gap
change2
＝gap
change1
d
ꢀꢀꢀ
(9)
[0160]
式(9)中，gap
change2
表示目标车道后方车辆为自动驾驶车辆时，变道车辆变道前后的间距，d表示增加的安全距离，其取值和人类驾驶员对自动驾驶车辆的熟悉程度有关；
[0161]
著名心理学家wihelm max wundt曾提出一则重要的心理学定律：人们会对过于新的事物感到恐惧和惊慌，随着对事物逐渐熟悉，相应的“刺激强度”会逐渐减为0，继而产生负面效用；如图2所示，“主观新颖性”(subjective novelty)与“信息效用”(information utility)之间的关系呈一条倒“u”形抛物线，即wundt曲线，该曲线表达式为：
[0162]
w＝-φ2 bφ
ꢀꢀꢀ
(10)
[0163]
式(10)中，w表示信息效用；φ表示主观新颖性；b表示在给定的经验框架中，对主观新颖性的确定性偏好，当φ＝b/2时，信息效用取得最大值；当信息效用取值为负时，表示事物对人的情绪产生负面效用；
[0164]
利用该曲线描述人类驾驶员对自动驾驶车辆的心理反应：当一位驾驶员刚刚接触自动驾驶车辆时，他的“恐惧心理”会随着对其性能的了解而逐渐增大；当完全了解自动驾驶车辆时，这种“恐惧心理”会逐渐减少；在实际行驶过程中，由于人类驾驶员不会采取“减小跟驰安全距离”和“故意与自动驾驶车辆发生追尾”的过激行为，故只取曲线的正值部分；
[0165]
将人类驾驶员对自动驾驶车辆的认知分为“视听信息”和“实践信息”两部分，“视听信息”表示人类驾驶员对自动驾驶车辆性能的主观了解，取值为0～1，取值为0代表人类驾驶员完全不了解自动驾驶车辆，取为1代表人类驾驶员完全熟知自动驾驶车辆；“实践信息”表示人类驾驶员在道路上行驶时对道路环境的感知，与自动驾驶车辆的混入率有关，取值为0～1；
[0166]
根据wundt曲线，可得熟悉度的计算公式为：
[0167]
η＝(-h2 h) (-u2 u)
ꢀꢀꢀ
(11)
[0168]
增加的安全距离d受熟悉度的影响，计算公式为：
[0169]
d＝η
·
ε
ꢀꢀꢀ
(12)
[0170]
其中，η表示人类驾驶员对自动驾驶车辆的熟悉度；h表示人类驾驶员的“视听信息”，u表示人类驾驶员的“实践信息”；ε为距离参数；d的最大取值根据停车视距理论中的“安全距离”取值所确定，为10m；因此，ε＝d
max
/η
max
＝10/0.5＝20m；
[0171]
假定行驶于目标车道后方的自动驾驶车辆可快速判断道路状况并作出反应，其反应时间忽略不计，则τ＝0，将τ＝0代入式(5)，得到式(13)；
[0172]
δx
back car,change
＝x
back car
(t 1)-x
back car
(t)＝-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(13)
[0173]
此时变道车辆与目标车道后方车辆保持安全距离所需的安全速度与安全距离分别满足式(14)、(15)：
[0174][0175]
gap
back safe
＝-vn(t)τ/2-v
safe,n
τ/2 v
safe,n2
/2b
n-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(15)
[0176]
4)变道概率：变道概率表示变道车辆在变道条件均满足时的变道选择，需考虑驾驶人对目标车道前后方车辆间距的满意程度和目标车道前方车辆类型；
[0177]
选取目标车道后方车辆与本车间距和目标车道前方车辆与本车间距作为衡量变道条件的指标，即目标车道前后方车辆间距越大，人类驾驶员越倾向于变道；同时考虑人、机驾驶行为的相互作用，目标车道前方车辆类型也会对人类驾驶员的变道概率造成影响，具体为：
[0178]
①
目标车道前方车辆为手动驾驶车辆
[0179][0180]
②
目标车道前方车辆为自动驾驶车辆
[0181][0182]
γ＝1-2
·
η
ꢀꢀꢀ
(18)
[0183]
其中，p
change
表示变道概率，γ表示目标车道前方车辆类型的影响参数，基于wundt曲线的熟悉度系数计算得到，取值为0～1，取值为0代表变道车辆放弃变换车道，取值为1即忽略目标车道前方车辆类型的影响；由式(18)可知，η取最大值0.5时，γ＝0，表示人类驾驶员对自动驾驶车辆极度恐惧时，变道车辆放弃变换车道；η取最小值0时，γ＝1，表示人类驾驶员完全不了解或对自动驾驶车辆完全熟知时，忽略目标车道前方车辆类型对人类驾驶员的影响；
[0184]
二、自动驾驶车辆变道模型包括变道意图、车道条件、安全条件、速度条件和变道概率；
[0185]
1)变道意图和车道条件的表达式与手动驾驶车辆变道模型相同；其中，当本车道前方车辆为手动驾驶车辆时，vn(t 1)按照hv-av跟驰模型计算；当本车道前方车辆为自动驾驶车辆时，vn(t 1)按照av-av跟驰模型计算；
[0186]
2)安全条件，安全条件的表达式为：
[0187]
gap
n,back car
》gap
back safe
ꢀꢀꢀ
(19)
[0188]
自动驾驶车辆在人机混驾交通流中为保障自身和周围车辆的行驶安全，在采取变道操作时会完全遵守安全规则，gap
back safe
的取值与目标车道后方车辆类型有关，具体为：
[0189]
①
目标车道后方车辆为手动驾驶车辆
[0190]
目标车道后方车辆在变道车辆变道期间的行驶距离δx
back car,change
按式(5)计算；
[0191]
由于自动驾驶车辆的反应时间忽略不计，故τ＝0，则当目标车道后方车辆为手动驾驶车辆时，变道车辆变道前后的间距gap
change
为：
[0192]
gap
change
＝xn(t 1)-xn(t)＝-vn(t)2/2bnꢀꢀꢀ
(20)
[0193]
此时变道车辆与目标车道后方车辆保持安全距离所需的安全速度与安全距离分别满足式(21)、(22)：
[0194][0195]
gap
backsafe
＝v
safe,n2
/2bn v
back car
(t)τ-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(22)
[0196]
②
目标车道后方为自动驾驶车辆
[0197]
目标车道后方车辆在变道车辆变道期间的行驶距离δx
back car,change
按式(13)计算，变道车辆变道前后的间距gap
change
按式(20)计算；
[0198]
此时变道车辆与目标车道后方车辆保持安全距离所需的安全速度以及安全距离分别为：
[0199][0200]
gap
back safe
＝v
safe,n2
/2b
n-v
back car
(t)2/2b
back car
ꢀꢀꢀ
(24)
[0201]
3)速度条件：在手动驾驶车辆变道模型基础上增设速度条件，速度条件应满足车辆变道后速度大于当前速度；即：
[0202]vchange
》vn(t)
ꢀꢀꢀ
(25)
[0203]
自动驾驶车辆对变道间隙的要求远远小于手动驾驶车辆，当本车道不满足其行驶需求时，自动驾驶车辆会迅速在相邻车道发现可变道间隙，进行变道；在人机混驾交通流中，自动驾驶车辆的频繁变道会影响到交通流稳定性以及道路安全，因此针对自动驾驶车辆引入参数v
change
，表示变道成功后的虚拟速度，在道路和安全条件满足的同时，还应满足车辆变道后速度大于当前速度，v
change
在数值上等于变道车辆在下一时刻的期望行驶速度vn(t 1)；
[0204]
4)变道概率：变道概率应同时考虑本车道前方及目标车道前方车辆类型；自动驾驶车辆在变道时，由于参与变道的车辆类型多样化，使得自动驾驶车辆在面临相同时空条件时，可能做出不同的变道选择，本车道前方车辆类型以及目标车道前方车辆类型均会对自动驾驶车辆的变道概率产生影响，包含以下四种情形：
[0205]
①
情形1：如图3(a)所示，本车道前方车辆为手动驾驶车辆，目标车道前方车辆为自动驾驶车辆；此时的变道概率为：
[0206]
p
change
＝1
ꢀꢀꢀ
(26)
[0207]
在该情形下，自动驾驶车辆倾向于与同类车辆组成队列行驶，在识别出相邻车道前方同为自动驾驶车辆，则一定会采取变道操作；
[0208]
②
情形2：如图3(b)所示，本车道前方车辆为手动驾驶车辆，目标车道前方车辆为手动驾驶车辆；此时的变道概率为：
[0209][0210]
其中，β为变道选择参数，0《β《1，应根据人机混驾交通流的稳定程度进行取值；在该情形下，手动驾驶车辆不能与自动驾驶车辆进行交互实现协同变道，因此自动驾驶车辆在变道前会对变道后的速度增益进行评估，变道后的期望行驶速度越大，变道意图越大，同时需要考虑变道行为对宏观交通流稳定性的影响；
[0211]
采用前后两车速度差的均值作为指标来表征人机混驾交通流的稳定程度，越小，交通流越稳定，其计算公式为：
[0212][0213]
式(28)中，n为道路上的车辆总数，j表示车道标号，nj表示车道j上的车辆数，i表示车辆标号；
[0214]
将β＝0.1，0.2，
…
，0.9分别代入到程序中进行仿真，得到各av混入率下不同β值对应的的最大值如图4所示；综合对比图中各av混入率下的取值可知，当β＝0.2时，人机混驾交通流中前后两车的速度差相对最小，即此刻交通流最为稳定，基于此本实施例中β取值为0.2；
[0215]
③
情形3：如图3(c)所示，本车道前方车辆为自动驾驶车辆，目标车道前方车辆为手动驾驶车辆；此时的变道概率为：
[0216]
p
change
＝β
ꢀꢀꢀ
(29)
[0217]
在该情形下，自动驾驶车辆已与同类型车辆组成队列；虽然相邻车道的行驶条件可暂时提高车辆的行驶速度，但自动驾驶车辆从队列跟驰换至非队列跟驰不仅会对邻近手动驾驶车辆的行驶状态造成负面影响，还会因不满足非队列跟驰状态而再次采取变道，增加变道次数，给交通流造成压力，为保证交通流的稳定性，将β取为0.2；
[0218]
④
情形4：如图3(d)所示，本车道前方车辆为自动驾驶车辆，目标车道前方车辆为自动驾驶车辆，此时变道概率的设置与情形
②
相同，变道概率按照公式(27)进行计算；
[0219]
在该情形下，自动驾驶车辆能够通过信息交互实现协同变道；然而在人机混驾交通流中，自动驾驶车辆的变道过程应当具有“多主体”的特性，即考虑其变道对当前车道、目标车道前后方多辆车的影响，减小其变道对交通流的扰动；同时，应评估变道所获速度增益，在速度提高不大的情况下，减少不必要的变道行为。
[0220]
本发明还提供一种混合交通流变道仿真方法，该方法是在每一个仿真步长内，按照上述的手动驾驶车辆变道模型和自动驾驶车辆变道模型，判断车辆是否满足变道条件，若满足，则以变道概率执行变道，继而根据跟驰模型进行状态位置演化；若不满足变道条件，则留在本车道按照跟驰模型进行状态位置演化，该方法通过matlab实现仿真模拟。
[0221]
其中，车辆根据跟驰模型进行状态位置演化包括以下内容：
[0222]
一、考虑不同的车辆组合，将混合交通流下的跟驰状态分为四种，分别为：hv(前车)-hv(后车)、av(前车)-hv(后车)、hv(前车)-av(后车)、av(前车)-av(后车)，hv表示手动驾驶车辆，av表示自动驾驶车辆；四种跟驰状态下的跟驰模型分别为：
[0223]
hv-hv跟驰模型为：
[0224][0225]
av-hv跟驰模型为：
[0226][0227]
hv-av跟驰模型为：
[0228][0229]
av-av跟驰模型为：
[0230]an
(t)＝(1/t
av
)(v
n-1
(t)-vn(t))
ꢀꢀꢀ
(33)
[0231]
其中，v
safe,n
表示车辆n与前车保持安全距离所需的速度，xn(t)、vn(t)分别表示车辆n在t时刻的位置和速度；x
n-1
(t)、v
n-1
(t)分别表示前方第n-1辆车在t时刻的位置和速度，s
n-1
表示前方第n-1辆车的有效长度，本实施例取5m；表示车辆n对前车减速度的估计值，本实施例取-3m/s2；an(t)为车辆n在t时刻的加速度；t
av
为自动驾驶车辆在行驶过程中相对于前车的期望时间间隔，取1.1s；
[0232]
hv-hv跟驰模型基于gipps模型建立；av-hv跟驰模型在gipps模型的基础上引入参数“熟悉度”，以量化人类驾驶员对自动驾驶车辆产生的心理反应；hv-av跟驰模型忽略gipps模型中手动驾驶车辆的反应时间τ，同时车辆n的期望最大减速度与预估前车减速度取相同值，即av-av跟驰模型在建模中考虑到自动驾驶车辆能够准确、实时获得与前方无人车的速度差并迅速采取加、减速决策，选择经典的刺激-反应模型“pipes模型”建模。
[0233]
二、前述四种跟驰模型根据改进的元胞自动机演化规则进行状态位置演化，具体为：
[0234]
对于hv-hv、av-hv和hv-av这三种跟驰状态，通过实际距离gapn与安全距离gap
safe
的比较进行状态演化；不同跟驰状态下gap
safe
的计算公式分别为：
[0235]
hv-hv跟驰状态：
[0236][0237]
av-hv跟驰状态：
[0238][0239]
hv-av跟驰状态：
[0240]
gap
safe
＝-v
safe,n2
/2bn v
n-1
(t)2/2bnꢀꢀꢀ
(36)
[0241]
状态演化规则为：
[0242]
(1)加速规则，当gapn》gap
safe
时，车辆按照如下规则进行加速：
[0243]
vn(t)
→
min[vn(t) a,gapn,v
max
,v
safe,n
]
ꢀꢀꢀ
(37)
[0244]
其中，a为车辆加速度，a＝3.59m/s2；v
max
表示车辆的最大速度；
[0245]
(2)减速规则，当gapn《gap
safe
时，车辆按照如下规则进行减速：如果前车静止，为保证行车安全，车辆按照安全减速规则进行减速，即前后两车的距离不得小于0.5m；如果前车非静止，车辆按照确定性减速规则进行减速；安全减速规则和确定性减速规则分别满足式(38)和(39)；
[0246]
vn(t)
→
max{min[v
safe,n
,gap
n-0.5],0}
ꢀꢀꢀ
(38)
[0247]
vn(t)
→
max{min[v
safe,n
,gapn],0}
ꢀꢀꢀ
(39)
[0248]
(3)匀速规则，当gapn＝gap
safe
时，车辆按照如下规则行驶：
[0249]
vn(t)
→
min[vn(t),gapn]
ꢀꢀꢀ
(40)
[0250]
(4)位置更新：
[0251]
xn(t)
→
xn(t) vn(t)
ꢀꢀꢀ
(41)
[0252]
(5)随机慢化，随机慢化规则仅针对手动驾驶车辆，自动驾驶车辆不会产生随机减速行为，因此hv-av跟驰模型忽略车辆的随机慢化；规定随机慢化概率为0.2，即当随机数小于0.2时，车辆按式(42)进行减速：
[0253]
vn(t)
→
max[vn(t)-bn,0]
ꢀꢀꢀ
(42)
[0254]
对于av-av跟驰状态，根据模型计算所得加速度值进行位置和速度状态演化；av-av跟驰状态下的位置演化规则为：
[0255]
(1)加速规则：an(t)》0
[0256]
vn(t)
→
min[vn(t) an(t),v
max
,gapn]
ꢀꢀꢀ
(43)
[0257]
(2)减速规则：an(t)《0同时vn(t)》gapn[0258]
vn(t)
→
max{min[gapn,vn(t) an(t)],0}
ꢀꢀꢀ
(44)
[0259]
(3)匀速规则：an(t)＝0
[0260]
如果前车静止
[0261]
vn(t)
→
min{max[vn(t),gapn],v
max
}
ꢀꢀꢀ
(45)
[0262]
如果前车非静止
[0263]
vn(t)
→
min[vn(t),gapn]
ꢀꢀꢀ
(46)
[0264]
(4)位置更新
[0265]
xn(t)
→
xn(t) vn(t)
ꢀꢀꢀ
(47)
[0266]
matlab仿真环境设置为：以单向双车道高速公路普通路段作为仿真场景，车辆进出循环规则采用元胞自动机周期性边界；设定元胞长度为0.5米，每辆车的长度为5米，即10个元胞长度；车道长度l为6千米，即12000个元胞长度；车道限速为120千米/小时；仿真时步为1秒，总仿真时长为t；
[0267]
仿真初始时刻，系统生成车辆，随机分配每辆车的车辆类型、位置和初速度；手动驾驶车辆对自动驾驶车辆的“视听信息”为0～1之间的随机值；自动驾驶车辆的混入率从0逐渐增至1；仿真开始后，在每一仿真步长中，每辆车根据当前驾驶环境条件判断是否满足变道条件，若满足，则以变道概率执行变道，继而根据跟驰模型进行状态位置演化；若不满足变道条件，则留在本车道按照跟驰模型进行状态位置演化。
[0268]
通过仿真分析了不同自动驾驶车辆混入率对速度、流量、拥挤率、变道频率和稳定性等交通流宏观特性的影响，得到如图5-12所示的结果。
[0269]
①
交通流基本图分析
[0270]
图5为不同自动驾驶车辆混入率下的速度-密度关系图，由图5可知，速度随密度的增大而不断减小，符合交通流中速度-密度的基本关系。对比不同自动驾驶车辆混入率m的速度曲线可知，随着自动驾驶车辆的不断混入，道路整体平均速度得以提高；道路的自由流速度v
free
(图5中虚线标记区域)，其值同样随着自动驾驶车辆混入率的增大而增大，这说明自动驾驶车辆能够在一定程度上提高道路系统的运行效率。
[0271]
图6为不同自动驾驶车辆混入率下的流量-密度关系图，由图6可知，流量随密度增加至峰值后，逐渐减小，符合实际交通流中流量-密度的基本关系；对比图中各流量曲线可知，随着自动驾驶车辆混入率的不断增大，道路整体流量逐渐提高；对比不同自动驾驶车辆混入率的临界密度(图6中虚线标记区域)可知，随着自动驾驶车辆的不断混入，道路临界密度逐渐增大，从而可在一定程度上提高交通流的稳定性。
[0272]
图7为道路系统最大流量随自动驾驶车辆混入率的变化图，由图可知，自动驾驶车辆的混入能够大大提高道路容量，与纯手动驾驶交通流相比，纯自动驾驶交通流的最大流量可提高至2倍以上；此外，不同自动驾驶车辆混入率下最大流量的增幅略有不同，这是由人、机驾驶行为之间的相互作用导致的。
[0273]
②
拥挤率分析
[0274]
将交通流中车速小于5m/s的车辆视为正在经历拥堵状况，拥挤率为混合交通流总仿真时步中经历拥堵的车辆数和总仿真时长与道路上车辆总数乘积的比值。
[0275]
图8为人机混驾交通流的拥挤率与密度关系图，由图8可知，道路的拥挤率随密度的增大，从0开始以s型曲线增长，直至道路上全部车辆无法正常行驶，拥挤率达到1。对比不同自动驾驶车辆混入率下的拥挤率曲线，在同一密度下，自动驾驶车辆的混入率越高，拥挤率越小。纯自动驾驶车辆交通流在低、中密度时，拥挤率约为纯手动驾驶车辆交通流的1/3。同时，各拥挤率曲线的增长趋势略有差别，这是由于自动驾驶车辆的混入能够提高交通流的临界密度，自动驾驶车辆占比越高，交通运行状况相对越好，交通流越不易达到拥堵。由此可见，自动驾驶车辆能够提高交通流的运行效率。
[0276]
③
变道频率
[0277]
变道频率为混合交通流总仿真时步中车辆变道次数与和总仿真时长与道路上车辆总数乘积的比值。为分析两类型车辆在混合交通流中各自的变道行为，及相互作用对交通流整体变道情况的影响，对交通流中手动驾驶车辆变道频率、自动驾驶车辆变道频率及整体变道频率分别进行分析。
[0278]
图9为手动驾驶车辆变道频率，由图9可知，随自动驾驶车辆混入率的增加，手动驾驶车辆的变道频率呈“先增大，再减小”的规律。在混入率为0～0.4时，手动驾驶车辆变道频率逐渐增大；混入率增至0.4后，变道频率逐渐降低。这是因为自动驾驶车辆对变道间隙的要求远远小于手动驾驶车辆，在其刚开始混入到交通流时，会在相邻车道上出现满足条件的间隙时产生较大的变道倾向，从而占据相邻车道后方手动驾驶车辆正常跟驰所需的期望车头时距。此时，为保证自身行驶效益和安全，手动驾驶车辆的驾驶人会决定采取变道操作。但随着自动驾驶车辆混入率的继续增大，交通流中av-av车辆对逐渐增多，其过小的行车距离无法满足手动驾驶车辆变道所需安全条件，使驾驶人不得不放弃变道操作，继续在本车道行驶，导致变道频率逐渐减小。
[0279]
图10为自动驾驶车辆变道频率，由图10可知，随着自动驾驶车辆混入率不断增大，其变道频率逐渐降低，在纯自动驾驶车辆交通流中，车辆极少采取变道操作。这是由于当交通流中自动驾驶车辆较少时，为了提高行驶速度，自动驾驶车辆的变道需求极大，因而导致变道频率较高。随着自动驾驶车辆占比逐渐增大，车辆队列化能够满足其速度及稳定驾驶的需求，从而变道意愿逐渐降低。
[0280]
图11为交通流整体变道频率，由图11可知，变道频率随自动驾驶混入率的增加呈“先增大，再减小”的变化趋势。造成这一现象的原因是：手动驾驶车辆受自动驾驶车辆影响，在无法满足其跟驰所需车头时距时会产生变道意图，在自动驾驶混入率较低时，手动驾驶车辆的变道安全条件较容易满足，且此时自动驾驶车辆的变道需求较大，在两因素共同作用下，混合交通流的整体变道频率增大。然而，随着自动驾驶车辆的继续混入，手动驾驶车辆变道困难，自动驾驶车辆变道需求降低，交通流整体变道频率逐渐减小。
[0281]
④
交通流的稳定性分析
[0282]
采用前后两车速度差的均值作为指标来分析人机混驾交通流的稳定性，图12为不同自动驾驶车辆混入率下前后两车速度差的均值。由图12可知，前后两车的速度差随着道路密度的增大，呈先增大后减少的趋势，在临界密度处(图12中虚线方框区域)，前后速度差
达到最大。对比不同自动驾驶车辆混入率下的速度差-密度曲线，随着自动驾驶车辆混入率的不断增大，前后两车速度差在整体上呈减小趋势，说明自动驾驶车辆的存在能够在一定程度上有助于提高系统内车辆运行的稳定性。当混入率在中等水平附近，即0.3～0.6时，速度差减小的程度不明显。这一现象表明，在中等混入率下，交通流中av-hv、hv-av车辆组合增加，自动驾驶车辆与手动驾驶车辆的相互作用频繁且密切，从而使得自动驾驶车辆的性能对整体交通流的稳定性改善较小。据此可建议在今后自动驾驶投入使用时，若想使交通流稳定性得到明显改善，需控制自动驾驶车辆的混入率在中高水平。
[0283]
尽管为说明目的公开了本发明的实施例，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的技术和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例所公开的内容。本发明未述及之处适用于现有技术。