CN113792424A - 自动驾驶车异质交通流下的多车道换道方法及*** - Google Patents

Abstract

本发明公开了一种自动驾驶车异质交通流多车道换道方法及***，包括如下步骤：S1、建立基于元胞自动机的自动驾驶车异质交通流多车道交通流模型；S2、在安全性原则和行车时间原则下制定自动驾驶车异质交通流多车道换道规则；S3、通过微观仿真获得自动驾驶车异质交通流多车道换道的微观仿真基本图并分析自动驾驶车异质交通流多车道换道的动力学特征之间的关系；S4、给出所述动力学特征之间解析表达式并进行仿真验证。本发明可以满足分析自动驾驶车异质交通流多车道换道的车辆密度区间以及换道提升的车辆通行效率的需求，对自动驾驶车异质交通流的交通特性研究及自动驾驶车的推广应用具有重要意义。

Description

自动驾驶车异质交通流下的多车道换道方法及***

技术领域

本发明涉及自动驾驶车异质交通流领域，具体涉及一种自动驾驶车异质交通 流下的多车道换道方法及***。

背景技术

自动驾驶车在现代化综合交通体系中起着重要作用。首先，自动驾驶车之间 可以通过相互通信、相互协调，提高交通效率，减少交通拥堵情况。其次，自动 驾驶车可以减少人为干扰因素，提高城市交通安全系数。第三，自动驾驶车通常 使用清洁能源，可以促进节能减排。

现阶段研究自动驾驶车异质交通流需要以下两方面技术：

一方面，需要建立考虑自动驾驶车特性的异质交通流模型。即使自动驾驶车 发展迅猛，但是它的普及并非一步到位。根据波士顿咨询公司(BCG)的统计预 测报告，到2025年，自动驾驶汽车的渗透率为12.9％，预计到2035年，自动驾 驶汽车的渗透率为24.8％。因此，在未来很长一段时间内，自动驾驶车和人工驾 驶车会同时在交通网络中运行，因此研究自动驾驶车异质交通流的交通特性就尤 为重要。同时，目前自动驾驶车的行车数据非常少。

另一方面，需要建立符合实际场景的自动驾驶车异质交通流多车道换道模 型。由于实际道路是一个存在换道和多车道的复杂场景，我们需要对这些复杂场 景下的交通流特征和演化机理进行深入研究，分析车辆换道的车辆密度区间以及 换道提升的车辆通行效率。

发明内容

为解决上述技术问题，本发明提出一种自动驾驶车异质交通流下的多车道换 道方法及***以满足分析自动驾驶车异质交通流多车道换道的车辆密度区间以 及换道提升的车辆通行效率的需求。

本发明为达上述目的所提出的技术方案如下：

一种自动驾驶车异质交通流多车道换道方法，其特征在于，包括如下步骤：

S1、建立基于元胞自动机的自动驾驶车异质交通流多车道交通流模型；

S2、在安全性原则和行车时间原则下制定自动驾驶车异质交通流多车道换道 规则；

S3、通过微观仿真获得自动驾驶车异质交通流多车道换道的微观仿真基本图 并分析自动驾驶车异质交通流多车道换道的动力学特征之间的关系；

S4、给出所述动力学特征之间解析表达式并进行仿真验证。

进一步地：

步骤S1中，所述自动驾驶车异质交通流多车道交通流模型是在NaSch交通 流模型的基础上，结合自动驾驶车的跟车行为并将单一车辆类型扩展到自动驾驶 车和人工驾驶车的混合车流后得到的自动驾驶车异质交通流多车道NaSch交通 流模型。

进一步地：

所述自动驾驶车异质交通流多车道NaSch交通流模型包括速度更新规则：

如果该车辆是人工驾驶车辆，则根据所述NaSch交通流模型，v_i(t)表示第i 辆车在t时刻的速度，v_max表示最大车速，d_i(t)表示第i辆车在t时刻与第i+1辆 车之间的车距，速度更新公式如下：

v_i(t+1)＝min{v_i(t)+1，v_max，d_i(t)} (1)

考虑随机慢化概率q后，人工驾驶车则有q的概率在速度更新后进行减速：

如果该车辆是自动驾驶车辆，并能够最多收集前面k辆车的信息，v_i(t)表示 第i辆车在t时刻的速度，v_max表示最大车速，d_i(t)表示第i辆车在t时刻与第i+1 辆车之间的车距，

表示第i+1辆车收集的前方k-1辆车运动状态而 形成的虚拟速度，则第i辆车速度更新公式如下：

假如前一辆车也是自动驾驶车辆，则第i+1辆车虚拟速度如下：

假如前一辆车为人工驾驶车，则第i+1辆车虚拟速度如下：

进一步地：

所述自动驾驶车异质交通流多车道NaSch交通流模型还包括位置更新规则：

x_i(t+1)＝x_i(t)+v_i(t+1) (6)

其中x_i(t)表示第i辆车在t时刻的位置。

进一步地：

步骤S2中，所述自动驾驶车异质交通流多车道换道规则包括：

两车道换道需满足以下三个条件：

d_i(t)＜v_i(t) (7)

d_{i，otherfront}(t)＞d_i(t) (8)

d_{i，otherback}(t)＞d_safe (9)

其中d_i(t)表示第i辆车在t时刻与第i+1辆车之间的车距；d_{i，otherfront}(t)表示 在t时刻第i辆车与另一个车道的前车之间的车距；d_{i，otherback}(t)表示在t时刻第i 辆车与另一个车道的后车之间车距；d_safe表示安全车距；

进一步地：

所述自动驾驶车异质交通流多车道换道规则还包括：

三车道左车道换道需满足以下三个条件：

d_i(t)＜v_i(t) (10)

d_{i，otherfront}(t)＞d_i(t) (11)

d_{i，otherback}(t)＞d_safe (12)

其中d_i(t)表示左车道第i辆车在t时刻与同车道前方第i+1辆车之间的车距；d_{i，otherfron}t(t)表示在t时刻第i辆车与中间车道的前车之间的车距；d_{i，otherback}(t) 表示在t时刻第i辆车与中间车道的后车之间车距；

同时，在左车道换道时，还需要判断右车道的车辆是否会进入同一个元胞中， 若也满足换道条件而要进入同一个元胞，则左车道和右车道的车辆各有50％的概 率进入中间车道，若左车道换道，则右车道不换道，反之，相同。

进一步地：

步骤S3中，所述动力学特征包括车辆密度、自动驾驶车比例、自动驾驶车 可探测度、最大车速、随机慢化概率和车流量。

进一步地：

步骤S4中，所述解析表达式是当车道中的车流为异质交通流时，对自动驾 驶车的分布进行初始化，在初始化分布下给出的。

进一步地：

步骤S4中，所述仿真验证是通过解析表达式图像和所述微观仿真基本图进 行对比来验证解析表达式的正确性。

本发明还提出一种自动驾驶车异质交通流多车道换道***，使用上述的方法 进行自动驾驶车异质交通流多车道换道。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有一 个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现 上述方法的步骤。

本发明具有如下有益效果：

本发明建立了自动驾驶车异质交通流多车道换道模型，可以模拟未来城市交 通网络中的道路通行状况，相比于传统的换道规则，本发明将自动驾驶车之间的 通信(跟车特性)考虑在内，更符合实际情况；

本发明使用微观仿真技术对自动驾驶车异质交通流的动力学特征进行了仿 真分析，对自动驾驶车异质交通流的交通特性研究及自动驾驶车的推广应用具有 重要意义；

本发明提供的自动驾驶车异质交通流多车道换道***，可实现自动驾驶车异 质交通流多车道换道。

附图说明

图1是本发明实施例自动驾驶车异质交通流多车道换道方法的步骤关系图；

图2是本发明实施例的自动驾驶车异质交通流两车道换道模型示意图；

图3是本发明实施例的自动驾驶车异质交通流三车道模型左车道换道模型 示意图；

图4是本发明实施例的自动驾驶车异质交通流三车道模型中间车道换道模 型示意图；

图5是本发明实施例的自动驾驶车异质交通流三车道模型右车道换道模型 示意图；

图6A-6F是本发明实施例在不同自动驾驶车比例下两车道原模型与换道模 型的流密基本图对比；

图7A-7F是本发明实施例在不同随机慢化概率下两车道原模型与换道模型 的流密基本图对比；

图8A-8J是本发明实施例在不同自动驾驶车可探测度下两车道原模型与换 道模型的流密基本图对比；

图9A-9F是本发明实施例在不同自动驾驶车比例下三车道原模型与换道模 型的流密基本图对比。

图10A-10F是本发明实施例在不同随机慢化概率下三车道原模型与换道模 型的流密基本图对比；

图11A-11J是本发明实施例在不同自动驾驶车可探测度下三车道原模型与 换道模型的流密基本图对比；

图12是本发明实施例在不考虑随机慢化概率下，无拥堵时人工驾驶车流运 行理论图；

图13是本发明实施例在不考虑随机慢化概率下，拥堵时人工驾驶车流运行 理论图；

图14A-14D是本发明实施例在不考虑随机慢化概率下，人工驾驶车流理论 解与仿真解的流密基本图对比；

图15是本发明实施例在不考虑随机慢化概率下，无拥堵时自动驾驶车流运 行理论图；

图16是本发明实施例在不考虑随机慢化概率下，拥堵时自动驾驶车流运行 理论图；

图17A-17D是本发明实施例在不考虑随机慢化概率下，自动驾驶车流理论 解与仿真解的流密基本图对比；

图18是本发明实施例在考虑随机慢化概率下，无拥堵时人工驾驶车流运行 理论图；

图19是本发明实施例在考虑随机慢化概率下，拥堵时人工驾驶车流运行理 论图；

图20A-20D是本发明实施例在考虑随机慢化概率下，人工驾驶车流理论解 与仿真解的流密基本图对比；

图21是本发明实施例在不考虑随机慢化概率下，无拥堵时异质驾驶车流运 行理论图；

图22是本发明实施例在不考虑随机慢化概率下，且自动驾驶车占率0.2，拥 堵时异质驾驶车流运行理论图；

图23A-23D是本发明实施例在不考虑随机慢化概率下，且自动驾驶车占率 0.2，异质驾驶车流理论解与仿真解的流密基本图对比；

图24是本发明实施例中不考虑随机慢化概率下，且自动驾驶车占率0.8，拥 堵时异质驾驶车流运行理论图；

图25A-25D是本发明实施例中不考虑随机慢化概率下，且自动驾驶车占率 0.8，异质驾驶车流流理论解与仿真解的流密基本图对比；

图26是本发明实施例中考虑随机慢化概率下，无拥堵时异质驾驶车流运行 理论图；

图27是本发明实施例中考虑随机慢化概率下，且自动驾驶车占率0.2，拥堵 时异质驾驶车流运行理论图；

图28A-28D是本发明实施例中考虑随机慢化概率下，且自动驾驶车占率0.2， 异质驾驶车流流理论解与仿真解的流密基本图对比；

图29是本发明实施例中考虑随机慢化概率下，且自动驾驶车占率0.8，拥堵 时异质驾驶车流运行理论图；

图30A-30D是本发明实施例中考虑随机慢化概率下，且自动驾驶车占率0.8， 异质驾驶车流流理论解与仿真解的流密基本图对比。

具体实施方式

以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例 性的，而不是为了限制本发明的范围及其应用。

需要说明的是，术语“第一”、“第二”、“左”、“右”仅用于描述目的， 而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由 此，限定有“第一”、“第二”“左”、“右”的特征可以明示或者隐含地包括 一个或者更多该特征。

本发明提供一种自动驾驶车异质交通流多车道换道方法，首先建立一种基于 元胞自动机微观仿真的自动驾驶车异质交通流的多车道交通流仿真模型；然后在 考虑安全性原则和行车时间原则下，制定关于自动驾驶车异质交通流的多车道换 道规则。该方法考虑了自动驾驶车的跟车特性，能够研究不同的自动驾驶车比例、 自动驾驶车可探测度、车辆密度、随机慢化概率对车道的交通流的影响，并通过 平均车流量来衡量当前车道的通行效率。

本发明实施例提供一种基于元胞自动机微观仿真的自动驾驶车异质交通流 多车道换道方法，具体包括以下步骤1至4：

步骤1、建立基于元胞自动机的自动驾驶车异质交通流多车道NaSch (Nagel-Schreckenberg)交通流模型。该自动驾驶车异质交通流多车道NaSch交 通流模型的规则如下：

(一)速度更新

如果该车辆是人工驾驶车辆，则根据所述自动驾驶车异质交通流多车道 NaSch交通流模型，v_i(t)表示第i辆车在t时刻的速度，v_max表示最大车速，d_i(t) 表示第i辆车在t时刻与第i+1辆车之间的车距，速度更新公式如下：

v_i(t+1)＝min{v_i(t)+1，v_max，d_i(t)} (1)

考虑随机慢化概率q后，人工驾驶车则有q的概率在速度更新后进行减速：

如果该车辆是自动驾驶车辆，并能够最多收集前面k辆车的信息，v_i(t)表示 第i辆车在t时刻的速度，v_max表示最大车速，d_i(t)表示第i辆车在t时刻与第i+1 辆车之间的车距，

表示第i+1辆车收集的前方k-1辆车运动状态而 形成的虚拟速度。则第i辆车速度更新公式如下：

假如前一辆车也是自动驾驶车辆，则第i+1辆车虚拟速度如下：

假如前一辆车为人工驾驶车，则第i+1辆车虚拟速度如下：

(二)位置更新

位置更新公式如下：

x_i(t+1)＝x_i(t)+v_i(t+1) (6)

其中x_i(t)表示第i辆车在t时刻的位置。

在所述自动驾驶车异质交通流多车道NaSch交通流模型的规则中，自动驾 驶车可探测度代表自动驾驶车最多可以探测前方k辆车的行驶状态，若前方为人 工驾驶车，则前方的车辆信息就不能继续探测。在这个自动驾驶车规则下，就会 形成自动驾驶车行车编队，最多以k+1辆车的编队形式在车道中行驶。

步骤2、在考虑安全性原则和行车时间原则下，制定关于自动驾驶车异质交 通流的多车道换道规则。

自动驾驶车异质交通流中的车辆需要同时满足车辆换道的安全性原则和行 车时间原则才可以换道。在当前车辆发生拥堵时，需要判断当前车辆与另一个车 道的前车之间的距离是否满足行车时间原则，同时需要判断当前车辆与另一个车 道的后车之间的距离是否满足安全性原则。

(一)两车道换道

两车道换道规则的车道图如图2所示，其中d_i(t)表示第i辆车在t时刻与第i+ 1辆车之间的车距；d_{i，otherfront}(t)表示在t时刻第i辆车与另一个车道的前车之间 的车距；d_{i，otherback}(t)表示在t时刻第i辆车与另一个车道的后车之间车距；d_safe表示安全车距。

车辆换道需要满足以下三个条件：

d_i(t)＜v_i(t) (7)

d_{i，otherfront}(t)＞d_i(t) (8)

d_{i，otherback}(t)＞d_safe (9)

d_i(t)＜v_i(t)表示在t时刻第i辆车发生拥堵情况；d_{i，otherfront}(t)＞d_i(t)表示 在t时刻第i辆车与另一个车道的前车之间的车距要大于当前车道该车辆与前车 的车距；d_{i，otherback}(t)＞d_safe表示在t时刻第i辆车与另一个车道的后车之间车距 大于安全车距。当满足以上条件时，该车辆可以换道。

(二)三车道换道

三车道左车道换道规则的车道图如图3所示，其中d_i(t)表示左车道第i辆车 在t时刻与第i+1辆车之间的车距；d_{i，otherfront}(t)表示在t时刻第i辆车与中间车 道的前车之间的车距；d_{i，otherback}(t)表示在t时刻第i辆车与中间车道的后车之间 车距。

同样的，三车道左车道换道也需要满足以下三个条件：

d_i(t)＜v_i(t) (10)

d_{i，otherfront}(t)＞d_i(t) (11)

d_{i，otherback}(t)＞d_safe (12)

同时，在左车道换道时，还需要判断右车道的车辆是否会进入同一个元胞中， 若也满足换道条件而要进入同一个元胞，则左车道和右车道的车辆各有50％的概 率进入中间车道，若左车道换道，则右车道不换道，反之，相同。

三车道中间车道换道规则的车道图如图4所示，中间车道的车辆先与左车道 进行比较，判断是否满足换道条件，再与右车道的车辆进行比较，判断是否满足 换道条件。若只有左车道满足换道条件，则中间车道的车辆换到左车道。若只有 右车道满足换道条件，则中间车道的车辆换到右车道。若两边都满足换道规则， 则需要判断d_{i，leftfront}(t)和d_{i，rightfront}(t)的大小，若d_{i，leftfront}(t)＞d_{i，rightfront}(t)， 则中间车道的车辆换到左车道；若d_{i，leftfront}(t)＜d_{i，rightfront}(t)，则中间车道的 车辆换到右车道；若d_{i，leftfront}(t)＝d_{i，rightfront}(t)，则各有50％的概率换道，若 换到左车道，则不换到右车道，若换到右车道，则不换到左车道。

三车道右车道换道规则的车道图如图5所示，其换道规则与左车道的换道规 则相同。

步骤3、通过微观仿真，利用交通流基本图分析在多车道换道情况下，车辆 密度、自动驾驶车比例、自动驾驶车可探测度、最大车速、随机慢化概率和车流 量之间的关系。

(一)两车道换道微观仿真基本图

在两车道换道情况下，对不同的车辆密度的封闭环道模型进行微观仿真。不 同自动驾驶车比例r下两车道换道微观仿真基本图(“流-密”图)如图6A-6F所 示，在全为自动驾驶车时，换道对提高车流量没有效果。在不全为自动驾驶车时， 自动驾驶车比例越小，换道对提高车流量的效果越明显，且在接近临界车辆密度 时换道才会提高车流量。

不同人工驾驶车随机慢化概率q下两车道换道微观仿真基本图(“流-密”图) 如图7A-7F所示，除了随机慢化概率为1的情况，人工驾驶车的随机慢化概率 越大，换道对提高车流量的效果越明显。

不同自动驾驶车可探测度下两车道换道微观仿真基本图(“流-密”图)如 图8A-8JB所示，可视度k的数值代表可探测度的大小，在自动驾驶车可视度k 小于10时，随着k的增加，换道对提高车流量的效果越明显；在自动驾驶车可视 度k大于10时，随着k的增加，换道对提高车流量的效果无明显变化。

(二)三车道换道微观仿真基本图

在三车道换道情况下，对不同的车辆密度的封闭环道模型进行微观仿真。不 同自动驾驶车比例r下三车道换道微观仿真基本图(“流-密”图)如图9A-9F 所示，在全为自动驾驶车时，换道对提高车流量没有效果；在不全为自动驾驶车 时，自动驾驶车比例越小，换道对提高车流量的效果越明显，且在接近临界车辆 密度时换道才会提高车流量。

不同人工驾驶车随机慢化概率q下三车道换道微观仿真基本图(“流-密”图) 如图10A-10F所示，在随机慢化概率为1的情况下，换道对提高车流量没有效 果；在随机慢化概率小于1的情况下，人工驾驶车的随机慢化概率越大，换道对 提高车流量的效果越好。同时，随着随机慢化概率的变大，三车道换道对提高车 流量的效果比两车道更明显。

不同自动驾驶车可探测度下三车道换道微观仿真基本图(“流-密”图)如 图11A-11J所示，可视度k的数值代表可探测度的大小，可视度k小于10时，随 着自动驾驶车可视度k的增加，换道对提高车流量的效果越明显，同时三车道换 道对提高车流量的效果比两车道明显。当可视度k大于10时，随着k的增加，换 道对提高车流量的效果无明显变化。

通过仿真实验，结果显示，在所述自动驾驶车异质交通流多车道NaSch交 通流模型中，在接近临界车辆密度的一段区间内，换道方法可以提升平均车流量。 车辆密度过小时换道不影响车流量，车辆密度过大时基本不存在换道行为。同时， 三车道换道的效率比两车道换道的效率更高。

步骤4、给出车辆密度、自动驾驶车比例、自动驾驶车可视度、最大车速、 随机慢化概率和车流量之间通用的解析表达式，并通过解析表达式图像和步骤3 中得到的微观仿真基本图(“流-密”图)进行对比来验证解析表达式的正确性。

当车道中的车流分别为人工驾驶车道、自动驾驶车道时给出通用的解析表达 式；当车道中的车流为异质交通流时对自动驾驶车的分布进行初始化，在初始化 分布下给出异质交通流基本图的解析表达式。通过解析表达式图像和仿真结果基 本图进行对比来验证解析表达式的正确性。

(一)同质交通流

同质交通流分为人工驾驶车流和自动驾驶车流。对于人工驾驶车需要考虑随 机慢化概率，不存在跟车行为；对于自动驾驶车流，不存在随机慢化概率，存在 跟车行为。

·不考虑随机慢化概率

人工驾驶车流

当车辆密度较小时，每辆车以最大速度v_max行驶。当车道无拥堵时，人工驾 驶车流运行的仿真图如图12所示。

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

F＝v_maxρ (13)

其中F为车辆流量，ρ为车辆密度。

当车辆密度较大时，则会产生拥堵，每辆车的速度为v。当车道发生拥堵时， 人工驾驶车流运行的仿真图如图13所示。

从图13可知，车辆密度ρ与速度v之间的关系如下所示：

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

F＝vρ＝1-ρ (15)

如图14A-14D所示，通过元胞自动机微观仿真，验证了不考虑随机慢化下 不同最大车速(v_max＝1，5，10，20)的人工车流“流-密”解析表达式的正确性。 其中“·”为仿真解，“-”为理论解，可以发现仿真解都落在理论解上，说明 该理论证明正确。

自动驾驶车流

当车辆密度较小时，每辆车以最大速度v_max行驶。当车道无拥堵时，自动驾 驶车流运行的仿真图如图15所示，其中k表示自动驾驶车可视度，k+1则为最 大跟车长度。

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

F＝v_maxρ (16)

其中F为车辆流量，ρ为车辆密度。

当车辆密度较大时，则会产生拥堵，每辆车的速度为v。当车道发生拥堵时， 自动驾驶车流运行的仿真图如图16所示。

从上图可知，车辆密度ρ与速度v之间的关系如下所示：

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

F＝vρ＝k+1-(k+1)ρ (18)

如图17A-17D所示，通过元胞自动机微观仿真，验证了不同最大车速(v_max＝ 1，5，10，20)的自动驾驶车流“流-密”解析表达式的正确性。其中“·”为仿真 解，“-”为理论解，可以发现仿真解都落在理论解上，说明该理论证明正确。

·考虑随机慢化概率

人工驾驶车流

假设人工驾驶车的随机慢化概率q为0.25。当车辆密度较小时，每辆车以最 大速度v_max行驶，但是会有比例q的车辆减速，用E(F)表示多次实验后的车流量 的均值，当车道无拥堵时，人工驾驶车流运行的仿真图如图18所示。

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

E(F)＝(v_max-q)ρ (19)

其中ρ为车辆密度。

当车辆密度较大时，则会产生拥堵，每辆车的速度为v。当车道发生拥堵时， 人工驾驶车流运行的仿真图如图19所示。

从上图可知，车辆密度ρ与速度v之间的关系如下所示：

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

E(F)＝vρ-q＝1-ρ-q+ρq (21)

如图20A-20D所示，通过元胞自动机微观仿真，验证了考虑随机慢化下不 同最大车速(v_max＝1，5，10，20)的人工车流“流-密”解析表达式的正确性。其 中“·”为仿真解，“-”为理论解，可以发现仿真解都落在理论解均值附近， 说明该理论证明正确。

(二)异质交通流

异质交通流是人工驾驶车和自动驾驶车混合的车流。对于人工驾驶车需要考 虑随机慢化概率，不存在跟车行为；对于自动驾驶车流，不存在随机慢化概率， 存在跟车行为。对异质交通流的“流-密”解析表达式进行推导时，需要先确定 车辆的分布情况。在本次研究中，假设自动驾驶车的比例为r，以十辆车作为一 个循环，其中，车队中前面会有10(1-r)辆人工驾驶车，车队中后面会有10r 辆自动驾驶车。

·不考虑随机慢化概率

当车辆密度较小时，每辆车以最大速度v_max行驶。当车道无拥堵时，异质交 通流运行的仿真图如图21所示，其中l表示车队中后车的自动驾驶车车队长度。

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

F＝v_maxρ (22)

其中F为车辆流量，ρ为车辆密度。

当k≥l时(r＝0.2)

以自动驾驶车比例为0.2为例，当车辆密度较大时，则会产生拥堵，每辆车 的速度为v。当车道发生拥堵时，且k≥l时，异质交通流运行的仿真图如图22 所示。

从上图可知，车辆密度ρ与速度v之间的关系如下所示：

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

如图23A-23D所示，通过元胞自动机微观仿真，验证了不考虑随机慢化下， 且k≥l时，不同最大车速(v_max＝1，5，10，20)的异质交通流“流-密”解析表达 式的正确性。其中“·”为仿真解，“-”为理论解，可以发现仿真解都落在理 论解上，说明该理论证明正确。

当k＜l时(r＝0.8)

以自动驾驶车比例为0.8为例，当车辆密度较大时，则会产生拥堵，每辆车 的速度为v。当车道发生拥堵时，且k＜l时，异质交通流运行的仿真图如图24 所示。

从图24可知，车辆密度与速度之间的关系如下所示：

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

如图25A-25D所示，通过元胞自动机微观仿真，验证了不考虑随机慢化下， 且k＜l时，不同最大车速(v_max＝1，5，10，20)的异质交通流“流-密”解析表达 式的正确性。其中“·”为仿真解，“-”为理论解，可以发现仿真解都落在理 论解上，说明该理论证明正确。

·考虑随机慢化概率

假设人工驾驶车的随机慢化概率q为0.25。当车辆密度较小时，每辆车以最 大速度v_max行驶，但是人工驾驶车会有比例q的车辆减速，而自动驾驶车不减速。 因此平均速度可以表示为：

v_average＝rv_max+(1-r)[q(v_max-1)+(1-q)v]＝v_max-q+qr (27)

用E(F)表示多次实验后的车流量的均值，当车道无拥堵时，异质交通流运行 的仿真图如图26所示。

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

E(F)＝v_averageρ＝(v_max-q+qr)ρ (28)

当k≥l时(r＝0.2)

当车辆密度较大时，则会产生拥堵，每辆车的速度为v。当车道发生拥堵时， 且k≥l时，异质交通流运行的仿真图如图27所示。

从图27可知，车辆密度ρ与速度v之间的关系如下所示：

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

通过元胞自动机微观仿真，图28A-28D验证了考虑随机慢化下，且k≥l时， 不同最大车速(v_max＝1，5，10，20)的异质交通流“流-密”解析表达式的正确性。 其中“·”为仿真解，“-”为理论解，可以发现仿真解都落在理论解上，说明 该理论证明正确。

当k＜l时(r＝0.8)

当车辆密度较大时，则会产生拥堵，每辆车的速度为v。当车道发生拥堵时， 且k＜l时，异质交通流运行的仿真图如图29所示。

从上图可知，车辆密度ρ与速度v之间的关系如下所示：

根据所述自动驾驶车异质交通流多车道NaSch交通流模型理论，其理论关 系如下所示：

如图30A-30D所示，通过元胞自动机微观仿真，验证了不考虑随机慢化下， 且k＜l时，不同最大车速(v_max＝1，5，10，20)的异质交通流“流-密”解析表达 式的正确性。其中“·”为仿真解，“-”为理论解，可以发现仿真解都落在理 论解上，说明该理论证明正确。

本发明实施例提供一种自动驾驶车异质交通流多车道换道***，使用自动驾 驶车异质交通流多车道换道方法进行自动驾驶车异质交通流多车道换道。

本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定 是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术 的承认。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能 认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员 来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而 且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种自动驾驶车异质交通流多车道换道方法，其特征在于，包括如下步骤：

S1、建立基于元胞自动机的自动驾驶车异质交通流多车道交通流模型；

S2、在安全性原则和行车时间原则下制定自动驾驶车异质交通流多车道换道规则；

S3、通过微观仿真获得自动驾驶车异质交通流多车道换道的微观仿真基本图并分析自动驾驶车异质交通流多车道换道的动力学特征之间的关系；

S4、给出所述动力学特征之间解析表达式并进行仿真验证。

2.根据权利要求1所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，步骤S1中，所述自动驾驶车异质交通流多车道交通流模型是在NaSch交通流模型的基础上，结合自动驾驶车的跟车行为并将单一车辆类型扩展到自动驾驶车和人工驾驶车的混合车流后得到的自动驾驶车异质交通流多车道NaSch交通流模型。

3.根据权利要求2所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，所述自动驾驶车异质交通流多车道NaSch交通流模型包括速度更新规则：

如果该车辆是人工驾驶车辆，则根据所述NaSch交通流模型，v_i(t)表示第i辆车在t时刻的速度，v_max表示最大车速，d_i(t)表示第i辆车在t时刻与第i+1辆车之间的车距，速度更新公式如下：

v_i(t+1)＝min{v_i(t)+1,v_max,d_i(t)} (1)

考虑随机慢化概率q后，人工驾驶车则有q的概率在速度更新后进行减速：

如果该车辆是自动驾驶车辆，并能够最多收集前面k辆车的信息，v_i(t)表示第i辆车在t时刻的速度，v_max表示最大车速，di(t)表示第i辆车在t时刻与第i+1辆车之间的车距，

表示第i+1辆车收集的前方k-1辆车运动状态而形成的虚拟速度，则第i辆车速度更新公式如下：

假如前一辆车也是自动驾驶车辆，则第i+1辆车虚拟速度如下：

假如前一辆车为人工驾驶车，则第i+1辆车虚拟速度如下：

。

4.根据权利要求3所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，所述自动驾驶车异质交通流多车道NaSch交通流模型还包括位置更新规则：

x_i(t+1)＝x_i(t)+v_i(t+1) (6)

其中x_i(t)表示第i辆车在t时刻的位置。

5.根据权利要求1所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，步骤S2中，所述自动驾驶车异质交通流多车道换道规则包括：

两车道换道需满足以下三个条件：

d_i(t)<v_i(t) (7)

d_i,otherfront(t)>d_i(t) (8)

d_i,otherback(t)>d_safe (9)

其中d_i(t)表示第i辆车在t时刻与第i+1辆车之间的车距；d_i,otherfront(t)表示在t时刻第i辆车与另一个车道的前车之间的车距；d_i,otherback(t)表示在t时刻第i辆车与另一个车道的后车之间车距；d_safe表示安全车距。

6.根据权利要求5所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，所述自动驾驶车异质交通流多车道换道规则还包括：

三车道左车道换道需满足以下三个条件：

d_i(t)<v_i(t) (10)

d_i,otherfront(t)>d_i(t) (11)

d_i,otherback(t)>d_safe (12)

其中d_i(t)表示左车道第i辆车在t时刻与同车道前方第i+1辆车之间的车距；d_i,otherfront(t)表示在t时刻第i辆车与中间车道的前车之间的车距；d_i,otherback(t)表示在t时刻第i辆车与中间车道的后车之间车距；

同时，在左车道换道时，还需要判断右车道的车辆是否会进入同一个元胞中，若也满足换道条件而要进入同一个元胞，则左车道和右车道的车辆各有50％的概率进入中间车道，若左车道换道，则右车道不换道，反之，相同。

7.根据权利要求1所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，步骤S3中，所述动力学特征包括车辆密度、自动驾驶车比例、自动驾驶车可探测度、最大车速、随机慢化概率和车流量。

8.根据权利要求1所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，步骤S4中，所述解析表达式是当车道中的车流为异质交通流时，对自动驾驶车的分布进行初始化，在初始化分布下给出的。

9.根据权利要求1所述的一种自动驾驶车异质交通流多车道换道方法，其特征在于，步骤S4中，所述仿真验证是通过解析表达式图像和所述微观仿真基本图进行对比来验证解析表达式的正确性。

10.一种自动驾驶车异质交通流多车道换道***，其特征在于，使用权利要求1-9任一项所述的方法进行自动驾驶车异质交通流多车道换道。

Images