CN113345268A - 基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的cav换道决策方法 - Google Patents

Abstract

本发明公开了基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，包括：构建强制换道场景；计算混合交通流处于平衡态时四种类型车辆的存在概率，基于车道管理策略计算自动驾驶专用车道和通用车道的交通量，构建混合交通流运行条件；CAV选择在CAV换道模型的成本函数值J最小时进行换道。本发明基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法分析CAV驶离CAV‑L对交通状态的影响，建立CAV换道意图生成点位置与换道决策模型，研究成果为未来的高速公路混合交通流管理提供重要的技术指导，也为高速公路自动驾驶专用车道部署落地提供理论基础。

Description

基于自动驾驶专用车道部署场景下高速公路下匝道分流区域 的CAV换道决策方法

技术领域

本发明属于智能交通技术领域，涉及基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法。

背景技术

近年，随着人工智能技术的日益成熟，自动驾驶技术的研发由纯理论研究逐渐转向理论研究与具体实车测试相结合，这意味着今后车辆行驶的交通模式将进入CAV与人工驾驶车辆(Human Manual Vehicles,HMV)混行的阶段。然而，自动驾驶技术的普及受到较多因素限制，如受众接受程度、道路基础设施匹配程度、相关法律法规等，在技术达到成熟的过程中交通模式仍需要经历一段较长时间的CAV与HMV混行的阶段。此外，由于混合交通流(指CAV与HMV混行的混合交通流)特性及其安全性尚不明晰。故，众多交通学者提出适当在高速公路部署自动驾驶专用车道(Connected and Automated Vehicles Dedicated Lane，CAV-L)的设想，通过合理布设自动驾驶专用车道以分离混合交通流，达到提高通行效率和交通安全的目的。

已有研究证明设置自动驾驶专用车道的必要性和可行性，并构建优化模型获取专用车道部署的最佳方案，且大部分研究仅考虑平衡态下主线通行能力，建立解析模型或者运用仿真技术分析CAV-L的收益，忽略了CAV驶离/驶入对交通流的影响，该区域属于限制高速公路通行能力的瓶颈区，其运行效率决定了整体高速公路的运行质量。因此，有必要研究CAV驶离/驶入CAV-L对交通状态的影响，建立CAV换道决策方法，保障CAV换道安全。

发明内容

为了达到上述目的，本发明提供基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，分析CAV驶离CAV-L对交通状态的影响，建立CAV换道意图生成点位置与换道决策模型；然后在此基础上构建不同影响因素下的换道成本函数，并解析在不同影响因素下CAV行驶效率性与换道安全性的最佳平衡点，最后综合考虑行驶效益与换道安全性，提出CAV换道决策模型，并通过数值与仿真分析不同交通需求、不同换道准备距离及不同CAV的市场渗透率p下CAV换道对交通安全的影响，解决了现有技术中存在的忽略CAV驶离/驶入对交通流影响的问题。

本发明所采用的技术方案是，基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，包括以下步骤：

构建高速公路下自动驾驶专用车道行驶的CAV在下匝道分流区域的强制换道场景；

在强制换道场景下，计算混合交通流处于平衡态时四种类型车辆的存在概率，基于车道管理策略计算自动驾驶专用车道和通用车道的交通量，构建混合交通流运行条件；

构建CAV换道模型的成本函数，CAV选择在CAV换道模型的成本函数值J最小时进行换道。

本发明的有益效果是：

(1)本发明实施例针对部署CAV-L的高速公路，分析CAV驶离CAV-L对交通状态的影响，建立CAV换道意图生成点位置与换道决策模型；然后在此基础上构建不同影响因素下的换道成本函数，并解析在不同影响因素下CAV行驶效率性与换道安全性的最佳平衡点，最后综合考虑行驶效益与换道安全性，提出CAV换道决策模型及方法，并通过数值与仿真分析不同交通需求、不同换道准备距离及不同CAV的市场渗透率p下CAV换道对交通安全的影响；

(2)本发明实施例考虑了CAV之间自编队技术，并基于CAV与HMV的的混合交通流特性提出了一个动态的道路通行能力计算方法，与实际相符，符合未来自动驾驶车辆与传统车混行的大环境；

(3)本发明实施例分析交通需求D、换道准备距离S和CAV的市场渗透率p对CAV换道决策的影响，研究不同条件下CAV换道意图生成点位置分布规律及车辆CAV从自动驾驶车道成功换道进入下匝道的概率，并在此基础上提出成本函数以耦合换道安全与效率性，进而构建混合交通流下的CAV换道决策模型；

(4)本发明实施例设计了一个4车道高速路场景，分别进行数值分析与案例仿真，结果表明：车辆CAV从自动驾驶车道成功换道进入下匝道的概率受到交通需求、换道准备距离S和CAV的市场渗透率p联合影响，CAV的市场渗透率p和换道准备距离S的增长可以提高车辆CAV从自动驾驶车道成功换道进入下匝道的概率，交通需求的增大会降低CAV换道的机会；交通流安全性指标TIT在与数值分析同等条件下的变化趋势是相同的；另外，当p<50％、D>4000(veh.h^-1)时，CAV车辆CAV从自动驾驶车道成功换道进入下匝道的概率低于30％且随着交通需求的增加最终趋近于0，而当p>70％时，通过合理划分专用车道换道准备距离，车辆CAV从自动驾驶车道成功换道进入下匝道的概率能够提高30％～50％、TIT能够降低30％～50％；研究成果可以为未来的高速公路混合交通流管理提供重要的技术指导，也可以为高速公路自动驾驶专用车道部署落地提供理论基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的高速公路自动驾驶专用道车辆下匝道强制换道场景图。

图2是本发明实施例的混合交通流平衡态车头时距分布图。

图3是本发明实施例的数值与仿真分析场景图。

图4a是本发明实施例交通量为2400veh.h^-1时车辆CAV从自动驾驶车道成功换道进入下匝道的概率数值分析结果图。

图4b是本发明实施例交通量为3200veh.h^-1时车辆CAV从自动驾驶车道成功换道进入下匝道的概率数值分析结果图。

图4c是本发明实施例交通量为4000veh.h^-1时车辆CAV从自动驾驶车道成功换道进入下匝道的概率数值分析结果图。

图4d是本发明实施例交通量为4800veh.h^-1时车辆CAV从自动驾驶车道成功换道进入下匝道的概率数值分析结果图。

图4e是本发明实施例交通量为5600veh.h^-1时车辆CAV从自动驾驶车道成功换道进入下匝道的概率数值分析结果图。

图4f是本发明实施例交通量为6400veh.h^-1时车辆CAV从自动驾驶车道成功换道进入下匝道的概率数值分析结果图。

图5a是本发明实施例交通量为2400veh.h^-1时的α＝0.3成本函数分析结果图。

图5b是本发明实施例交通量为3200veh.h^-1时的α＝0.3成本函数分析结果图。

图5c是本发明实施例交通量为4000veh.h^-1时的α＝0.3成本函数分析结果图。

图5d是本发明实施例交通量为4800veh.h^-1时的α＝0.3成本函数分析结果图。

图5e是本发明实施例交通量为5600veh.h^-1时的α＝0.3成本函数分析结果图。

图5f是本发明实施例交通量为6400veh.h^-1时的α＝0.3成本函数分析结果图。

图6a是本发明实施例交通量为2400veh.h^-1时的α＝0.5成本函数分析结果图。

图6b是本发明实施例交通量为3200veh.h^-1时的α＝0.5成本函数分析结果图。

图6c是本发明实施例交通量为4000veh.h^-1时的α＝0.5成本函数分析结果图。

图6d是本发明实施例交通量为4800veh.h^-1时的α＝0.5成本函数分析结果图。

图6e是本发明实施例交通量为5600veh.h^-1时的α＝0.5成本函数分析结果图。

图6f是本发明实施例交通量为6400veh.h^-1时的α＝0.5成本函数分析结果图。

图7a是本发明实施例交通量为2400veh.h^-1时的α＝0.7成本函数分析结果图。

图7b是本发明实施例交通量为3200veh.h^-1时的α＝0.7成本函数分析结果图。

图7c是本发明实施例交通量为4000veh.h^-1时的α＝0.7成本函数分析结果图。

图7d是本发明实施例交通量为4800veh.h^-1时的α＝0.7成本函数分析结果图。

图7e是本发明实施例交通量为5600veh.h^-1时的α＝0.7成本函数分析结果图。

图7f是本发明实施例交通量为6400veh.h^-1时的α＝0.7成本函数分析结果图。

图8a是本发明实施例交通量为2400veh.h^-1时的仿真分析结果图。

图8b是本发明实施例交通量为3200veh.h^-1时的仿真分析结果图。

图8c是本发明实施例交通量为4000veh.h^-1时的仿真分析结果图。

图8d是本发明实施例交通量为4800veh.h^-1时的仿真分析结果图。

图8e是本发明实施例交通量为5600veh.h^-1时的仿真分析结果图。

图8f是本发明实施例交通量为6400veh.h^-1时的仿真分析结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，包括以下步骤：

S10、构建高速公路下于自动驾驶专用车道行驶的CAV在下匝道分流区域的强制换道场景：如图1所示，高速公路总车道数量为H个车道，H≥4，距离下匝道最远的车道为l_A条自动驾驶专用车道(CAV-L)，l_A＝1,2...H-1；第1条自动驾驶专用车道为第H车道，第l_A条自动驾驶专用车道为第H+1-l_A条车道，与第l_A条自动驾驶专用车道靠近下匝道一侧相邻的通用车道为第H-l_A条车道，第H-l_A条车道靠近下匝道一侧相邻的通用车道为第H-l_A-1车道，直至第1车道，第1车道与下匝道相邻；

当行驶在自动驾驶专用车道上的CAV产生驶出高速公路的意图时，CAV先从自动驾驶专用车道换道至通用车道(General Lanes，GL)，再从通用车道换道至下匝道(Ramp)，最后从下匝道驶出高速公路，其中，CAV换道意图生成点为A断面，第H车道的换道区域横向距离为LC_H，最晚换道横向距离为L_H；第H+1-l_A条车道的换道区域横向距离为

最晚换道横向距离为

第H-l_A条车道的换道区域横向距离为

最晚换道横向距离为

第H-l_A-1车道的换道区域横向距离为

最晚换道横向距离为

CAV完成强制换道后在第一车道的行进保持区域为LK₁，换道终止点为B，S指换道准备距离，即CAV换道意图生成点A与换道终止点B的横向位移。

“换道区域横向距离”表示CAV进行换道决策的区域在交通流方向上的投影距离。

“最晚换道横向距离”表示在“换道区域横向距离”终点时，开始换道，CAV预计所需换道执行时间内CAV所行驶的距离在交通流方向上的投影距离。

本申请涉及“横向”均指沿交通流方向上的投影距离。

S20、在S10的强制换道场景下，计算混合交通流处于平衡态时四种类型车辆的存在概率，基于车道管理策略计算自动驾驶专用车道和通用车道的交通量，构建混合交通流运行条件，为后续构建CAV换道决策模型奠定基础：

其中，计算混合交通流处于平衡态时四种类型车辆的存在概率的过程，具体为：

首先，提供CAV编队理论：智能网联环境下，由于具备V2V、V2X通信技术，同一方向、同一车道上空间分布连续的CAV会寻找机会主动形成智能网联车队，并进行编队行驶，考虑到车间通信的有效范围和稳定性，智能网联车队通常具有一定的规模限制(智能网联车队规模上限为u)，当智能网联车队规模r超过u时，后续CAV组建为另一个智能网联车队；

其次，基于上述CAV编队理论，高速公路上混有智能网联车队的混合交通流存在4种类型车辆，如图2所示，分别为：传统人工驾驶车辆HMV、跟驰CAV的智能网联车队簇头车辆AVC、跟驰HMV的智能网联车队簇头车辆AVH以及智能网联车队内的CAV，传统人工驾驶车辆HMV的跟车时距t_HMV＝2s，跟驰CAV的智能网联车队簇头车辆AVC的跟车时距t_AVC＝1.1s，跟驰HMV的智能网联车队簇头车辆AVH的跟车时距t_AVH＝1.5s，智能网联车队内的CAV的跟车时距t_CAV＝0.6s；

再次，计算混合交通流处于平衡态时上述四种类型车辆的存在概率：当混有智能网联车队的混合交通流中CAV的市场渗透率为p时，则上述4种类型车辆的存在概率，如式(1)所示：

式(1)中，p_HMV表示传统人工驾驶车辆HMV的存在概率，p_AVH表示跟驰HMV的智能网联车队簇头车辆AVH的存在概率，p_AVC表示跟驰CAV的智能网联车队簇头车辆AVC的存在概率，p_CAV表示智能网联车队内的CAV的存在概率，r表示智能网联车队规模，本申请r范围优选取2～6，单位是辆(veh)；

其中，基于车道管理策略计算自动驾驶专用车道和通用车道的交通量，具体为：

首先，车道管理策略为：CAV优先在自动驾驶专用车道CAV-L上行驶，当CAV需求大于自动驾驶专用车道的最大通行能力时，则剩余CAV被分配在通用车道GL上行驶，CAV与HMV都拥有通用车道GL的路权；

根据上述车道管理策略，首先计算自动驾驶专用车道CAV-L的交通量q_A，如式(2)所示：

q_A＝min(pD,l_AC_A),l_A＝1,2…H-1 (2)；

式中，p为CAV的市场渗透率，D为高速公路交通需求，单位为veh.h^-1，l_A为自动驾驶专用车道的数量，C_A为自动驾驶专用车道的通行能力，单位为veh.h^-1，本申请C_A优选为3200veh.h^-1，H为高速公路总车道数量；

其次，计算通用车道的交通量q_mix，如式(3)所示：

q_mix＝D-q_A (3)；

其中，构建混合交通流运行条件，具体为：

初始混合交通流保持均衡状态，各车辆到达服从泊松分布，各车辆间保持合适间距运行，且不考虑通用车道GL上原有车辆的换道行为；

强制换道场景换道意图生成点A距离下一个下匝道出入口的距离足够远，对当前的车辆换道决策无影响；

一定时间内驶离自动驾驶专用车道的CAV有限。

S30、构建CAV换道决策模型：

首先、构建CAV换道模型的成本函数：真实高速公路下匝道场景中，CAV对换道意图生成点A的位置选择实际上是基于换道安全性与行驶效率性这两个矛盾的因素进行综合权衡与决策的。因此，本发明实施例建立了一个CAV换道模型的成本函数，以耦合安全与效率，具体计算如式(4)所示：

式(4)中，J表示CAV换道模型的成本函数，α为行驶效率性与换道安全性的权重参数，其值越大则表明越注重CAV的行驶效率，其值越小表明越注重CAV的换道安全性，T_total表示CAV换道准备时间，T_max表示车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ≥95％时对应的换道准备时间，ρ表示车辆CAV从自动驾驶车道成功换道进入下匝道的概率。

CAV选择在CAV换道模型的成本函数值J最小时开始进行换道，即J最小值处为CAV的换道意图生成点A断面，确定CAV换道模型的成本函数值J的关键变量是换道准备时间T_total和车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ，其中，换道准备时间T_total的计算由换道准备距离S与第i条车道(i＝2～H)车流的平均行驶速度v_i确定，如式(5)和式(6)所示：

式中，H表示高速公路总车道数量；LC_i表示第i车道的换道区域横向距离，i表示车道序号标识，i＝2～H；L_i表示第i车道的最晚换道横向距离。

v_i表示第i条车道车流的平均行驶速度，计算方式如式(7)所示:

式中，

表示第i条车道车流的自由流速度，k_i为第i条车道车流的当前车流密度，

表示第i条车道车流的阻塞密度。

车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的计算过程，具体为：

基于伯努利概型，本申请将CAV寻找可穿越间隙的换道过程抽象为单次换道实验成功概率为ξ的二项分布问题：假设CAV在1小时内进行n次换道实验，单次换道实验成功概率为ξ，单次换道试验失败概率为1-ξ，当前车头时距t满足可接受安全换道车头时距t_c，则开始进行换道，否则无响应并进行下一次换道实验。n次实验换道成功率为

计算如式(8)所示：

根据式(8)，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的计算，如式(9)所示：

式(9)中，n_i表示CAV从i车道换入i-1车道过程中生成的换道实验次数。

因此，ρ的计算转化为对单次换道实验成功概率ξ、CAV从i车道换入i-1车道过程中生成的换道实验次数n_i的求解。

其中，单次换道实验成功概率ξ的计算，具体为：可接受安全换道车头时距为t_c且其分布满足车头时距密度概率分布函数f(t)，则单次换道实验成功概率ξ即为当前车头时距t满足可接受安全换道车头时距为t_c概率，即等于大于t_c的车头时距分布占总体车头时距分布的概率，其计算如式(10)所示：

其中，f(t)表示车头时距密度概率分布函数，t表示车头时距，假设车辆到达服从泊松分布，f(t)的计算如式(11)所示：

f(t)＝λe^-λt (11)；

式(11)中，λ为单位时间间隔内车辆的平均达到率，单位是辆/s；t为车头时距，单位是s；e是自然指数。

当CAV需求大于自动驾驶专用车道的通行能力时，则会向通用车道汇入，在通用车道上形成混合交通流，形成智能网联车队，当混合交通流稳定时，车辆不再进行新的编队，更新通用车道的交通量、通用车道车头时距概率密度分布函数和CAV单次换道实验成功概率，得到CAV从i车道换入i-1车道过程中生成的换道实验次数n_i，更新过程具体为：

CAV-L上的车辆始终是处于稳定状态，所有车辆保持恒定车头时距稳定运行，因此不考虑其形成网联车队，当CAV需求大于自动驾驶专用车道的通行能力时，则会向通用车道汇入，在通用车道上形成混合交通流，形成智能网联车队，智能网联车队分为簇头车辆跟随CAV的网联车队F₁和簇头车辆跟随AVH的网联车队F₂的两种，溢出的自动驾驶车辆CAV在通用车道GL上的渗透率为

形成簇头车辆跟随CAV的网联车队F₁的概率为

形成簇头车辆跟随AVH的网联车队F₂的概率为

r表示智能网联车队规模，

的计算如式(12)所示，

的计算如式(13)所示：

式中，p_AVC表示跟驰CAV的智能网联车队簇头车辆AVC的存在概率；p_CAV表示智能网联车队内的CAV的存在概率，p_AVH表示跟驰HMV的智能网联车队簇头车辆AVH的存在概率。

由式(12)和式(13)计算出形成智能网联车队中的CAV车辆总数Q_F，如式(14)所示，智能网联车队的数量N_F，F表示车队标识，即车队F₁与车队F₂，如式(15)所示：

上式中，q_mix表示通用车道的交通量。

当车流稳定时，车辆不再进行新的编队，由于智能网联车队中车辆之间跟车时距较小(0.6s)，故可以把一个智能网联车队当作一辆“大车”，从而通用车道GL的交通量更新为Q_new，其计算如式(16)所示：

通用车道GL车头时距概率密度分布函数更新为

其计算如式(17)所示：

式(17)中，其中，单位时间间隔内车辆的平均达到率λ更新为

t为车头时距。

由此可得CAV单次换道实验成功概率更新为

其计算如式(18)所示：

因此，CAV从i车道换入i-1车道过程中生成的换道实验次数n_i，其计算如式(19)所示：

式中，T_(i,i-1)表示车辆CAV从i车道换入i-1车道的换道剩余时间，n表示CAV在1小时内可进行换道实验的理论次数，即从当前车道换入至下一车道的最大理论CAV数量，H为高速公路总车道数量。

接下来求解车辆从i车道换入i-1车道的换道剩余时间T_(i,i-1)，其计算如式(20)所示，约束条件如式(21)、式(22)所示：

式中，

表示CAV从i车道换入至i-1车道的换道操作执行时间，v_i-1表示第i-1条车道车流的平均行驶速度，

表示CAV从i车道换至i-1车道的横向位置，x_i表示CAV换道前在i车道的横向位置。

CAV在1小时内可进行换道实验的理论次数n的计算，具体为：

车辆跟车时距为t_g，t_c表示可接受安全换道车头时距，当t_c≤t≤t_c+t_g时，表示允许一辆车穿越；当t_c+(j-1)t_g≤t≤t_c+jt_g时，允许j辆车穿越，则理论上出现允许j辆车穿越的间隙的概率P_j为：

由此可得CAV在1小时内可进行换道实验的理论次数n的计算，如式(24)所示：

式中，

表示渗透率

下混合流平均车头时距，

表示溢出的自动驾驶车辆CAV在通用车道GL上的渗透率，t_HMV为HMV车辆车头时距，1.8s；t_AVH为AVH车辆车头时距，1.5s；t_AVC为AVC车辆车头时距，1.1s；t_CAV为车辆CAV车头时距，0.6s；r表示智能网联车队规模。

综合上述，得到高速公路下匝道分流区域的CAV换道决策模型：CAV车辆选择在CAV换道模型的成本函数值J最小处开始换道，即求解式(4)的最小值，基于式(5)至式(26)可得：

CAV从i车道换入i-1车道过程中生成的换道实验次数n_i的计算方法如下：

数值与仿真分析

场景设定：

强制换道场景如图3所示，路段最内侧车道4为自动驾驶专用车道CAV-L，外侧车道1-3均为通用车道GL，各车道属性参数如表1所示。

表1强制换道场景中各车道属性参数

车道编号	最低限速(m/s)	最高限速(m/s)	阻塞密度(veh/km)	t<sub>g</sub>(s)	t<sub>c</sub>(s)
						车道1	16.7	22.2	125	2.0	8
车道2	22.2	27.8	125	1.8	8
						车道3	27.8	33.3	125	1.5	8
车道4	27.8	33.3	125	1.1	8

数值分析：

(1)车辆CAV从自动驾驶车道成功换道进入下匝道的概率影响因素分析

基于以上场景，运用本发明实施例所提的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，分析换道准备距离S、自动驾驶专用车道和通用车道的交通量和CAV的市场渗透率p对CAV换道行为的影响，结果如图4a～图4f所示。从换道准备距离S层面考虑，图4a～图4f均表现为随着换道准备距离S的增加，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ也随之提高。但车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的增长率随着换道准备距离S的增加而降低，即换道准备距离S数值较小时其对车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的影响相对换道准备距离S数值较大时更为强烈。此外，图4a～图4f表明，当CAV的市场渗透率p较低且换道准备距离S小于500m时，CAV换道车辆没有足够的横向距离执行换道过程,因而车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ逼近于0。

从自动驾驶专用车道和通用车道的交通量层面考虑，当自动驾驶专用车道和通用车道的交通量变大时，则平均车头时距

小，使得理论上出现允许j辆车穿越的间隙的概率P_j小，导致换道车辆在在1小时内可进行换道实验的理论次数n亦随之减少，故n次实验换道成功率

随之降低。另一方面，随着平均车头时距变小，对于单次伯努利实验来说，单次换道实验成功概率ξ降低，因而图像上呈现出规律性地波动。图4a～图4b表明当交通量低于3200(veh.h^-1)时，随交通量的增加，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的下降速率是相对缓和的，图4c～图4f表明当交通量高于3200(veh.h^-1)时，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的下降速率是急剧的，且当交通量高于4800(veh.h^-1)时，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ逼近于0。

从CAV的市场渗透率p层面考虑，公知常识已知设置自动驾驶专用车道CAV-L的必要条件是CAV的市场渗透率p大于30％，因此本申请具体实施例基于CAV的市场渗透率p的分析从30％开始，随着CAV的市场渗透率p的增加，自动驾驶专用车道CAV-L能分担更多交通量，从而通用车道的交通量Q_new压力减少，即通用车道GL平均车头时距3600/Q_new变大，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ随之增加。从图4a～图4f可以看出，当CAV的市场渗透率p高于50％时，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ涨幅显著，并且最终逐渐逼近100％。

综上所述，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ由换道准备距离S、自动驾驶专用车道和通用车道的交通量和CAV的市场渗透率p共同决定，当换道准备距离S越大时，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ也越高，然而增加的换道准备距离S会增加换道频率、降低自动驾驶专用车道CAV-L的运行效率，同时还会对交通流施加更多的扰动，从而降低行驶安全性，因此平衡行驶安全性与运行效率性成为自动驾驶专用道管理面临的主要问题。

(2)不同影响因素下成本函数分析

根据式(4)所提的CAV换道模型的成本函数，需要对式中两个因变量在一个数量级上进行求和，因此需对T_total/T_max进行归一化处理，通过对行驶效率性与换道安全性的权重参数α进行标定，可以计算CAV换道模型的成本函数在不同因素下的极小值点，最终确定在不同影响因素下车辆行驶效率与换道安全性的最佳平衡点。本节分别以α＝0.3、α＝0.5、α＝0.7三种情形进行分析，即分别考虑侧重换道车辆安全性、安全性与行驶效率同等侧重、侧重行驶效率三种情况，得到分析结果如图5a～图7f所示。图5a～图7f均表明CAV换道模型的成本函数值J随着CAV的市场渗透率p的变化会出现明显的拐点，即其与换道准备距离S并非呈现逐级递减关系，表明换道准备距离S的增加在一方面会提高行驶安全性，另一方面却也会损失车辆行驶效率性。具体来看，当交通量为2400、3200、4000、4800、5600、6400(veh.h^-1)时，其对应CAV换道模型的成本函数拐点分别对应于45％、60％、70％、80％、90％、95％的CAV的市场渗透率p。在不同交通量下，当CAV低于对应拐点CAV的市场渗透率p时，通过提高换道准备距离S可以显著优化成本函数，而当高于对应拐点CAV的市场渗透率p时，此时由于自动驾驶专用车道利用率达到最大，且通用车道形成更多的智能网联车队而会产生更多的可穿越间隙，换道安全性对换道准备距离S的要求较小，因此成本函数会随着换道准备距离S的增加呈现回涨的现象，且当S越大，其回涨幅度也越大。此外，当交通量较高时，若CAV的市场渗透率p较低，即使提高换道准备距离S也不能优化CAV换道模型的成本函数，当交通量为5600(veh.h^-1)时，CAV的市场渗透率p至少要达到50％，CAV换道模型的成本函数才会有所优化，而当交通量高于6400(veh.h^-1)时，CAV的市场渗透率p则至少要达到70％。

从图5a～图5f可以看出，当低于对应拐点CAV的市场渗透率p时，CAV换道模型的成本函数优化空间与幅度最大，且当高于对应拐点CAV的市场渗透率p下的回涨幅度较小，图6a～图6f次之，图7a～图7f表现最为糟糕。图7a～图7f表明，虽然在对应拐点CAV的市场渗透率p下成本函数相较于图5a～图5f、图6a～图6f表现更优，然而一旦高于拐点CAV的市场渗透率p，其CAV换道模型的成本函数回涨幅度巨大，最终呈现负优化状态。综上所述，当交通量低于4000(veh/h/lane)时，以α＝0.3的CAV换道模型的成本函数表现更优，当交通量高于4000(veh/h/lane)时，以α＝0.5的CAV换道模型的成本函数表现更优。结果表明，当交通量低时，可穿越间隙更多、换道压/阻力更小，要以换道安全性为侧重，当交通量较高时，换道安全性与行驶效率性要同等侧重。

仿真分析

(1)仿真实验设计

为检验本发明实施例所提高速公路下匝道分流区域的CAV换道决策模型的有效性，使用SUMO仿真软件搭建了与图3同等场景下的仿真环境。在仿真实验中，跟随CAV的智能网联车队整体采用CACC跟驰模型，跟随HMV的智能网联车队整体及未形成智能网联车队的CAV均采用ACC跟驰模型，换道模型采用SUMO仿真内置的LC2013模型，CAV-L车辆到达速度设置为33.3m/s，GL车辆到达速度在16.7～33.3m/s范围内随机确定，CAV-L下匝道需求车辆比例设置为0.1倍q_A，仿真主要侧重于模拟下匝道交通流运行情况，仿真时间为1h，仿真步长为0.1s。

基于车辆微观仿真数据，应用替代安全措施SSM(Surrogate Safety Measures)中的交通安全评价代理指标TIT(Time Integrated Time-to-collision)评价交通流运行安全性，如式(29)～式(30)所示：

式中，TTC_ω(τ)为第ω辆车在第τ时刻的碰撞时间，TTC^*表示碰撞时间阈值，取3s，Δτ为仿真时间步长，设置为0.1s，Ω为仿真中总的冲突车辆数，Γ为仿真总步长，设置为3600s，

为τ时刻冲突点前车位置，x_ω(τ)为τ时刻冲突点后车位置，l为车长，取5m，v_ω-1(τ)为τ时刻冲突点前车速度，v_ω(τ)为τ时刻冲突点后车速度。

考虑到仿真中4种车型空间位置的随机性，各CAV的市场渗透率p下均独立仿真3次并取均值，作为该CAV的市场渗透率p下的仿真结果。

(2)仿真结果分析

根据上述进行仿真实验，得到图8a～图8f仿真结果。从交通量上看，在数值分析中表现为车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ随着交通量增加而减小，在仿真中TIT趋势呈现出随着交通量增加而增加，即交通流运行安全风险提高，这与现实情况是相符的。同时，图8a～图8b表明，当交通量低于3200(veh.h^-1)时，其整体TIT水平较低，这与数值分析中体现的高车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ是相符的，即在这种交通流条件下，换道车辆能成功驶入下匝道且对交通流影响较小，图8c～图8f表明，当交通量高于3200(veh.h^-1)时，其整体TIT水平开始显著提高，这与数值分析中的车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ降低是相符的，即此时换道车辆会对整体交通流产生显著影响，需要对换道准备距离S进行合理划定，以最大程度减小影响；

从CAV的市场渗透率p上看，TIT整体水平表现为随着CAV的市场渗透率p的提高而降低，在数值分析结果中同样表现出，随着CAV的市场渗透率p的提升，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ也随之提高，即CAV的提升会对交通流运行产生增益效果。同时，图8a～图8b表明，当交通量低于3200(veh.h^-1)时，CAV的市场渗透率p在50％以上就可以对交通流产生显著增益，当交通量在3200～5600(veh.h^-1)时，CAV的市场渗透率p要在70％以上才会对整体交通流产生增益，当交通量高于5600(veh.h^-1)时，CAV的市场渗透率p要达到85％以上才会有效果；从换道准备距离S上看，图8a～图8f表明，随着换道准备距离S的增加，其整体TIT水平是降低的，这与数值分析中车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的提升是相符的。同时，图8d～图8f表明，当交通量高于4000(veh.h^-1)时，增加换道准备距离S会显著降低TIT。

综上所述，下匝道区域交通流安全水平受到自动驾驶专用车道和通用车道的交通量、CAV的市场渗透率p及换道准备距离S的共同影响，并且仿真分析结果与数值分析结果具有相同的变化趋势，这也表明，根据自动驾驶专用车道和通用车道的交通量和CAV的市场渗透率p合理划定换道准备距离S对提升车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ和CAV行驶效率性和交通流安全性具有显著增益。

需要说明的是，在本申请中，诸如第一、第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，包括以下步骤：

构建高速公路下自动驾驶专用车道行驶的CAV在下匝道分流区域的强制换道场景；

在强制换道场景下，计算混合交通流处于平衡态时四种类型车辆的存在概率，基于车道管理策略计算自动驾驶专用车道和通用车道的交通量，构建混合交通流运行条件；

构建CAV换道模型的成本函数，CAV选择在CAV换道模型的成本函数值J最小时进行换道。

2.根据权利要求1所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，所述构建高速公路下自动驾驶专用车道行驶的CAV在下匝道分流区域的强制换道场景，具体为：

高速公路总车道数量为H个车道，距离下匝道最远的车道为l_A条自动驾驶专用车道，l_A＝1,2...H-1；第1条自动驾驶专用车道为第H车道，第l_A条自动驾驶专用车道为第H+1-l_A条车道，与第l_A条自动驾驶专用车道靠近下匝道一侧相邻的通用车道为第H-l_A条车道，第H-l_A条车道靠近下匝道一侧相邻的通用车道为第H-l_A-1车道，直至第1车道，第1车道与下匝道相邻；

当行驶在自动驾驶专用车道上的CAV产生驶出高速公路的意图时，CAV先从自动驾驶专用车道换道至通用车道，再从通用车道换道至下匝道，最后从下匝道驶出高速公路，其中，CAV换道意图生成点为A断面，第H车道的换道区域横向距离为LC_H，最晚换道横向距离为L_H；第H+1-l_A条车道的换道区域横向距离为

最晚换道横向距离为

第H-l_A条车道的换道区域横向距离为

最晚换道横向距离为

第H-l_A-1车道的换道区域横向距离为

最晚换道横向距离为

CAV完成强制换道后在第一车道的行进保持区域为LK₁，换道终止点为B，S指换道准备距离。

3.根据权利要求1所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，所述计算混合交通流处于平衡态时四种类型车辆的存在概率，具体为：

提供CAV编队理论：智能网联环境下，同一方向、同一车道上空间分布连续的CAV寻找机会主动形成智能网联车队，并进行编队行驶，智能网联车队规模r超过u时，后续CAV组建为另一个智能网联车队；

基于CAV编队理论，高速公路上混有智能网联车队的混合交通流存在4种类型车辆，分别为：传统人工驾驶车辆HMV、跟驰CAV的智能网联车队簇头车辆AVC、跟驰HMV的智能网联车队簇头车辆AVH以及智能网联车队内的CAV；

当混有智能网联车队的混合交通流中CAV的市场渗透率为p时，则4种类型车辆的存在概率，如式(1)所示：

式(1)中，p_HMV表示传统人工驾驶车辆HMV的存在概率；p_AVH表示跟驰HMV的智能网联车队簇头车辆AVH的存在概率；p_AVC表示跟驰CAV的智能网联车队簇头车辆AVC的存在概率；p_CAV表示智能网联车队内的CAV的存在概率。

4.根据权利要求1所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，所述基于车道管理策略计算自动驾驶专用车道和通用车道的交通量，构建混合交通流运行条件，具体为：

车道管理策略：CAV优先在自动驾驶专用车道上行驶，当CAV需求大于自动驾驶专用车道的最大通行能力时，则剩余CAV被分配在通用车道上行驶，CAV与HMV都拥有通用车道的路权；

根据车道管理策略，首先计算自动驾驶专用车道的交通量q_A，如式(2)所示：

q_A＝min(pD,l_AC_A),l_A＝1,2…H-1 (2)；

式(2)中，D表示高速公路交通需求，单位为veh.h^-1；l_A为自动驾驶专用车道的数量；C_A为自动驾驶专用车道的通行能力，单位为veh.h^-1；H为高速公路总车道数量，p为混合交通流中CAV的市场渗透率；

其次，计算通用车道的交通量q_mix，如式(3)所示：

q_mix＝D-q_A (3)；

构建混合交通流运行条件：初始混合交通流保持均衡状态，各车辆到达服从泊松分布，各车辆间保持合适间距运行，且不考虑通用车道GL上原有车辆的换道行为；强制换道场景换道意图生成点A距离下一个下匝道出入口的距离足够远，对当前的车辆换道决策无影响；一定时间内驶离自动驾驶专用车道的CAV有限。

5.根据权利要求1所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，所述CAV换道模型的成本函数，如式(4)所示：

式(4)中，J表示CAV换道模型的成本函数值；α为行驶效率性与换道安全性的权重参数；T_total表示CAV换道准备时间，T_max表示车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ≥95％时对应的换道准备时间；ρ表示车辆CAV从自动驾驶车道成功换道进入下匝道的概率。

6.根据权利要求1所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，所述CAV选择在CAV换道模型的成本函数值J最小时开始进行换道，具体为：J最小值处为CAV的换道意图生成点A断面，确定CAV换道模型的成本函数值J的关键变量是换道准备时间T_total和车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ，其中，换道准备时间T_total的计算如式(5)和式(6)所示：

式中，LC_i表示第i车道的换道区域横向距离，i表示车道序号标识，i＝2～H；L_i表示第i车道的最晚换道横向距离；v_i表示第i条车道车流的平均行驶速度，计算方式如式(7)所示：

式(7)中，

表示第i条车道车流的自由流速度，k_i为第i条车道车流的当前车流密度，

表示第i条车道车流的阻塞密度；

所述车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的计算过程，具体为：假设CAV在1小时内进行n次换道实验，单次换道实验成功概率为ξ，单次换道试验失败概率为1-ξ，当前车头时距t满足可接受安全换道车头时距t_c，则开始进行换道，否则无响应并进行下一次换道实验，n次实验换道成功率为

计算如式(8)所示：

根据式(8)，车辆CAV从自动驾驶车道成功换道进入下匝道的概率ρ的计算，如式(9)所示：

式(9)中，n_i表示CAV从i车道换入i-1车道过程中生成的换道实验次数；

所述单次换道实验成功概率ξ，等于大于t_c的车头时距分布占总体车头时距分布的概率，其计算如式(10)所示：

式(10)中，f(t)表示车头时距密度概率分布函数，假设车辆到达服从泊松分布，f(t)的计算如式(11)所示：

f(t)＝λe^-λt (11)；

式(11)中，λ为单位时间间隔内车辆的平均达到率，单位是辆/s；e是自然指数。

7.根据权利要求6所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，当CAV需求大于自动驾驶专用车道的通行能力时，则会向通用车道汇入，在通用车道上形成混合交通流，形成智能网联车队，当混合交通流稳定时，车辆不再进行新的编队，更新通用车道的交通量、通用车道车头时距概率密度分布函数和CAV单次换道实验成功概率，得到CAV从i车道换入i-1车道过程中生成的换道实验次数n_i，更新过程具体为：

当CAV需求大于自动驾驶专用车道的通行能力时，则会向通用车道汇入，在通用车道上形成混合交通流，形成智能网联车队，智能网联车队分为簇头车辆跟随CAV的网联车队F₁和簇头车辆跟随AVH的网联车队F₂两种，溢出的自动驾驶车辆CAV在通用车道GL上的渗透率为

形成簇头车辆跟随CAV的网联车队F₁的概率为

形成簇头车辆跟随AVH的网联车队F₂的概率为

的计算如式(12)所示，

的计算如式(13)所示：

计算形成的智能网联车队中的CAV车辆总数Q_F，如式(14)所示，智能网联车队的数量N_F，如式(15)所示：

当车流稳定时，车辆不再进行新的编队，通用车道的交通量更新为Q_new，其计算如式(16)所示：

通用车道车头时距概率密度分布函数更新为

其计算如式(17)所示：

由此可得CAV单次换道实验成功概率更新为

其计算如式(18)所示：

因此，CAV从i车道换入i-1车道过程中生成的换道实验次数n_i，其计算如式(19)所示：

式中，T_(i,i-1)表示车辆CAV从i车道换入i-1车道的换道剩余时间，n表示CAV在1小时内可进行换道实验的理论次数。

8.根据权利要求7所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，所述车辆CAV从i车道换入i-1车道的换道剩余时间T_(i,i-1)，其计算如式(20)所示，约束条件如式(21)、式(22)所示：

式中，

表示CAV从i车道换入至i-1车道的换道操作执行时间，v_i-1表示第i-1条车道车流的平均行驶速度，

表示CAV从i车道换至i-1车道的横向位置，x_i表示CAV换道前在i车道的横向位置。

9.根据权利要求6所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，所述CAV在1小时内可进行换道实验的理论次数n的计算，具体为：

车辆跟车时距为t_g，当t_c≤t≤t_c+t_g时，表示允许一辆车穿越；当t_c+(j-1)t_g≤t≤t_c+jt_g时，允许j辆车穿越，则理论上出现允许j辆车穿越的间隙的概率P_j为：

由此可得CAV在1小时内可进行换道实验的理论次数n的计算，如式(24)所示：

式中，

表示渗透率

下混合流平均车头时距，

表示溢出的自动驾驶车辆CAV在通用车道上的渗透率，t_HMV表示传统人工驾驶车辆HMV的跟车时距，t_AVH表示跟驰HMV的智能网联车队簇头车辆AVH的跟车时距，t_AVC表示跟驰CAV的智能网联车队簇头车辆AVC的跟车时距，t_CAV表示智能网联车队内的CAV的跟车时距。

10.根据权利要求5～9中任一项所述的基于自动驾驶专用车道部署场景下高速公路下匝道分流区域的CAV换道决策方法，其特征在于，计算所述CAV换道模型的成本函数值J的最小值函数，如式(27)所示：

CAV从i车道换入i-1车道过程中生成的换道实验次数n_i的计算方法如式(28)所示：

Images