題目：《Automated vehicle-involved traffic flow studies: A survey of assumptions, models, speculations, and perspectives》

期刊：Transportation Research Part C

發(fā)表時間：2021年3月

作者：Haiyang Yu, Rui Jiang, Zhengbing He, Zuduo Zheng, Li Li, Runkun Liu, Xiqun Chen

領(lǐng)域：自動駕駛，交通流模型，綜述

推薦指數(shù)：*****

1 研究背景和方法

近年來，通過對自動駕駛技術(shù)的研究發(fā)現(xiàn)：AV具有改善道路安全、節(jié)約能源消耗、減少車輛排放、增加道路容量和穩(wěn)定交通等能力，預(yù)示著AV在未來的交通系統(tǒng)中將發(fā)揮著至關(guān)重要的作用。

論文作者對近年來涉及自動駕駛的交通流模型進(jìn)行了系統(tǒng)梳理總結(jié)，從不同的細(xì)節(jié)層次考察了基于自動駕駛的駕駛策略設(shè)計、交通系統(tǒng)管理以及由此產(chǎn)生的交通動態(tài)之間的關(guān)系，對現(xiàn)有模型和方法的優(yōu)缺點進(jìn)行了批判性的討論，并提出了未來的研究方向。

2 模型假設(shè)

人類駕駛車輛模型

論文作者根據(jù)Saifuzzaman and Zheng (2014) 對于影響人類駕駛車輛跟馳行為因素研究，將人類駕駛車輛模型影響因素進(jìn)行重新排列，詳細(xì)見表1。

AV模型

AV屬于人類駕駛車輛基礎(chǔ)上的擬人化，因此AV模型要在人類駕駛車輛模型基礎(chǔ)上建模。表4.1中人類駕駛車輛模型因素中的（a）～（d）不適用于AV模型，但仍然適用于尚未開發(fā)好的AV；對于成熟的AV，因素(e)和(f)要小得多；因素(g)～(o)與AV相關(guān)且更復(fù)雜，它們?nèi)Q于所考慮的AV的類型和所設(shè)計的策略；因素(g)-(j)反映了自動駕駛技術(shù)的不同復(fù)雜程度；因素(k)需要仔細(xì)考慮；因素(l)適用于AV，因為發(fā)展良好的AV應(yīng)該具備采用不同駕駛策略來應(yīng)對周圍環(huán)境變化的能力。

事實上，大多數(shù)跟馳模型(無論是人類駕駛車輛還是AV)都直接描述了外在的“結(jié)果”，而不是觸及內(nèi)在的“原因”，以保持模型的簡單性。通常假設(shè)AV在理想情況下可以與其領(lǐng)先車輛保持較短的距離(間距和/或車頭時距)(Diakaki 等, 2015)；然而由此產(chǎn)生的間隙和/或車頭時距可能受到AV駕駛策略的顯著影響(Li等，2018b;Zhao等，2021)。

AV異質(zhì)性

近年來對人們對自動駕駛車輛性能的研究存在爭議，導(dǎo)致了涉及AV的交通建?；靵y。論文作者認(rèn)為對AV建模要遵循以下原則：

1. 根據(jù)其自動化水平建模

根據(jù)美國交通部國家公路交通安全管理局(NHTSA)采用的SAE國際標(biāo)準(zhǔn)J3016(2018)中自動化水平，將AV分為0～5級；但目前許多涉及自動駕駛的交通建模的論文并沒有明確說明所研究的AV的自動化水平。

2. 根據(jù)AV的通信能力建模

近年來，許多研究人員使用自適應(yīng)巡航控制(ACC)和合作自適應(yīng)巡航控制(CACC)兩個術(shù)語來表示AV的駕駛策略中是否存在連通性和協(xié)調(diào)性。根據(jù)SAE國際標(biāo)準(zhǔn)J3016(2018)的定義，acc型AV配備了1級駕駛輔助系統(tǒng)，假設(shè)能夠使用自身的傳感器檢測車輛周圍的環(huán)境狀況，然后根據(jù)檢測到的交通信息調(diào)整車輛的加減速；配備了CACC的車輛不僅擁有緊鄰前方車輛的信息(通過車載傳感器)，而且還擁有領(lǐng)先車輛或更靠前的車輛的信息，通過車對車(V2V)通信的關(guān)鍵參數(shù)，例如位置、速度、加速度(Michael 等, 1998;Van Arem等，2006;Arnaout and Arnaout, 2014)。獲得鄰近車輛精確位置和速度信息的能力使cac型AV能夠協(xié)調(diào)調(diào)整加減速控制，從而導(dǎo)致更順暢的交通(Wang, 2014;Diakaki等，2015)。

對于ACC型AV，通常假設(shè)感知閾值仍然存在，且適用表4.1中因素(h)；而對于CACC型AV，則假設(shè)感知閾值不存在，因素(h)不適用(Dey 等, 2016)。很少有研究明確考慮ACC型AV的時間或空間預(yù)測；而對于CACC型AV，這種預(yù)測可能存在，但處理方式往往與人類駕駛車輛考慮的因素有很大不同。

3. 根據(jù)AV工作原理和目標(biāo)建模

AV的目標(biāo)是實現(xiàn)某種最佳性能，這種性能標(biāo)準(zhǔn)會有所不同。Li和Wang(2007)認(rèn)為AV駕駛策略的設(shè)計者需要在多個目標(biāo)之間保持平衡，如安全性(Bonnefon 等, 2016)，駕駛效率(Li和Wang, 2006；Dresner and Stone, 2008;meng等，2018)和燃料效率(Wang等，2020b)。

以上是AV與人類駕駛車輛建模的不同之處，稱之為AV異質(zhì)性。不同廠家制造的AV可能有不同的性能考慮，不同的AV用戶在使用AV時可能會設(shè)置個性化的權(quán)衡(Zhao 等, 2021)，因此AV將有廣泛的駕駛需求，然而在目前的交通流研究中，構(gòu)建涉及AV跟馳模型時很少考慮駕駛需求的異質(zhì)性問題。

為便于討論，將論文中涉及的車輛分為三類：人類駕駛車輛（HV）、自動駕駛車輛（AV）和智能網(wǎng)聯(lián)車輛（CAV）。

3 自動駕駛交通流模型

微觀模型

1. 人類駕駛車輛與AV區(qū)別

HV和AV模型的分辨率水平不同。AV控制模型時間分辨率水平更小，在[0.1 s, 0.5 s]之內(nèi);而微觀流模型(如跟馳和換道模型)的時間分辨率水平在[0.5 s, 1 s]以內(nèi)，可以通過一些控制動作簡化和聚合來捕捉主要的交通流動態(tài)。如何將這些不同分辨率參數(shù)的車輛控制模型和交通流模型整合到一個統(tǒng)一的公式中，是未來有待解決的難點問題。

傳統(tǒng)人工駕駛車輛微觀模型的輸入是車輛運動的理想關(guān)鍵測量值(例如速度、車頭時距、間距)，輸出是連續(xù)時間跟馳模型的加速度和離散時間跟馳模型的速度(Treiber和Kesting, 2013b;Laval等，2014；He 等, 2015)。以上模型簡化有助于捕捉車輛動力學(xué)和交通流動力學(xué)的主要特征。

對于AV模型，需要研究自動駕駛的感知-識別-決策-行動循環(huán)中的每個組件。雖然輸出可以簡化為加速度/轉(zhuǎn)向值，類似于人類駕駛車輛交通流微觀模型，但輸入是來自各種傳感器的原始數(shù)據(jù)(例如激光點云數(shù)據(jù)，圖像/視頻數(shù)據(jù))。這些原始數(shù)據(jù)包含更豐富的信息，比人類駕駛員感知要復(fù)雜得多。

近年來，有學(xué)者提出微觀交通流中間模型，用于HV交通流研究和AV設(shè)計。中間模型輸入保持簡單，但不過于簡單，目的在于保持模型復(fù)雜性和模型精度之間的平衡。例如，Wang等(2021)提出的一種輸入表示方法。如圖1所示，每個交通快照都是一個二維占用網(wǎng)格，反映了被測車輛周圍的交通狀況。對于車輛占用的單元格，快照值設(shè)置為“1”；對于空單元格，快照值設(shè)置為“0”?？煺盏脑敿?xì)級別設(shè)置越高，它為AV的決策模型提供的信息就越豐富，輸入數(shù)據(jù)的冗余就越高。通過在模型的準(zhǔn)確性和簡便性之間進(jìn)行適當(dāng)?shù)臋?quán)衡，可以有效地將時變的局部交通流狀態(tài)轉(zhuǎn)換為易于由機器學(xué)習(xí)模型處理的二進(jìn)制向量。數(shù)值試驗表明，該公式可用于尋找更好的AV換道策略。

圖1：AV決策模型輸入的不同細(xì)節(jié)級別設(shè)置的說明

傳統(tǒng)HV交通流模型與AV模型差異表現(xiàn)在：前者研究旨在反映人類駕駛員的駕駛特征，而后者研究旨在追求更高的個人或系統(tǒng)駕駛效率?；谶@種差異的微觀交通流建模方法有：一是有研究人員修改經(jīng)典的微觀模型來描述AV的行為(Calvert和van Arem, 2020)，這種做法解決了HV和AV之間的重要差異，并且繼承了經(jīng)典微觀模型的一些有價值的特征，這種修改是否合理有待進(jìn)一步驗證。二是有研究人員提出幾種新的跟馳/換道模型，用以驗證對緩解交通擁堵和避免碰撞的問題的效果。這些新模型專門用于AV，具有與傳統(tǒng)微觀交通流模型不同的明顯特征。

2. 有代表性AV跟馳模型

對AV跟馳模型作以下假設(shè)：一是模型具有最佳性能；二是行駛過程中可根據(jù)不同駕駛狀態(tài)采用不同控制策略；三是行駛過程中所有不被模型很好地解釋的都視為噪聲/擾動。

直接描述駕駛員行為的心理物理-生理模型(Michaels, 1963;安德森和紹爾，2007;van Winsum, 1999)不適合應(yīng)用于AV，因為AV可以通過車載傳感器準(zhǔn)確測量其與領(lǐng)先車輛的差距；同樣傳統(tǒng)的刺激-反應(yīng)汽車跟馳模型(例如Chandler等(1958)和Gazis等(1961)提出的GHR模型)不被用于AV模型，因為這些模型描述的人類駕駛員的反應(yīng)與AV的反應(yīng)有很大不同。

最近有研究人員采用并修改了以下汽車跟馳模型來描述自動駕駛模型，如期望測量模型、安全距離模型、最優(yōu)速度模型和ACC/CACC控制器模型，下面分別說明這些模型的設(shè)計理念。

1）期望測量模型

模型假設(shè)車輛的目標(biāo)是同時達(dá)到期望速度和期望車頭時距。其中智能駕駛員模型(IDM)是該類模型的代表(Treiber等，2000;Treiber和Kesting, 2013a;2013 b)，它的數(shù)學(xué)定義如下：

上式中，amax為車輛最大加/減速度；v0為期望速度；δ為自由加速度指數(shù)，值通常為4；si(t)=△xi-1,i(t)-Li-1為目標(biāo)車輛i前端與領(lǐng)先車輛i-1后端的間距；Li-1為領(lǐng)先車輛長度；△xi-1,i(t)為t時刻目標(biāo)車輛i前端與領(lǐng)先車輛i-1位置差；vi(t)為t時刻車輛i的速度；與領(lǐng)先車輛的期望間距(用s*表示)定義為:

上式中，s0為擁擠交通中的最小凈距離；T0為領(lǐng)先車輛i-1的一個恒定的期望(安全)時間間隔。

Tapani(2012)和Li等(2017)考慮了ACC型AV的IDM模型，而Schakel等(2010)引入了修改后的IDM來建模CACC型AV，并研究了相關(guān)的交通流穩(wěn)定性問題。他們在方程(1)的自由流動項和相互作用項上應(yīng)用了最小值為：

其中IDM模型基本圖從HV的平滑頂部形狀變?yōu)锳V的三角形形狀。

Milan′e′es和Shladover (2014a)研究后指出，盡管IDM模型產(chǎn)生了平滑的汽車跟馳行為，但與ACC型和CACC型AV相比，IDM模型響應(yīng)更慢、間隙變化更大，IDM模型無法較好描述AV的一些重要特征。Sharma等(2019)將IDM與著名的前景理論集成在一起，描述了可以接收到周圍交通準(zhǔn)確實時信息的車輛跟馳策略，這些車輛仍由人類駕駛員操作；之后又使用改進(jìn)的IDM模型模擬混合交通，發(fā)現(xiàn)在給定的滲透率下，隊列中CAV車輛的空間布置對交通流效率和安全性有顯著影響(Sharma 等, 2020)。

其他研究人員提出新模型來討論如何同時達(dá)到AV的期望速度和期望車頭時距。以近期提交的三交通階段ACC (TPACC)模型為代表，該模型用于在三相交通理論框架中描述AV的行為(Kerner, 2016;2018年;2018 b;2019)。TPACC模型假設(shè)被試車輛的加速度變化如下：

上式中，K△v為動態(tài)系數(shù)；K1和K2為正值恒定系數(shù)；τp為模型參數(shù)；G為同步間隔距離。

TPACC模型是對交通崩潰的重要經(jīng)驗性總結(jié)(Kerner, 2016;2018年;2018 b;2019)。研究表明，與傳統(tǒng)ACC型AV相比，tpacc模型車輛在道路瓶頸處產(chǎn)生的速度擾動要小得多，從而降低了由HV和AV組成的混合交通流在瓶頸處發(fā)生交通崩潰的概率。

2）安全距離和避撞模型

與期望測量模型不同，安全距離模型側(cè)重于與領(lǐng)先車輛保持足夠距離，不是相對速度。與其他類型的AV跟馳模型相比，安全距離模型為AV預(yù)留較大的間隙(Chang and Lai, 1997；Olia等，2018;Ye和Yamamoto, 2018a)。

代表性模型有Shalev-Shwartz等(2018)提出新的責(zé)任敏感安全(RSS)概念推導(dǎo)AV避碰條件。他建議后車最前端與前車最后方之間的最小安全縱向間隙為:

上式中，[x]+:=max{x,0}，表示即使在最壞的情況下，兩輛車也不會相撞。例如領(lǐng)先車輛直到完全停車時的剎車最大距離為bmax,brake，其后車輛在反應(yīng)時間τ內(nèi)加速度不超過amax,accel，然后至少以減速度amin,brake制動停下來。

Li等(2018b)認(rèn)為以上模型過于保守，導(dǎo)致領(lǐng)先車輛和被測試車輛之間存在不必要的大差距，特別是在速度較高時(Zhao等，2021)。事實上，在跟車狀態(tài)下，兩輛連續(xù)車輛之間的速度應(yīng)該幾乎相同。Li 等(2018b)提出t時刻的安全差距應(yīng)為：

經(jīng)驗觀察表明，如果車速較高，人類駕駛員在制動時傾向于采用較大的減速率。因此在高速范圍內(nèi)經(jīng)驗平均車頭時距比在低速范圍內(nèi)經(jīng)驗平均車頭時距大(Chen 等, 2010a;Li等，2020c)。Li等(2018b)提出制動時的減速度公式為：

現(xiàn)有AV安全距離模型只考慮了AV所需的最小跟車距離，汽車跟馳行為的動態(tài)特征，特別是當(dāng)距離大于該最小距離時，需要作進(jìn)一步研究。

3）最優(yōu)速度模型

最優(yōu)速度(OV)模型最早由Bando等(1995)提出，模型揭示了微觀駕駛行為與宏觀交通流測量之間的聯(lián)系。OV模型假設(shè)每輛車都有一個OV，該OV依賴于與領(lǐng)先車輛的距離。Bando 等(1995)的原始OV模型將目標(biāo)車輛i的加速度描述為實際速度vi(t)與OV之間的標(biāo)度差，表示如下：

上式中，α為敏感系數(shù)；V(?)為預(yù)先選定的OV函數(shù)。

用于AV的新OV模型仍然沿用上面假設(shè)，但其通過V2X通信來確定連續(xù)幾輛車之間的間隙信息(Xie 等, 2008;Ge和Orosz, 2014;Jia and Ngoduy, 2016;王等，2018c;謝等，2019b)。一般形式可以寫成如下形式：

上式中，Δxn,i(t)和Δvn,i(t)表示AV與通過V2X通信相互連接的任何其他車輛之間的位置和速度差。

通過適當(dāng)選擇跟馳模型函數(shù)f[·]，可以充分利用其他車輛的附加位置和速度信息，提高局部交通流的穩(wěn)定性，平滑激波。例如，Xie等(2008)提出了一個CAV利用線性加權(quán)加速度的模型，如下所示：

上式中，βj為正加權(quán)系數(shù)。公式可以解釋為HV對未來時間或后續(xù)反應(yīng)時間的廣義跟隨距離做出變化的預(yù)期，這種預(yù)期行為通常會增加交通穩(wěn)定性。函數(shù)f[·]非常靈活，不像傳統(tǒng)OV模型中假設(shè)的那樣與人類駕駛行為密切相關(guān)(Li 等, 2020a)。

4）ACC與CACC控制器模型

為解決交通流的整體穩(wěn)定性，研究人員提出了各種AV控制器，使AV在車輛隊列中的領(lǐng)先車輛以理想速度運行(Sun等，2018;Feng等，2019)。從交通流研究的角度看，AV的ACC/CACC控制器可以看作特殊的AV跟馳模型，通常只使用vi-1(t)和vi(t)信息。

下面這個關(guān)系式是寫在拉普拉斯域的車輛跟馳模型：

上式中，vi-1(s)和vi(s)分別是vi-1(t)和vi(t)在拉普拉斯域中的拉普拉斯函數(shù)；G(s)為傳遞函數(shù)，它描述了vi-1(s)和vi(s)之間的關(guān)系。

如果選擇：

給定系數(shù)k1，…，k5 (Milan′e′es 等, 2014b)，我們可以用拉普拉斯逆變換得到vi-1(t)和vi(t)之間的時域關(guān)系如下所示：

現(xiàn)場試驗表明，這種模型能夠保證AV車隊的穩(wěn)定性(Naus 等, 2010;stern等，2018;Navas等, 2019;Gunter等，2020;Qin和Orosz, 2020)。

AV換道模型

由于換道對交通流和道路安全產(chǎn)生負(fù)面影響，正引起越來越多的關(guān)注(Zheng 等, 2013;Ali等，2020)。相關(guān)交通流研究主要解決兩個問題，即一是換道決策問題，二是捕捉換道動態(tài)并量化對交通流影響的換道實施模型(Zheng, 2014;Xie等，2019b)。

1）換道決策模型

研究者將換道分為強制換道和自主換道(Kesting 等, 2007)。當(dāng)駕駛員必須離開當(dāng)前車道才能到達(dá)目標(biāo)車道時，這種換道類型就是強制換道；當(dāng)駕駛員為了更好的駕駛條件而自愿選擇離開當(dāng)前車道時，這種換道是自由換道。目前很少有公開報告涉及AV的強制換道策略(Cao等，2019)。研究表明，換道、左/右轉(zhuǎn)彎和U型轉(zhuǎn)彎屬于最困難的自動駕駛?cè)蝿?wù)，目前大多數(shù)自動駕駛車輛還沒有為這些任務(wù)做好準(zhǔn)備(Favaro 等, 2017；Banerjee等，2018；Boggs等，2020a；Boggs等，2020b)。

對于自主換道決策問題，研究者提出不同的HV和AV模型。傳統(tǒng)HV換道決策模型基于設(shè)計的規(guī)則，包括決策樹(Gipps, 1986；Moridpour等，2010；Laheman等，2013；Zheng，2014)，效用理論(Ahmed, 1999;Toledo等，2005)，博弈論(Kita, 1999;Liu等，2007;Talebpour等，2015;Ali 等, 2019b)。最近，基于機器學(xué)習(xí)的換道決策模型已經(jīng)被提出用于這兩種HV (Xie等，2019a；Nishi等，2019；Zhang 等, 2019c；Xing等，2020；Dong等，2020)和AV (Wolf等，2018;Ni等，2018;Wang等，2018a;Ni等，2020年;Wang 等, 2021)。高速汽車決策模型采用自然駕駛數(shù)據(jù)對模型參數(shù)進(jìn)行標(biāo)定。然而，AV的決策模型通常使用仿真數(shù)據(jù)來尋找最佳的模型參數(shù)，從而實現(xiàn)無碰撞和平穩(wěn)的換道過程。

基于機器學(xué)習(xí)的決策模型已被證明對AV有用，特別是在擁堵交通中，因為簡單的換道決策模型無法滿足AV的實際應(yīng)用。由于深度學(xué)習(xí)和強化學(xué)習(xí)的算法復(fù)雜性，基于機器學(xué)習(xí)的決策模型很難解釋，未來需要更多研究去克服機器學(xué)習(xí)決策模型的不易解釋等問題。

2）換道實施模型

換道實施模型在過去15年取得了顯著改進(jìn)，主要是因為有詳細(xì)的數(shù)據(jù)支持(Li 等, 2020c)。大多數(shù)傳統(tǒng)模型和仿真軟件假設(shè)車道變化在瞬間完成，這與經(jīng)驗證據(jù)矛盾(Toledo和Zohar, 2007;Wang等，2014;Xie等，2019b;Yang等，2019;Ali等，2020)。雖然證據(jù)是針對HV的，但AV的換道實現(xiàn)也可以從這些分析中受益。AV換道模型與人類駕駛車輛換道模型的主要區(qū)別在于，前者換道軌跡是可規(guī)劃和直接控制的，而后者換道軌跡主要依賴于駕駛員。如何規(guī)劃和優(yōu)化AV的換道軌跡是駕駛安全、交通流動力學(xué)、AV設(shè)計和交通仿真研究的關(guān)鍵問題。

AV的換道軌跡規(guī)劃有兩個步驟：第一步是考慮允許什么樣的換道軌跡，然后選擇一組合適的曲線來規(guī)劃換道軌跡。Wang等(2014)研究表明，換道軌跡部分可用HV的某個五階或六階多項式近似描述。許多AV駕駛策略的設(shè)計者也采用多項式來進(jìn)行AV的換道軌跡規(guī)劃(Jula 等, 2000;Papadimitriou and Tomizuka, 2003;Yang等，2019;Wang 等, 2021)。

下一個任務(wù)是設(shè)計一個控制器，使車輛在換道過程中大致跟蹤計劃軌跡(Funke和Gerders, 2016;Cesari等，2017;Nierson等，2017;Liu等, 2018)。許多研究旨在通過數(shù)學(xué)規(guī)劃方法，將AV的這兩個軌跡規(guī)劃步驟合并為一個步驟(Hatipoglu 等, 2003；Dang等，2015;Bai等，2017;Li等，2019a)。

AV換道對交通流的影響受關(guān)注程度較少(Ioannou和Stefanovic, 2005;Wang等，2019)。Wang 等(2021)研究表明，如果無法通過V2X通信進(jìn)行有效的協(xié)商，應(yīng)該謹(jǐn)慎對待機器學(xué)習(xí)模型對AV換道決策的訓(xùn)練過程，因為對基于強化學(xué)習(xí)的換道決策模型獎勵函數(shù)設(shè)置不當(dāng)，會導(dǎo)致競爭策略、自私換道行為、人群無組織狀態(tài)，從而導(dǎo)致整體交通效率的退化。研究強調(diào)了自動駕駛策略的設(shè)計者在強調(diào)交通安全的同時，還要重視交通效率前提條件。

當(dāng)V2X通信可用時，協(xié)同換道會縮短換道的時間和空間持續(xù)時間，并使換道更安全、更高效(Luo 等, 2016;Chen等，2019;Lombard等，2020)。例如，Ali等(2019a)和Ali等(2020)使用基于風(fēng)險的持續(xù)時間方法建模了CAV車輛強制和自主換道對安全和效率的影響，指出連接環(huán)境改善了強制和自主換道行為，增強了交通安全。這一新研究問題有待在未來進(jìn)行進(jìn)一步研究驗證。

中觀模型

開發(fā)中觀交通流模型是為了填補微觀模型與宏觀模型之間的空白。典型的中觀模型包括氣體動力學(xué)模型、連續(xù)氣體動力學(xué)模型、車頭時距分布模型等(van Wageningen-Kessels 等, 2015)。目前還沒有針對氣體動力學(xué)模型和連續(xù)氣體動力學(xué)模型的AV交通問題研究，有研究人員已經(jīng)采用車頭時距分布模型來描述由HV和AV組成的混合交通流。

車頭時距指兩輛連續(xù)車輛通過同一車道橫截面時的間隔時間。通常情況下，有許多原因?qū)е氯藗冇^察到的車頭時距產(chǎn)生右偏分布。車頭時距分布不僅反映了人類駕駛員如何跟隨其領(lǐng)先車輛，而且還提供了交通動態(tài)中HVs不確定性的基本衡量標(biāo)準(zhǔn)(Chen 等, 2010a;Li等，2020c)。因此車頭時距分布模型是連接微觀和宏觀交通流模型的橋梁(Li and Chen, 2017)。

相比之下，較短且相對穩(wěn)定的車頭時距可以提高交通流量能力、穩(wěn)定性和安全性，大多數(shù)AV的目標(biāo)是在一定速度下與領(lǐng)先車輛保持適當(dāng)?shù)能囶^時距(Swaroop 等, 1994;Swaroop和Rajagopal, 2001)。關(guān)于AV車頭時距分布，需要注意以下幾點：

1）研究表明，由于可以利用V2X通信技術(shù)接收下游的交通信息，然后提前采取適當(dāng)?shù)男袆樱虼丝梢栽贑ACC型AV隊列中設(shè)置比ACC型AV更短的期望車頭距離(Alam 等, 2015;Bian等，2019)。

2）由于車輛力學(xué)和傳感器/控制器的限制，車輛車頭時距不能任意短(Cho 等, 1996)。Nowakowski 等(2010)和Milan′e′es等(2014b)指出，在理想CACC駕駛條件下，AV排的最小時間間隔(即前車后保險杠與后車前保險杠之間的時間差異)達(dá)到0.6 s。然而要注意通信丟包、傳感器故障(Semsar-Kazerooni和Ploeg, 2013;Ploeg等，2015)和氣象道路條件干擾問題，可以自適應(yīng)地改變所需的車頭時距，以在效率和安全性之間獲得權(quán)衡(Ploeg等，2015)。

3）不同的AV在相同的速度下可能有不同的期望方向。這種差異是由車輛技術(shù)性能受限造成的。大多數(shù)現(xiàn)有研究(Nowakowski等，2010;Naus等，2010;Gunter等, 2020ab)仍處于測試的第一階段，并顯示了具有較小車頭的AV排的能力，很少有研究全面考慮AV排所需車頭的異質(zhì)性。如何正確描述AV排車頭的異質(zhì)性和變異性及其對交通安全和效率的影響，未來還需要進(jìn)一步研究。

4）目前對于AV車頭時距分布模型研究缺乏大規(guī)模的數(shù)據(jù)支撐，這一研究方向未來需要得到更多的關(guān)注。未來迫切需要研究AVs和HVs之間的相互作用，以及這種相互作用對HV在跟隨AV時保持的車頭方向的影響。

5）目前還沒有研究涉及AV的離車速度。出發(fā)車頭時距是指在信號燈變綠后，連續(xù)車輛開始越過信號燈路口停車線時的時間間隔(Jin 等, 2009;Tan等，2013;Hao和Ma, 2017)。出發(fā)車頭時距的位置變化特征和不確定性對于估計信號交叉口的有效流量很重要(公路通行能力手冊，2010)。利用V2X通信技術(shù)，AV可以查詢準(zhǔn)確的信號轉(zhuǎn)換時間，并立即啟動，縮短出發(fā)時間?，F(xiàn)有大多數(shù)AV的相關(guān)交通流研究都集中在非中斷流場景，應(yīng)該更多地關(guān)注中斷流場景，因為AV對城市道路交通效率的積極影響具有很大的價值(Li 等, 2014;Guo等，2019)。

宏觀模型

現(xiàn)有許多研究在宏觀層面調(diào)查了AV對交通流的潛在好處。從交通流角度看，AV的好處包括增加容量、提高交通穩(wěn)定性和提高交通效率。AV的宏觀交通流模型預(yù)期收益研究總結(jié)如下：

1. 通行能力的一維空間效益

微觀層面上較短的跟車間隙假設(shè)直接導(dǎo)致宏觀層面上較大的容量假設(shè)(Yokota 等, 1998)。

現(xiàn)有在該方向的研究模型有一個共同的祖先，該祖先描述了道路上AV的引入引起基本圖的基本變化。Bose和Ioannou(2003)提出了一個簡單的車間距模型，模型假設(shè)AV在跟隨其他車輛時產(chǎn)生恒定的車頭時距hconstant。被試車輛i的前沿與先導(dǎo)車輛(i-1)的后端之間的間距如下所示：

上式中假設(shè)所有車輛長度L相同。

平均車間距是交通密度的倒數(shù)，可以推導(dǎo)出以下100%自動駕駛交通的基本流密度關(guān)系。

上式中，K為交通流密度，K_critical為達(dá)到最大交通流量的臨界密度；vfree為自由流速度；式（14）表示三角形基本圖，當(dāng)考慮其他微觀跟馳模型時，會得到不同類型的基本圖(Tang 等, 2007;Laan和Schonfeld, 2020)。如圖2所示，純AV流量的流密度曲線通常比純HV流量的流密度曲線具有更大的臨界密度和更高的峰值。通常情況下，高速車輛之間的平均車頭時距在1.8 s～2s左右，說明高速車輛每車道通行能力在1800～2000輛/小時之間。如果AV之間的平均車頭時距保持在1.2 s～1.5 s，則AV每車道的通行能力將在2400 ～ 3000輛/小時之間。

圖2．HV交通(紅色)、HV和AV混合交通(粉紅色)和純AV交通(藍(lán)色)的流量-密度關(guān)系的說明。

一些研究者認(rèn)為AV在混合交通中行駛時會保持較大的間隙，從而導(dǎo)致交通效率退化(Seo and Asakura, 2017)，但更多研究者認(rèn)為，隨著AV在混合交通中滲透率p的增長，交通效率會單調(diào)增加(Bose and Ioannou, 2003)。假設(shè)交通密度適中，考慮AV在混合交通中的滲透率p，可以直接計算穩(wěn)態(tài)條件下的平均車間距如下:

上式中，SHV表示HV車輛的平均車間距；SAV表示AV車輛的平均車間距。

如圖2可證明，同時包含HV和AV的混合交通流密度曲線位于這兩條曲線之間，AV的滲透率p越高，對應(yīng)的流量密度曲線越接近純AV流量的流量密度曲線。

上述方法強調(diào)了理想簡化條件下(如車輛長度均勻、駕駛行為異質(zhì)性可忽略、AV及其控制策略相同)混合交通的平均測度，為進(jìn)一步研究提供了基礎(chǔ)。根據(jù)基本模型中引入的新因素，我們對以下簡化研究進(jìn)行分類。

方法的第一個簡化是考慮隊列中跟隨HV的AV車跟車間隙和跟隨其他AV的跟車間隙之間的差異。借助V2X通信技術(shù)和先進(jìn)的控制技術(shù)，AV的排內(nèi)跟車間隙將比排間跟車間隙更短(Michael 等, 1998)，見圖3。(Sharma 等, 2020)研究指出，具有通信能力的車輛在隊列中的空間分布可能會對這種通信能力的收益產(chǎn)生重大影響。論證了在一定滲透率下不同車輛在隊列中的空間布局的重要性及其對交通流擾動、效率和安全性的影響。一些研究區(qū)分AVs的類型(Carbaugh, 1998;Zhao等，2021)，根據(jù)他們不同的汽車跟蹤策略來研究異構(gòu)AV對交通容量的影響。Chen 等(2017)進(jìn)一步考慮到，當(dāng)多車道道路實施各種車道管理策略時，單車道場景中引入的隊列參數(shù)可能在不同車道之間有所不同。

圖3 混合交通插圖

有研究者提出用模擬方法研究AV對干線和道路網(wǎng)絡(luò)容量的影響。有研究人員設(shè)計特殊多類細(xì)胞傳輸模型(CTM)，其中每個CTM對應(yīng)一個唯一的基本圖，多層CTM的混合導(dǎo)致了相對于AV的不同滲透率p的更復(fù)雜的流密度圖(Levin和Boyles, 2016a;2016 b;Pater等，2016;Qian等，2017;Pan等，2019)。有研究者基于多類CTM，模擬大型網(wǎng)絡(luò)中AV的高效動態(tài)流量分配(Melson等，2018)。Tang 等(2007)開發(fā)了具有混合交通專用基本圖的高階交通波模型。

方法的第二個簡化是考慮混合交通的隨機特征(Zhou and Zhu, 2020)，例如針對HVs和AV引入不同的車頭時距分布模型(Wang 等， 2014a)。交通流量分布是車頭時距的逆分布(倒數(shù)的分布)，在流密度圖上表征測量的散射特征(Chen 等, 2010b;Chen 等, 2014;Li和Chen, 2017)，預(yù)測AV的穿透速率p越高，流密度圖中的不確定性越小，這是經(jīng)典基本圖理論的延伸。Ghiasi等(2017)研究了更詳細(xì)的混合交通流分類車頭時距分布模型，考慮hv - av間隙和av - av間隙之間的差異。Mohajerpoor和Ramezani(2019)使用類似方法，分析了在不同車道分配策略下(a)專用車道、(b)混合混合車道、(c)混合HV車道和(d)混合AV車道時，車流中斷的雙車道道路總延遲。不同的是，Zheng等(2020)提出一個隨機擴散方程描述和分析自動駕駛系統(tǒng)對混合交通不確定性和穩(wěn)定性的影響。

上述研究都是從交通中觀或宏觀測度推導(dǎo)道路通行能力。其中許多研究采用基于微觀模擬方法研究異質(zhì)混合交通的道路容量，甚至道路網(wǎng)絡(luò)容量(VanderWerf 等，2001;Arnaout and Arnaout, 2014;Wang等，2017a;Yang等，2017)。(Mattas 等, 2018;Wang等，2019;Wang 等, 2020b;Li 等, 2020b;Makridis等，2020)采用AV的微觀汽車跟蹤模型模擬道路和網(wǎng)絡(luò)中混合交通的動態(tài)特征?；诜抡娴姆椒ㄔ试S我們靈活地納入許多影響因素，包括異構(gòu)的HVs和AV、噪聲干擾等。

2. 交通流穩(wěn)定性一維效益

交通穩(wěn)定性是交通流理論領(lǐng)域的另一個重要問題。隨著交通需求增加，HV交通流受到擾動后，很難恢復(fù)到平衡狀態(tài)，導(dǎo)致交通癱瘓的風(fēng)險增加(Hoogendoorn 等，2014)。

在交通流穩(wěn)定性分析中，研究者對小擾動感興趣，因此只需分析線性穩(wěn)定性(Orosz 等, 2004;Walxun,2008;Wold and Walxun，2011)。當(dāng)跟馳模型確定后，度量交通流穩(wěn)定性的方法較多。Sun等(2018)回顧了分析局部穩(wěn)定性和弦穩(wěn)定性的主要方法，包括基于特征方程的方法、Lyapunov準(zhǔn)則、基于直接傳遞函數(shù)的方法和基于拉普拉斯變換的方法，評估了使用其中一些方法獲得穩(wěn)定性標(biāo)準(zhǔn)的一致性和適用性，討論了實施CAV穩(wěn)定性分析的問題和挑戰(zhàn)。

本文將涉及AV的交通流穩(wěn)定性的研究根據(jù)研究方法分為四類，具體如下：

（i）建立一個平衡速度-間距函數(shù)V(·)，將所選的汽車跟馳模型轉(zhuǎn)化為以下等價形式：

上式中，s表示間距。

考慮均勻流動平衡的小擾動，得到上述平衡態(tài)的局部線性化形式。該問題轉(zhuǎn)化為一個特殊線性系統(tǒng)的穩(wěn)定性分析(Sun 等, 2018)。這種方法已在許多研究中使用(Xie 等, 2008;Ge和Orosz, 2014;Jia and Ngoduy, 2016;Wang等，2018c;Zhu和Zhang, 2018;Xie等，2019b)，這些研究涉及V2X通信的好處，通過V2X通信可以共享不同空間點的交通流狀況信息，進(jìn)一步提高交通流穩(wěn)定性。

（ii）將一系列連續(xù)車輛視為一個隊列，提出宏觀交通波模型。分析這種交通波模型的穩(wěn)定性，這些模型通常以偏微分方程的形式寫成(Ngoduy和Jia, 2017;Huang等，2020)。

（iii）車隊穩(wěn)定性分析，著重于擾動在隊列中從一輛車到另一輛車的傳播。如果擾動在上游傳播時受到抑制，這個排是穩(wěn)定的(Ioannou and Chien, 1993;Dey等，2016;Stüdli等，2017;Li 等, 2018c)；否則不穩(wěn)定。弦穩(wěn)定性分析對擾動傳播引起的間隙誤差給出嚴(yán)格邊界，在關(guān)注行車安全的車輛控制研究中受到廣泛認(rèn)可。Li and Shrivastava (2002)， Yi and Horowitz (2006)， Sau 等 (2014)， Qin and Wang(2018)對AV參與的車隊交通流穩(wěn)定性進(jìn)行了分析。有研究者進(jìn)行了現(xiàn)場驗證，表明車隊穩(wěn)定性分析是維持穩(wěn)定交通流的一種強大而實用的方法(Naus 等, 2010;Siten等，2018;Gunter等，2020年;Qin和Orosz, 2020)。包括HVs和AV的混合交通流穩(wěn)定性最近受到較多關(guān)注(Li和Wang, 2017;Gong，Du, 2018;Ghiasi等，2019;Zheng等，2019;Xie等，2019b;Sun 等，2020)。Talebpour和Mahmassani(2016)通過對均勻流動平衡引入一個小擾動，討論了自動化如何有助于防止沖擊波的形成和傳播。Ge 等(2018)和Ge and Orosz(2018)在HVs中進(jìn)行了CAV設(shè)計的實驗驗證，結(jié)果表明，CAV可以顯著提高混合交通的穩(wěn)定性、安全性和能效，并可以緩解交通擁堵。Sun等(2020)探索了車隊穩(wěn)定性分析和振蕩分析的互補使用，以壓縮和緩解CAVs混合交通的交通擁堵，并證明較高的個別車輛穩(wěn)定性可以緩解隊列的振蕩嚴(yán)重程度。

（iv）研究AV對交通流穩(wěn)定性影響。方法側(cè)重于通過對AV進(jìn)行編程，使其在“慢進(jìn)”和“快出”過程中做出臨時而敏捷的動作，從而吸收擁堵/擾動(Beaty, 1998;Yaobaidi,2013)。該方法可以進(jìn)一步分為兩種類型，第一種是應(yīng)用計算效率和啟發(fā)式規(guī)則來吸收堵塞(Nishi等，2013;Gogle等，2015;He等, 2017;Nishi, 2020)。Nishi 等(2013)和Taniguchi 等(2015)通過時空交通波分析推導(dǎo)堵塞可以被吸收的條件，并使用Helly的跟馳模型(Helly, 1959)測試了減速的堵塞吸收過程。Ta等(2017)提出一種堵塞吸收策略，使用Newell的車隨理論估計振蕩(Newell, 2002)。雖然已有的策略在緩解交通擁堵方面表現(xiàn)良好，但在減速過程中可能產(chǎn)生第二波擁堵。由于人類駕駛員的不確定性可能會引發(fā)意外的擁堵傳播，因此該策略無法吸收混合交通中的HV和AV。未來研究中，需要解決由此產(chǎn)生的第二次波和系統(tǒng)最優(yōu)策略問題。此外，AV乘員的舒適度是制定堵塞吸收策略的一個重要因素，忽視這一因素可能會導(dǎo)致誤導(dǎo)性的結(jié)論和高估此類策略的AV效益。由于這些策略還沒有在現(xiàn)場測試中評估，因此自動駕駛汽車使用者是否會接受非自然速度變化的策略仍然未知。

第二種方法是在V2X通信支持下進(jìn)行一維軌跡規(guī)劃，管理多輛車的長期預(yù)期運動。規(guī)劃的時間范圍長，并且車隊穩(wěn)定性條件可以作為規(guī)劃問題的顯式內(nèi)置約束直接保證。軌跡規(guī)劃方法還可以縮短間隙，提高交通流密度和流速(Wang 等, 2020a)。理論分析和數(shù)值測試表明，可以使用簡約/稀疏規(guī)劃軌跡來快速吸收堵塞(Zhou等, 2017;Ma等，2017;Li等，2018a;Li和Li，2019;Feng等，2020)。這里簡約/稀疏軌跡指規(guī)劃軌跡可以分成若干段，并且只包含少數(shù)非零加速度值作為控制變量。這種簡約/稀疏軌跡規(guī)劃方法有助于降低軌跡規(guī)劃的計算復(fù)雜度，使規(guī)劃算法更易于在實際中實現(xiàn)。

3. 沖突區(qū)域交通效率的二維效益

自動駕駛交通的二維效益，如合作換道，引起研究者廣泛興趣。在過去二十年，隨著通信和AI技術(shù)發(fā)展，研究人員開始意識到可以在沖突區(qū)域內(nèi)以更好的方式組織AV運動，優(yōu)化交通運營效率(Li 等, 2014;Rios-Torres和Malikopoulos, 2017;Montanaro等，2019)。

通常情況下，AV協(xié)同駕駛不需要交通信號系統(tǒng)，凸顯了AV徹底改變當(dāng)前交通系統(tǒng)的潛力。AV的二維效益來自兩個方面。一是當(dāng)車輛協(xié)同運動得到優(yōu)化時，可將這些車輛在不同方向上的間隙縮短到最小，提高交通密度和流量(Chen and Englund, 2016;Xu等，2018;Xu等，2019;Huot等，2020)。二是可以控制和優(yōu)化進(jìn)入沖突區(qū)的車輛順序，充分利用有限的道路資源(Li and Wang, 2006;Dresner and Stone, 2008;Gula等，2014;Rios-Torres和Malikopoulos, 2017)。協(xié)作車輛控制的關(guān)鍵技巧是安排適當(dāng)?shù)捻樞蛲ㄟ^沖突區(qū)域(Li 等, 2014;Meng等，2018;Guo等，2019)。以上AV效益會減少車輛行駛時間，減少擁堵的時空演變，減少故障發(fā)生的機會。

確定AV沖突區(qū)域的通過順序有多種方法。第一種方法遵循先到先得(FCFS)預(yù)訂規(guī)則。每次重新安排時，所有AV會估計他們到達(dá)核心沖突區(qū)域的時間，然后發(fā)送預(yù)訂請求。所有預(yù)訂請求將被接收，傳遞順序?qū)⒅饕褂妙A(yù)計到達(dá)時間的升序進(jìn)行安排。此外，只有同一車道上的所有車輛都接受某一車輛的請求后，該車輛的請求才會被處理，防止出現(xiàn)僵局(Li 等, 2013;Chai等，2018;He 等, 2018;Wu等，2019；Medina等，2020)?；趂cfs的方法計算量低，但有時得不到系統(tǒng)最優(yōu)解(Levin 等, 2016;Meng等，2018)。

第二種方法采用數(shù)學(xué)規(guī)劃方法求解AV最佳通過順序。通常引入幾個整數(shù)指標(biāo)值，標(biāo)記沖突區(qū)域內(nèi)任意兩輛車的相對順序，即確定哪一輛先通過，哪一輛后通過(Zhu and Ukkusuri, 2015;Fayazi和Vahidi, 2018;Lu等，2019;Huot等，2020)。當(dāng)車輛數(shù)量較大(20輛以上)時，所產(chǎn)生的混合整數(shù)規(guī)劃問題難以解決，阻礙了其在實際中應(yīng)用。

第三種方法將AV的傳遞順序編碼為一串符號，將規(guī)劃問題轉(zhuǎn)化為樹搜索問題。首先用字符串“ABCD”表示A、B、C、D車輛依次進(jìn)入沖突區(qū)域，然后用不同表示方法，將車輛所有可能的通過順序構(gòu)造一個解，將其表示為樹狀(Li 等, 2014;Meng等，2018)。Xu等(2020)提出一種特殊的樹制定方法，使蒙特卡羅樹搜索(MCTS)技術(shù)輕松應(yīng)用于快速尋求滿意的解決方案。在根節(jié)點中，傳遞順序首先設(shè)置為空，然后第二層根節(jié)點的每個直接子節(jié)點指向一個索引符號，該索引符號以特定通過順序指示第一輛車。第三層節(jié)點以特定的通過順序指示前兩輛車。通過展開它們的子節(jié)點，所有可能的傳遞順序都可以生成為解樹底層的葉節(jié)點。測試結(jié)果表明，F(xiàn)CFS規(guī)則和分組策略(即將幾輛車分組成一個小隊列以降低規(guī)劃復(fù)雜性(Xu 等, 2019))可以與MCTS技術(shù)相結(jié)合，在非常短的時間窗口內(nèi)找到足夠好的通過順序，因為只需要探索解決樹的有限數(shù)量的分支(Xu 等, 2020a;Xu等，2020b)。

確定車輛通過順序后，有兩種方法依次計算車輛的詳細(xì)運動控制。第一種方法是使用安全距離跟馳模型計算速度變化過程。每輛車加速過程保持盡可能簡單。例如，假設(shè)在核心沖突區(qū)域內(nèi)車輛的速度保持不變(Li and Wang, 2006;Dresner and Stone, 2008;He 等, 2018;Meng等，2018)，一種處理車道合并的技巧是虛擬映射技術(shù)(如圖4)，假設(shè)沖突車輛將在目標(biāo)車輛之前進(jìn)入沖突區(qū)域，成為新的領(lǐng)先車輛，將(前導(dǎo)車輛的)虛擬車輛映射到后面車輛的目標(biāo)車道上，讓后面的車輛使用汽車跟馳模型來跟蹤這個虛擬車輛，避免碰撞。利用虛擬映射技術(shù)，將以上場景轉(zhuǎn)換為一維汽車跟馳場景，應(yīng)用合適的汽車跟馳模型獲得正確的軌跡(Uno 等, 1999;Banko等，2000年;Lu等，2000;Li和Wang, 2006)。

圖4 虛擬映射技術(shù)的說明

第二種方法是應(yīng)用復(fù)雜軌跡規(guī)劃方法，在進(jìn)入核心沖突區(qū)域之前確定車輛的詳細(xì)軌跡(Nilsson 等, 2016;Zhang和Kasangdla，2019b)。如果目標(biāo)僅為減少車輛延誤和暢通交通流，那么這種軌跡規(guī)劃方法不可??；如果目標(biāo)是降低燃料消耗和其他相關(guān)問題，則應(yīng)考慮這種軌跡規(guī)劃方法(Cassandras, 2017；Zhang和Kasangdla，2019b)。

現(xiàn)有的沖突區(qū)域合作駕駛研究大多假設(shè)參與車輛均為AV，研究人員對建立AV與沖突地區(qū)的HV合作新策略表現(xiàn)出更大興趣(Zhao等，2018;Tilg等，2018;Ding等，2020;Yang和Oguchi, 2020)。也有研究討論了HVs和AVs協(xié)同駕駛的交通信號系統(tǒng)共存和協(xié)同優(yōu)化問題(Yang 等, 2016;Guo等，2019;Niroumand等，2020)。

綜上所述，AV流量二維效益研究范式與AV流量一維效益研究范式存在較大差異。交通穩(wěn)定性是傳統(tǒng)交通流研究的一個重要課題，但本文并不是主要的研究主題，因為AV交通二維效益的研究假設(shè)每輛車的運動都是很好的規(guī)劃的，交通流的穩(wěn)定性可以作為規(guī)劃問題的一個內(nèi)置約束保持。除了駕駛安全和效率，一些研究還涉及了生態(tài)駕駛(Cassandras, 2017;Zhang and Cassandras, 2019a;Wang等，2020d)和其他傳統(tǒng)交通流研究中沒有突出的問題。道路網(wǎng)絡(luò)中的合作駕駛研究也很新穎(Li 等, 2014)。以上這些問題在未來需要進(jìn)一步深入研究。

4 結(jié)束語

隨著AV出現(xiàn)，交通流建模與車輛研究的耦合變得不可避免。車輛研究強調(diào)單個或組合車輛的運動，由此產(chǎn)生的交通流動力學(xué)應(yīng)從系統(tǒng)的角度考慮。

交通流研究人員和車輛研究人員可以相互交流協(xié)作，實現(xiàn)共同受益。一方面，前者向后者學(xué)習(xí)，了解AV的機械特性和控制器設(shè)計，定位HV和AV差異，可以更好地分析、建模和預(yù)測AV對交通流動態(tài)的影響，最終制定有效的策略，使AV在道路安全、交通效率、燃油消耗等方面的效益最大化；另一方面，前者可以幫助后者，在設(shè)計AV時，除了單個車輛性能外，還應(yīng)充分考慮最終AV與其他道路用戶的交互以及對交通系統(tǒng)的影響。例如，應(yīng)適當(dāng)設(shè)計AV的決策/控制策略，以保證安全，增加運輸系統(tǒng)的容量，減少交通流的不穩(wěn)定性。

在過去十多年里，交通流研究人員對于AV對交通流的影響建模產(chǎn)生較大興趣，車輛研究人員對AV的設(shè)計和控制產(chǎn)生了較大興趣，并在各個領(lǐng)域分別取得了重大進(jìn)展。但交通流研究和車輛研究之間的耦合合作研究并不緊密。

本文系統(tǒng)全面地回顧現(xiàn)有的涉及自動駕駛的交通流模型，動機主要有三個：一是批判性地綜合這一重要而緊迫課題的已有知識，二是梳理存在的問題，用于未來研究需要；三是喚醒交通流研究人員和車輛設(shè)計研究人員之間的研究合作，將AV模型集成到混合交通流模型中。本文認(rèn)為交通流和車輛兩個方向的研究人員未來應(yīng)更多關(guān)注以下問題。

1. 為捕捉與AV有關(guān)的交通的一些關(guān)鍵特征，所有現(xiàn)有的AV交通流模型被大大簡化，模型不能解釋人類駕駛員在AV出現(xiàn)時的行為。一方面，由于各種自動化級別AV的行為復(fù)雜，當(dāng)HV與AV混行控制時更是如此(Michon, 1985;Endsley, 1999;Fuller, 2005;Li等，2012；Wang等，2020c)；另一方面，人類駕駛員會不斷學(xué)習(xí)如何應(yīng)對在同一條道路上運行的其他AV，對于HV與相鄰AV的差距隨時間變化的研究目前很少。AV本質(zhì)上與HV駕駛方式并不完全相同，即使在技術(shù)上將AV訓(xùn)練成與HV高度相似的駕駛方式，當(dāng)HV與AV混合在一起時，AV的存在會改變HV工作方式。研究人員發(fā)現(xiàn)，通過使用Waymo收集的數(shù)據(jù)，當(dāng)人類司機跟隨Waymo無人駕駛汽車時，他/她往往會變得更具攻擊性(Hu 等, 2021)。研究人員發(fā)現(xiàn)，自動化程度不同的AV的駕駛行為有顯著差異(Michon, 1985;Endsley, 1999;Li 等, 2012)。常用的ACC和CACC劃分標(biāo)準(zhǔn)不足以反映這種差異。建立合適的模型捕捉自動化能力的光譜，了解AV與HV的相互作用，特別是對人類駕駛員認(rèn)知過程和其他人為因素的影響是未來特別是過渡時期的一個重要研究方向。

2. 現(xiàn)有HVs和AV微觀模型大多依賴于傳統(tǒng)建模技術(shù)，參數(shù)數(shù)量有限，過于簡單(Li 等, 2016a)。由于不同類型車輛之間相互作用的復(fù)雜性增加，目前的AV駕駛系統(tǒng)依賴人工智能算法。人工智能技術(shù)在處理大量參數(shù)方面具有巨大能力，未來當(dāng)真實的AV數(shù)據(jù)更加豐富時，交通流界需要更積極地探索通過與人工智能技術(shù)耦合來改進(jìn)現(xiàn)有交通流模型，或者進(jìn)行純粹基于人工智能的新交通流模型的可行性研究(Wang 等, 2018b)。

3. 目前對交通流研究基于經(jīng)驗交通測量(Li 等, 2020c)。由于缺乏真實測試數(shù)據(jù)，無法校準(zhǔn)參數(shù)，也無法驗證涉及自動駕駛的交通流模型的正確性。有研究人員在這方面已經(jīng)進(jìn)行了一些嘗試(Naus等，2010;James等，2019年;Gunter等，2020年;Qin和Orosz, 2020)。

車隊列穩(wěn)定性測試是最受關(guān)注的問題(Rajamani 等, 2000;Rajamani和Shladover, 2001;Gunter等, 2020ab)，測試對象是ACC和CACC的操作和通信。有研究表明，基于恒定時間前移的ACC策略可以使車隊列穩(wěn)定(Swaroop 等, 1994;Rajamani和Zhu, 2002)，CACC策略更容易使車隊列穩(wěn)定(Naus等，2010)。

現(xiàn)場測試中引入提高交通效率的駕駛策略。Sterna 等(2018)設(shè)置了20多輛車在260米的環(huán)形軌道上運行，由于人類駕駛員的駕駛能力不完善，出現(xiàn)了交通振蕩。研究人員通過設(shè)計的反饋控制器激活A(yù)V增強，并證明了振蕩的耗散。然而由于在實踐中情況與測試并不完全相同，自動駕駛系統(tǒng)在實際道路環(huán)境中的穩(wěn)定性并不十分清楚。

4. 預(yù)計未來HV和AV將在相對較長的時間內(nèi)共存共享道路資源，混合交通流和交通基礎(chǔ)設(shè)施管理之間的相互作用需要仔細(xì)考慮。目前這一研究方向已經(jīng)獲得一些基本結(jié)論(Ye and Yamamoto, 2018a；Mohajerpoor和Ramezani, 2019;Amirgholy等，2020)，需要更多的討論去理解這一問題復(fù)雜性，提高設(shè)計最優(yōu)運輸管理系統(tǒng)的能力，適應(yīng)HVs和AV混合交通流的需求。

5. 有些課題研究的假設(shè)過于理想化，需要進(jìn)行更多研究適應(yīng)實際需要。例如，在車輛合作運動研究中，常見假設(shè)是100%AV，目前很少有研究考慮行人或騎自行車的人，這與實際不符，未來研究中作假設(shè)時應(yīng)更加貼近實際需要。

以上列出的研究問題都是相互關(guān)聯(lián)的，表明未來研究需要交通流界、車輛工程界和其他相關(guān)學(xué)科的研究人員進(jìn)行密切合作，采取科學(xué)方法解決這些問題。最后說明一下，本文的研究重點是交通流建模和AV的影響，因此有許多主題沒有涵蓋。

譯者簡介：

郭海兵，研究生畢業(yè)于青島理工大學(xué)，目前就職于青島一民辦高校，希望通過文獻(xiàn)翻譯加強國內(nèi)外交通領(lǐng)域前沿內(nèi)容學(xué)習(xí)，提升學(xué)術(shù)研究能力。

終審：一豪