自主车辆与交通流介绍.

自主驾驶汽车已不再是一个遥远的希望;它们正在公共道路上积极部署在试点方案和商业车队操作中。 随着这些汽车的普及,了解其对交通流量和车道使用的影响对交通工程师、城市规划人员和决策者来说至关重要。 从人力驱动转向自主驾驶意味着在衡量道路容量、拥堵形式和车道空间分配方式方面发生了根本性的变化。 自主驾驶汽车相互之间以及基础设施之间相互沟通,使得人类驾驶人无法安全或持续地运行。 这一能力可以大大改变传统的交通模式。

核心挑战在于模拟这一新的现实。 基于人类驱动力行为的传统交通流量模式无法准确捕捉排队能力、瞬间反应时间和自主系统协调决策。 因此,需要新的计算模式来模拟AV与人类驱动力的相互作用,并预测车道利用率将如何随着车道的采用率上升而演变。 本文探讨了模拟AV对车道占用的影响、驱动这些模式的变量以及由此产生的对道路设计和城市交通的影响。

自主环境中交通巷利用的模型

为了分析AVs的影响,研究人员开发了模拟不同程度自动化交通情景的计算模型。 这些模型帮助预测了AV穿透水平的不同如何影响车道使用、车辆吞吐量、拥堵模式和总体交通效率。 这些模拟的忠实性取决于车辆动态、通信协议和决策算法的准确表现。

交通模型中的关键变量

在建模车道利用时,必须考虑几个关键变量。

  • 交通中自主车辆的百分比: 自动售票机的市场渗透率直接影响协调的可能性,在低渗透时,自动售票机的行为类似于先进的驾驶员协助系统;在高渗透时,排队和合作车道的改变变得可行.
  • 变换电磁行为:[ 人车道变化往往具有攻击性,延迟性,或风险-反作用. AV车道变化可以优化流量,但也必须与不可预测的人车驾驶员竞争. 模型必须参数化两种类型.
  • 轨距密度和流量率:[ 交通流量(密度与流量)的基本图随AV的变化而变化,较高的密度可以维持而不分解,因为AV保持较短的进取速度,视模型的不同,可能增加20-80%的车道容量.
  • 司机反应时间: 人类反应时间平均1.5秒;AV反应时间为毫秒,这种减少直接影响到流量波的稳定性和车辆之间的有效间隔.
  • 通信范围和可靠性:车辆对车辆(V2V)和车辆对基础设施(V2I)的通信使AV能够预测行动,这些网络的覆盖范围和时间影响如何优化远前的车道利用决定。

模拟技术

通常采用几种模拟方法模拟AV对车道利用的影响,每种方法都有独特的优点和权衡。

  • Cellular Automata: 这种离散的方法将路分割成单元格,每个单元格都可以被一个飞行器占用,而简单的规则则规范车道变化和加速. Cellular Automata模型在计算上是高效的,但可能缺乏忠实性来捕捉像合作合并这样的细微的AV行为.
  • 基于代理人的模型: 反导作为每个载体的自主载体,具有自己的传感器、决策逻辑和通信能力,这种方法对于研究各种交通(混合自动载体和载人动力)是理想的,受欢迎的反导平台包括[SUMO(模拟城市机动性)和Aimsun。
  • Fluid Dynamics Models (Macrocograms): 这些模型将流量视为可压缩流体. Lane 利用率代表着流经车道的分布. Macrocograms 模型对高层规划有用,但不能解决对安全分析至关重要的单个车辆相互作用.
  • Hybrid Trops: 将关键交叉点的微模拟与动脉网络的宏镜模型相结合,使研究人员能够平衡精确度和计算负荷. 混合模型在实时交通管理研究中越来越常见.

数据源和模型校准

精确的模型化需要可靠的数据. 来源包括自然驾驶研究,AV的受控测试轨迹实验,连接车辆的GPS探测数据,以及高分辨率环路探测器数据. 校准涉及调整模型参数,使模拟航道利用率与基线(人驱动)条件下观察到的规律相匹配. 对于AV特定参数,研究人员经常依赖制造商规格或同行评审的基准,来源包括国家高速公路交通安全管理局.

审定办法

验证对确保模型的预测力至关重要。

  • 将模拟车道分布曲线与已经存在一些AV的走廊(如凤凰城的Waymo,旧金山的Cruisco)的场域数据进行比较.
  • 使用控制实验,在周围的人驾驶员被监视时,小型AV车队执行预先定义的车道改变模式.
  • 与其他模拟平台进行交叉验证,以确保观测到的车道利用率趋势不是单一模型模型模式的文物。

自动车辆对巷道利用的影响

随着AV穿透率的提高,车辆往往会自行组织到更高效的车道使用模式中。 车道分布在多车道之间变得更加一致,减少了在左车道扎营或避免合并的人类司机所看到的“车道吸附”行为。 此外,AV可以提前很早地协调车道变化,平滑导致停靠的冲击波。

潜在效益

  • 减少交通拥堵: 通过保持一致的速度和紧跟距离,AV可以使现有车道的吞吐量增加30-60%,这根据许多模拟研究。 这实际上可以增加能力,而无需拓宽道路。
  • 因协调驾驶引起的费城事故: 巷道变化冲突是撞车的主要原因。 AVs的沟通意图和谈判车道使用的能力几乎消除了这一风险类别中的人为错误。 美国交通部[在其自动化车辆政策框架中强调了这些安全潜力。
  • 提高燃料效率: 平滑加速,减减刹,减短进度减少下列车辆的空气动力拖动,使整个交通流节省10-20%的燃料.
  • 强化流量管理: 动态车道分配可以实时实施,例如,AV的专用车道可以根据需求在高峰时段启用,实现全网车道利用率最大化.

挑战和考虑

尽管有希望,但模拟现实的反车辆地雷渗透揭示出在充分实现这些利益之前必须克服的重大障碍。

  • 与人驱动车辆混合交通:[ 在接近完全穿透之前,AV必须与不可预测的人驾驶员共存. 研究表明,在低AV穿透度(低于30%)时,车道利用率的提高是边际的,甚至可能因为保守的AV行为阻碍人的行动而恶化.
  • 基础设施调整: AV的优化车道利用可能需要专用车道,更新标志并带有电子车道控制信号,以及强大的V2I通信网络. 这些升级需要大量投资,并需要各法域的协调规划.
  • 伦理和安全方面的关注: 在混合交通中,AV如何平衡自身改变车道的效率与周边车辆的安全?模型必须嵌入透明和公开接受的道德决策框架.
  • 法律条例和政策: 改变车道故障的责任、执行自动驾驶车辆的交通规则以及追踪车辆位置的隐私关切都构成法律障碍。
  • 循环安全风险: 如果恶意行为者干扰V2V通信,车道协调可能会中断,造成阻塞或碰撞. 模型需要包含韧性测试.

未来方向和研究需要

车道使用自主性车辆效应的模型化仍然是个新生领域,有许多开放问题。 一个有希望的领域是使用强化学习来训练AV,在现实世界,多代理环境中最大限度地提高车道效率。 另一个方向是将微模拟与全城市的数字双胞胎融合,让城市规划者在部署前测试车道配置。

需要标准化的AV流量模型基准。 目前,由于对反应时间、渗透率和通信延迟的假设不同,不同研究的结果难以比较。 运输研究委员会(TRB)[等组织正在努力协调模拟协议。

此外,随着AV车队从试点方案向主流采用发展,跟踪车道利用率变化的纵向研究将提供当前模型无法提供的现实世界验证。 在此之前,在仅仅根据模拟产出作出决策之前,必须进行彻底的敏感性分析。

结论

模拟自主车辆对交通道利用的影响为了解运输动态的未来提供了宝贵的见解。 虽然模拟始终显示出在高AV采用率下的能力、安全和效率方面的重要好处,但过渡期需要认真规划。 精确模型有助于决策者设计适应性车道管理系统,优先安排基础设施投资,以及制定平衡创新与公共安全的法规。 随着自主技术的成熟,这些模型工具将变得不可或缺,以确保道路网络对所有用户——无论是人还是机器——都保持效率、公平和安全。