文献学术报告

作者信息与研究发表情况

本文的作者包括Yonghui Hu、Yibing Wang、Jingqiu Guo、Lihui Zhang、Qirong Lu、Hao Liu以及Yongfu Li。作者主要来自于浙江大学智能交通系统研究所、同济大学道路与交通工程教育部重点实验室、北京综合交通运行监测与服务重点实验室等研究机构。文章发表于 *Transportation Research Part C*，是一篇2024年最新的研究成果，文章编号为104889，于2024年10月21日在线发布。

学术背景

这项研究的核心领域是智能交通系统(Connected Autonomous Vehicles, CAVs)和生态驾驶(eco-driving)。近年来，随着自动驾驶技术的快速发展，CAVs展现出了优化道路交通系统、减少交通事故、缓解拥堵、降低能耗和排放的巨大潜力。本文中的研究重点，即在混合交通环境中研究CAVs的生态驾驶策略，旨在优化CAV的速度轨迹，使其能够尽量避免频繁加速、减速和在信号灯前停车，以降低能耗。然而，目前关于生态驾驶的研究大多忽略了手动驾驶车辆(Manually-driven Vehicles, MVs)的变道行为，这种忽略可能导致实际应用中的局限性。

本文的研究填补了当前知识空白，首次综合考虑了混合交通网络中MVs的非正常变道行为（如切入和逃逸变道）以及纵向扰动（如排队车辆）的影响，提出了一种面向CAVs的通用生态驾驶策略。研究的目标是评估这种生态驾驶策略在多车道城市交通网络中的适用性和效果，同时探索CAV生态驾驶和MVs变道之间的相互作用机制。

研究流程与方法

研究设计与步骤

研究流程可以划分为以下主要步骤：

1. 问题建模与策略开发
本文通过一个滚动时域最优控制(Rolling-Horizon Optimal Control)框架对CAV的生态驾驶进行建模。目标是设计一套通用且可部署的生态驾驶策略，使CAV在面对纵向（如前方MVs的动态行为、车队排队）和横向扰动（如MVs的切入变道和逃逸变道）时，都能高效保持生态驾驶的效果。

研究中，生态驾驶任务被建模为一个带有安全约束的优化控制问题，其中包括：
- 最小化能耗的目标函数。 - CAV运动学约束（位置、速度、加速度）。
同时，为了评估MVs和CAV的能耗，分别建立了基于电动车和燃油车的能耗模型，用于计算车辆的瞬时能量消耗。

2. 模拟环境设计
研究使用开源的微观交通仿真软件SUMO(Simulation of Urban Mobility)建立了一个2×2的多车道城市交通网络，包含四个信号灯路口。在仿真中，CAV可以通过车-路通信(V2I Communication)获取信号灯的实时信息，但不与MVs进行直接通信。MVs的纵向行为使用经典的Gipps跟车模型模拟，而其变道行为则基于SUMO的LC2013变道模型。同时，仿真设置了不同的市场渗透率(Market Penetration Rate, MPR)，即CAV在车辆总数中的比例，从3%到90%不等。

3. 数据分析方法与对比研究
本文定义了三种交通情景进行对比研究：
- 情景1：不涉及生态驾驶的基准交通流，仅包含MVs的变道行为。
- 情景2：CAV进行生态驾驶且MVs可以自由变道。
- 情景3：CAV进行生态驾驶但MVs禁止变道。
对于每种情景，研究通过三种随机生成的流量分布进行了多次重复实验，确保结果的稳健性。

数据分析聚焦于以下内容： - 不同MPR下MVs的变道行为（切入、逃逸和正常变道）的统计。 - CAV生态驾驶的成功率。 - 不同情景下混合交通流的能耗节约率。

核心研究结果

1. 变道行为分析

研究发现，与没有生态驾驶的基准情景相比，生态驾驶显著影响了MVs的变道行为。具体表现为：
- 随着CAV的MPR从3%上升到30%，MVs的切入变道和逃逸变道的数量显著增加，达到峰值后开始减少。 - 正常变道的次数在情景2中随MPR单调下降，且下降速率高于情景1。 - 在MPR较低时（低于10%），MVs的切入和逃逸变道行为对普通变道的“竞争”相对较小，但随着MPR的增加，三种变道行为的竞争显著加强。

2. 生态驾驶效果与成功率

对于情景2，即MVs可以自由变道的混合交通网络，CAV生态驾驶的成功率随着MPR的增加单调提升。在MPR为10%时，生态驾驶的失败率为18.8%；而当MPR达到30%时，失败率迅速降至3.1%，随后趋近于0。

相比之下，在情景3中（MVs禁止变道），CAV的生态驾驶成功率在各个MPR下都显著高于情景2，证明横向扰动（变道行为）是生态驾驶成功率的重要影响因素。

3. 能耗节约

通过计算整个混合交通流的能耗节约率，研究发现：
- CAV生态驾驶对整个交通流的能耗节约效益随着MPR的提升而显著增加。
- 在MPR较低时（低于10%），节约率普遍低于10%；但随着MPR提高到30%及以上，节约率快速增长，在90% MPR时达到24.6%。 - 然而，MVs的变道行为对生态驾驶的能耗节约率有显著负面影响。在剔除MVs变道的情景3中，能耗节约率相较情景2更高，且随着MPR上升更具显著优势。

研究结论与意义

本研究首次在多车道混合交通网络中综合考虑了MVs的变道行为与纵向动态对CAV生态驾驶的影响，为生态驾驶策略的实际部署提供了理论支持和工程实现方法。本文提出的滚动时域最优控制框架不仅展示了强大的抗干扰能力，还提升了CAV生态驾驶在复杂实际交通环境中的可行性。

在科学价值方面，研究填补了当前生态驾驶研究中对于横向扰动缺乏考虑的空白，并为未来智能交通研究奠定了基础。在应用价值方面，由于研究聚焦于低MPR情景（更接近实际部署初期），其成果对CAV早期的推广与节能减排目标的实现具有重要意义。此外，本文还为未来研究提供了诸多扩展方向，包括CAV协同驾驶、强制变道场景等。

研究亮点与创新

1. 提出了适用于多车道城市交通网络的通用生态驾驶策略，在纵向与横向扰动的双重影响下验证了其有效性。
2. 设计了面向实际部署的研究框架，避免了对V2V通信的依赖，具有更好的实用性与适用性。
3. 通过大量仿真数据，首次系统探索了CAV生态驾驶如何影响MVs的切入、逃逸及正常变道行为。
4. 实现了对混合交通网络能耗优化的精确评估，并量化了变道行为对节能效果的影响。

未来研究方向

作者建议未来的研究可进一步扩展以下内容： - 包括CAV编队（Platooning）在生态驾驶中的应用。 - 对MVs变道意图的实时识别。 - 结合车-路协同优化的自适应交通信号控制。 - 针对电动车的再生制动系统与生态驾驶策略的协作研究。