自動駕駛混合交通流的交通和環境效益評估

胡明偉，施小龍，翟素云,劉 鵬

(1. 深圳大學 土木與交通工程學院，廣東 深圳 518060；2. 深圳大學 濱海城市韌性基礎設施教育部重點實驗室， 廣東深圳 518060； 3. 深圳大學 未來地下城市研究院，廣東 深圳 518060； 4. 弘達交通咨詢(深圳)有限公司，廣東 深圳 518060)

0 引 言

根據國家統計局部門相關統計，2019年底，全國汽車保有量高達2.8億輛，2013—2019年以年均12%的速率持續增長[1]。機動車保有量的持續增長將加劇交通擁堵、交通事故以及環境污染等城市問題[2]，交通管理和交通設計等傳統交通改善方法逐漸遭遇瓶頸。近年來，大數據、云計算、5G通信等技術催促下，智能網聯車發展迅猛[3]。據自動駕駛技術成熟度曲線(Gartner曲線)，自動駕駛呈曲線發展趨勢，2013—2017年，單車智能迅速發展，處于期望膨脹期；2018—2020年，由于技術成長與公眾期望不匹配，單車智能將迎來低谷期。此期間，車路協同技術將帶領單車智能快速度過低谷期；2020—2035年，隨著自動駕駛逐漸接受市場的驗證，智能車將從復蘇期逐漸爬升至成熟期，預計于2035年，實現大規模產業化。Gartner曲線表明，未來道路上將出現自動駕駛車輛和手動駕駛車輛混行，并逐漸過渡到全部自動駕駛車輛的交通狀況。針對這種過渡的混合交通流狀況，研究評價自動駕駛車輛的交通和環境效益，可以為自動駕駛車輛的政策制定提供指導。

汽車測試是自動駕駛技術研發不可或缺的一個環節。基于實驗場地的實車試驗是目前自動駕駛車研發的主流平臺。2016年11月，美國交通部在密歇根州安娜堡搭建世界上第一個測試自動駕駛汽車技術的試驗場，M-City試驗場[4]。2018年3月，百度Apollo自動駕駛汽車在實際道路上完成路測。然而，實體車與實體道路測試往往存在成本高、周期長、對底層硬件設備可靠性高度依賴，且有一定安全隱患等問題。這時就凸顯了配備有虛擬駕駛環境及各種豐富的虛擬傳感器的汽車智能仿真平臺的重要性。賀勇等[5]利用PreScan的駕駛仿真搭建了虛擬交通場景，分析自動駕駛相關技術的穩定性； L.CUI等[6]搭建了PreScan仿真平臺，用于模擬車聯網車輛在網絡攻擊下的運行狀態。

國內外學者在自動駕駛混合交通流特性的研究上已取得一定的進展，涉及混合交通流的穩定性、基本圖模型、交通流建模等方面。蔣陽升等[7]用全速度差模型和CACC模擬混合交通流的跟馳特性，對混合交通流的穩定性進行了分析；秦嚴嚴等[8-9]應用Newell跟馳模型作為手動駕駛車輛跟馳模型，并利用PATH實驗室真車測試標定的模型作為自動駕駛車輛跟馳模型，推導出自動駕駛混合交通流基本圖模型，并提出了不同自動駕駛車輛比例下的混合交通流元胞傳輸模型(CTM)。

機動車尾氣排放模型是測算機動車尾氣排放污染物的仿真模型，可分為宏觀、中觀以及微觀三種尺度[10]，其中MOVES是在國內外的尾氣排放測算應用最廣泛且更接近實現情況的多尺度排放模型[11]。黃文柯等[12]通過AnyLogic和MOVES耦合模型，研究出行者信息APP提供的實時交通信息對城市空氣質量的影響；王亞男[13]采用VISSIM以及MOVES搭建了公交專用道設置對機動車尾氣排放影響的量化分析模型；H.ABOU-SENN等[14]通過MOVES和VISSIM的結合，揭示了在高速公路上，交通量、速度、卡車占比、道路坡度和溫度對CO2排放的影響；H.PERUGU 等[15]研究MOVES在印度進行輕型機動車排放模擬，提出了修改輕型汽車排放率的方法；F.LIU 等[16]研究了自動駕駛車輛對溫室氣體排放的影響；P.KOPELIAS等[17]對道路中運行的自動駕駛車輛帶來的環境效益進行了綜述。

1 建模方法

1.1 方法概述

筆者基于自動駕駛車輛的駕駛行為理論，運用VISSIM軟件進行仿真建模，模擬不同市場滲透率的自動駕駛車輛在不同交通流(高峰期、平峰期、低峰期)中的運行過程，并采集路網中車輛的平均速度、路段距離等信息作為MOVES機動車尾氣排放模型的數據輸入，最后全面評價研究自動駕駛車輛對交通流特征以及交通環境造成的影響。

1.2 人工駕駛車輛行為

目前研究中，模擬人工駕駛車輛的駕駛行為有有刺激-反應類、生理-心理類、安全距離、人工智能類等模型。其中心理-生理模型能夠較準確模擬出實際人工駕駛行為，因此筆者選用以Wiedemann模型為基礎的微觀仿真軟件VISSIM，模擬人工駕駛車輛的駕駛行為。Wiedemann模型主要包括適用于車輛跟馳行為的心理-生理模型和適用于車輛橫向運動行為描述的規則性模型。

1.3 自動駕駛車輛行為

根據技術路線的不同，自動駕駛車輛的駕駛行為可分為不同的駕駛規則，主要有自適應巡航控制系統(adaptive cruise control，ACC)和協同式自適應巡航控制系統(cooperative adaptive cruise control，CACC)兩大類[18]。

ACC算法較簡單，直接計算所需的精確加速度以達到最小的安全距離，并且加速度也需要滿足期望車頭時距。核心算法如式(1)～式(7):

(1)

(2)

(3)

bound(x,y,z)=max(min(x,y),z)

(4)

Ifaself≤asafeandasafe≤0:

(5)

thenanew=bound(aself,amax,amin)

(6)

elseanew=bound(atarget,amax,amin)

(7)

式中：aself為達到最小安全時距的加速度；atarget為達到期望車頭時距的加速度；vself為當前車輛的速度；anew為決定的加速度；amax為最大的加速度；amin為最小加速度；vlead為當前車輛前車的速度；sspace為當前的車頭間距；hhd為當前的車頭時距；hhd,min為最小的安全車頭時距 默認為3 s；hhd,target為目標車頭時距；bbuffer為最小的安全空間距離；sstep為時間步長，默認為0.1 s。

從ACC和人工駕駛車輛駕駛特性對比角度來看，ACC的運行特性最終通過駕駛員反應時間、安全距離、最小車頭間距和變道行為這些駕駛行為參數反映。因此，在VISSIM中對駕駛行為參數的加以設定，從而模擬自動駕駛車輛運行特性和效果。具體設置過程如圖1。

圖1 自動駕駛車輛駕駛行為參數設置過程Fig. 1 Setting process of driving behavior parameters of autonomousvehicles

筆者的自動駕駛行為模型中，采用了VISSIM中的Wiedemann 99車輛跟馳子模型[19]，與其他可用的汽車跟隨子模型相比，該模型提供了更多的可修改參數，因此對于調整自動駕駛行為具有更大的靈活性。其中模型的閾值與參數取值關系如式(8)～式(13)：

AX=L+CC0

(8)

BX=AX+CC1×v

(9)

式中：AX為靜止車輛停車期望距離；BX為最小的安全跟馳距離；L為前車車身長度；若后車的行駛速度小于前車速度，v為后車速度，否則為前車速度。

SDX=BX+CC2

(10)

(11)

(12)

(13)

式中：SDX為跟馳過程中駕駛員意識到距離變大的閾值；SDV為距離較大時速度差的閾值，表示駕駛員意識到正在接近一輛低速行駛車輛的速度差臨界點；CLDV為前后車距離變小時，駕駛員意識到很小的速度差并且距離減小的閾值，是區分跟馳車輛處于逼近前車和跟馳駕駛的重要閾值；OPDV在前后車距離變小時，駕駛員意識到很小的速度差并且距離增大的閾值；Δx為車頭時距；δ取值為1或0。

此外，仿真模型中還具有可以更改的車輛換道參數。筆者調研了10個被認為最能代表自動駕駛行為的參數，包含8個跟車參數和2個換道參數[20]。按圖1中自動駕駛車輛駕駛行為參數設置流程，多次試驗標定得到10個參數值，如表1。

表1 自動駕駛車輛駕駛行為參數Table 1 Driving behavior parameters of autonomous vehicles

1.4 微觀交通仿真模型

利用VISSIM搭建微觀交通仿真模型主要包括交通環境搭建、交通流輸入、交通參數配置、仿真運行4個步驟。交通環境搭建的主要是通過加載背景圖作為仿真布局，添加路網模塊，車輛輸入，交叉口控制模塊，根據實際情況為對應的交通環境模塊設置其屬性。交通參數設置中的自動駕駛行為參數設置，主要是利用VISSIM仿真軟件提供的二次開發COM接口完成對車輛的控制。通過Python編程語言完成式(1)～ 式(7)中的ACC規則核心算法、ACC換道行為模型以及表1的自動駕駛車輛行為參數的輸入，從而完成ACC模塊的開發。主要仿真流程如圖2。

圖2 VISSIM仿真流程Fig. 2 Flowchart of VISSIM simulation

1.5 機動車尾氣排放模型

筆者采用MOVES微觀尺度(Project level)建立機動車排放模型。其運算和計算如式(14)：

Tp,s=(∑Ep,b×Ac,b)×Aj,p

(14)

式中：T為機動車總排放量；p為機動車排放過程；s為排放源類型；b為排放源和工況區間；E為排放速率；Ac,b為行駛特征；Aj,p為調整因子。

構建MOVES排放模型主要有3個步驟：①RunSpec面板參數設置；②在數據管理器(MOVES project data manager)中創建一個微觀層面的數據庫，來輸入交通仿真軟件VISSIM模型輸出的數據以及其他參數。其中交通仿真輸出的數據主要有車輛組成及其分布，自動駕駛車輛比例，路段長度，路段流量，路段平均速度等。VISSIM微觀仿真模型和MOVES排放模型的耦合測算步驟如圖3，其他參數如具有區域特征的信息(如氣象條件)則需要根據深圳市的實際情況進行本地化；③經過模型測算后，輸出尾氣排放清單結果，存儲在MySQL數據庫中。

圖3 VISSIM仿真和MOVES排放模型的耦合測算步驟Fig. 3 Coupling calculation steps of VISSIM simulation and MOVES emission model

2 案例研究

為更加準確研究自動駕駛車輛對城市交通和環境效益的影響，筆者選取了典型的快速路交織區進行實例研究，以深圳市濱海大道及濱海大道輔路交織區為例，如圖4，有1條東西走向的快速路，分流合流輔路各1條。快走路中1條車道設計通行能力為1 200 veh/h，一條輔路車道設計通行能力為600 veh/h，實驗設計高峰期、平峰期和低峰期3個不同時段的具體車流量如表2。

圖4 仿真路網示意Fig. 4 Schematic diagram of the simulated road network

表2 不同時段(高峰期、平峰期、低峰期)車流量Table 2 Traffic volume during different periods (peak, flat peak andlow peak period) veh/h

按照微觀交通仿真模型的具體建模步驟，設置路網的仿真時長為5 400 s。為使仿真符合實際情況，仿真時長被細分為較小的時間段，包括1 800 s的預熱和4個900 s的增量時間。這個時間分割模式，可讓仿真模型捕獲到周期內需求的時間變化及對交通運營的影響，如堵塞，隊列傳播和耗散。在交通仿真中控制車輛構成，設重型車占比5%，剩下95%占中構建的自動駕駛車輛的占比從0～100%(步長為10%)，并根據表1中自動駕駛車輛和傳統車輛的駕駛行為參數設置駕駛特性，建立仿真模型。最后根據表2中不同時段的車流量進行輸入，建立交通網絡微觀仿真，以評估不同比例的自動駕駛車輛在交通效益上帶來的變化。

利用MOVES軟件中微觀尺度進行機動車尾氣排放模型的搭建，排放模型的本地化參數及輸出指標如表3。

表3 MOVES研究案例參數匯總Table 3 Summary of MOVES project-level parameters

3 結果與討論

通過筆者搭建的綜合仿真體系，模擬仿真了不同比例的自動駕駛車輛在不同交通流(高峰期、平峰期、低峰期)中的運行過程。基于仿真運行的數據，交通效益以平均速度、平均停車次數、平均延誤以及總出行時間進行評價研究，環境效益則選取NOx、PM2.5、CO污染物排放量和能源消耗量為研究指標[12]。

3.1 交通效益

混合交通流中的自動駕駛車輛，整體上有助于交通效益提升，且隨著其占比增加，交通效益呈穩定線性上升趨勢，如表4。由表4可知，自動駕駛車輛對于交通效益的作用，高峰期明顯優于平峰期和低峰期。

表4 仿真路網交通效益評價指標運行結果Table 4 Running results of traffic benefit evaluation index of the simulated road network

高峰期中，當自動駕駛車輛(Avs)在交通流中的比例小于30%時，自動駕駛車輛與人工駕駛車輛的混合行駛容易造成平均速度降低，增大平均延誤、平均停車次數和總出行時間。這可能是因為高峰期車流量大，路網交通復雜，自動駕駛車輛小比例突然加入，致使整個道路系統的交通行為更為復雜，混和交通流處于不穩定狀態，導致交通效益波動[21-22]。自動駕駛車輛占比大于30%時，自動駕駛車輛逐漸成為路網的主流車輛，才可有效提升混行交通流的交通效益，且占比在30%～40%范圍時，交通效益有大幅度提升。當自動駕駛車輛達100%時，可降低45.59%的總出行時間、98.77%的停車次數和96.46%的平均延誤，提升122.73%的平均旅行速度。

平峰期狀態下，交通效益提升較緩慢。在系統中全部是自動駕駛車輛的下，總出行時間提升7.85%，平均旅行速度提升8.58%，而在平均延誤和平均停車次數上則相對來說改善效果較顯著，可降低84.43%的平均延誤和86.42%的停車次數。

低峰期狀態下，實際車輛本身處于一個自由行駛的狀態，自動駕駛車輛的介入對總出行時間和平均速度改善不大。在全部都是自動駕駛車輛的交通系統，只降低了1.62%的總出行時間，提升了1.03%的平均旅行速度。

3.2 環境效益

隨著混合交通流中自動駕駛車輛占比的提升，環境效益評價(PM2.5、NOx和CO)以及能源消耗的指標值逐漸降低，即交通環境效益逐漸提升，如表5。

表5 仿真路網環境效益評價指標運行結果Table 5 Running results of environmental benefit evaluation index of the simulated road network

高峰期狀態下，當自動駕駛車輛占比小于30%時，此時交通系統不穩定，導致環境效益處于一個波動狀態。當自動駕駛車輛的占比達到100%時，在能源消耗方面，整個交通系統可少消耗約57.76%的能源，相應的PM2.5由0.977 0 g/veh減排到0.363 1 g/veh，減排率高達62.84%。在其他機動車主要污染物，NOx減少55.04%，CO減少58.86%。

平峰期狀態下，當自動駕駛車輛的占比達到100%時，整個系統減少了約56.66%的能源消耗，減少排放了58.24%的PM2.5，56.58%的NOx，56.18%的CO。

低峰期狀態下，由于車輛一直處于自由行駛狀態，自動駕駛車輛對其環境效益改善較小，在全部都是自動駕駛車輛的交通系統上，能源消耗也只減少了13.49%，相應PM2.5減少了14.33%，NOx減少了17.47%，CO減少了18.89%。

4 結 語

筆者通過耦合VISSIM微觀仿真模型和MOVES機動車尾氣排放模型，搭建了一套基于自動駕駛車輛的駕駛行為的綜合仿真體系，并應用在城市快速路上進行了仿真模擬，對不同市場滲透率的自動駕駛車輛在三種場景(高峰期、平峰期、低峰期)中的交通和環境效益進行了評價研究。得出如下結論：

1)在高峰期，交通效益方面，高峰期的總出行時間、平均旅行速度、平均延誤和平均停車次數均有顯著改善，當自動駕駛車輛達100%時，可降低45.59%的總出行時間、98.77%的停車次數和96.46%的平均延誤，提升122.73%的平均旅行速度；環境效益方面，整個系統可減少了約57.76%的能源消耗，減少排放了62.84%的PM2.5，55.04%的NOx，58.86%的CO。

2)在平峰期，交通效益方面，僅有平均延誤和平均停車次數較明顯改善，當自動駕駛車輛達100%時，可降低84.43%的平均延誤和86.42%的停車次數；環境效益方面，整個系統可減少了約56.66%的能源消耗，減少排放了58.24%的PM2.5，56.58%的NOx，56.18%的CO。

3)在低峰期，自動駕駛車輛的介入對交通效益改善并不大，當自動駕駛車輛達100%時，只降低了1.62%的總出行時間，提升了1.03%的平均旅行速度；環境效益方面，能源消耗也只減少了13.49%，相應PM2.5減少了14.33%，NOx減少了17.47%，CO減少了18.89%。