混合自動駕駛場景多換道需求下的主動間隙適配和換道序列規劃

祁宏生，應雨燕，林俊山，姚志洪

混合自動駕駛場景多換道需求下的主動間隙適配和換道序列規劃

祁宏生1，應雨燕1，林俊山2，姚志洪3

(1. 浙江大學，智能交通研究所，杭州 310058；2. 海南省熱帶汽車試驗有限公司，海南瓊海 571400；3. 西南交通大學，交通運輸與物流學院，成都 611756)

為解決城市道路擁擠狀態下車輛可行換道間隙少、換道時間長，進而導致停車等待、堵塞后續車流等問題，本文基于智能網聯環境下車輛之間的交互協同，提出了一種混合自動駕駛場景多換道需求下的主動間隙適配和換道序列規劃模型。首先，采用多項式和三角函數分別描述了換道過程中的空間軌跡和速度曲線，得出了換道間隙可行性判別依據。在此基礎上，構造了換道啟動可行狀態集合，并構建了單個換道請求下的間隙適配和協同換道的最優控制模型。然后，考慮多換道需求，構建了主動間隙適配和換道序列規劃模型，對換道序列進行整體優化。最后，設計了數值仿真實驗，驗證了本文模型可對多換道需求進行時空優化。仿真實驗結果表明，本文模型能夠降低換道行為對城市道路通行能力的影響，且適用于不同的交通需求，模型可提升24%的道路通過量。

智能交通；智能網聯車輛；換道；軌跡規劃；間隙；仿真

0 引 言

傳統交通流理論分別采用跟馳模型和換道模型描述車輛的縱向和橫向運動。車輛行駛過程中，駕駛員根據自身的期望速度和周邊車輛的信息(位置、速度等)進行跟馳或換道的選擇。相比跟馳行為，換道行為流程更為繁瑣，對周圍車輛的運行軌跡影響更顯著，其研究意義更明顯。傳統換道模型未考慮車輛之間的信息交互和動作協同，因此更容易導致交通擁堵的形成和道路通行能力的損失。近年來，智能網聯汽車的發展為交通管理與控制提供了新的機遇。智能網聯汽車可通過車載傳感器、控制器以及執行器等實現車輛間的信息交互，完成復雜的協同換道行為。但考慮到相關道路基礎設施和汽車的升級換代需要一定的周期，因此，未來在相當長的一段時期內，道路上交通流將普遍由人工駕駛車輛(Human Driven Vehicles，HDV)和智能網聯汽車(ConnectedAutomated Vehicle，CAV)構成。因此，研究混合交通流環境下，車輛之間的協同換道行為將更具有實際應用意義。

圖1 間隙適配和協同換道

綜上，本文面向混合自動駕駛車流場景，同時考慮有多個CAV換道需求，建立車-車協同的主動間隙適配和換道序列規劃模型。首先，對換道行為建模及軌跡規劃相關研究進行了回顧；然后，構建了混合自動駕駛場景下的多車主動間隙適配和換道序列規劃模型；接著，設計了數值仿真實驗，驗證了本文模型的有效性；最后，為相關結論和對未來的研究展望。

1 文獻綜述

換道行為是自動駕駛車輛的基本任務，也是微觀交通流模型的核心建模對象之一。一般而言，換道行為按動機可分為強制型換道和任意型換道[1]。任意型換道的目標是追求更快的速度，強制型換道的目標是進入目標車道，以完成特定駕駛目標(例如轉向、駛離高速等)。當周圍沒有環境車輛時，換道車輛可按照自己的意愿進行自由換道；當周圍存在環境車輛，換道行為受到環境車輛的影響。這種情況下，換道可分為強迫換道和協作換道。強迫換道是指換道時，車輛對周圍其他車輛產生較大的干擾；協作換道則為目標車道的車輛主動減速，為換道車輛制造間隙。為了刻畫上述駕駛員的換道行為和換道過程，相關學者做了大量的研究工作，Gipps[2]提出了基于規則的決策樹結構換道模型；Yang和Koutsopoulos[3]提出了Gipps模型改進版，該模型增加了駕駛員的換道概率，并將換道過程分為意圖生成、目標車道選擇、間隙搜索和換道執行四個階段；Zheng等[4]研究了換道行為對交通流的影響；Hidas[5, 6]提出了適用于城市道路和高速公路的換道模型；Kesting[7]基于安全規則和期望規則，提出了MOBIL換道模型；Ahmed等[8]提出了機遇離散選擇換道模型；Toledo[9]將任意型換道和強制型換道統一考慮，構建了換道的效用模型，該模型考慮了保持在本車道和進入更快側向車道的權衡。上述研究均基于人類駕駛員換道行為機理，為揭示交通流現象提供了諸多分析工具和視角。

隨著智能網聯汽車的發展，車輛不僅可以通過感知設備[10]獲取車身周邊的環境信息，還可以通過通信設備進行信息的交互[11]，從而完成各種復雜的駕駛行為。因此，在該環境下，CAV可對換道進行規劃與執行。現有研究表明，CAV的換道軌跡模型有多種，常見的有多項式[12-16]、樣條曲線[17]、三角函數[18]、貝塞爾曲線[19]Ak?elik加速度曲線[20]等。柏海艦等[21]提出了無人車換道模型，其調整自身的速度至目標車道速度后再進行換道；黃玲[22]和蘭鳳崇等[23]提出了基于LSTM神經網絡的換道模型，并利用NGSIM的數據進行了擬合分析；Do等[12]在日本高速路場景下對駕駛員的換道行為進行了研究，提出了擬人駕駛的兩階段換道模型。上述研究主要研究單個自動駕駛車輛的換道行為。在換道規劃過程中，關鍵參數(例如換道持續時長)為先驗固定值[12, 24]，這與實際不符，進而約束了換道軌跡的可行空間。根據實際觀測和統計，不同駕駛員、不同場景中的換道行為表現出不同的參數特征，例如Sun[25]的觀測結論為自由換道持續時長處于1.5s到3.5s之間，而協作換道則處于2s到6.5s。Hill[26]和Yang等[27]的觀測結果也驗證了換道持續時長的差異性。因此，上述研究針對智能網聯環境換道模型的假設比較理想，且對周圍環境車輛的信息考慮較少。

在高密度車流中，CAV可以與其他車輛交互實現協作換道。這種協作可體現于信息預測[28]、行為規劃或優化[29]等。由于HDV不受控，當CAV的預期軌跡受到HDV影響時，只能中斷換道過程[30]，此時，并未實現換道。在擁堵場景下，由于可行間隙變少，車輛換道成功性大幅降低。因此僅僅依靠CAV的單車智能，無法達成順利換道目標。多CAV車輛之間的協同為順利換道提供了可行條件，這種場景下存在兩種CAV：換道需求CAV和間隙適配CAV。前者存在換道需求，后者通過減速、增大間隙，為前者提供換道機會。由于換道間隙位置、換道間隙大小、換道啟動時刻、換道啟動位置都為變量，現有的換道軌跡規劃、可行性判據無法滿足這種需求。當多個換道需求同時存在時，這一問題將更加復雜。上述分析表明，多換道需求場景下間隙適配和換道過程的規劃尚無較好的解決方案。

為了解決上述缺陷，本文將擁堵混合自動駕駛車流場景下CAV的換道歸納為主動間隙適配和協同規劃問題，并提出基于最優控制的成對CAV規劃和換道序列優化模型。仿真結果顯示，本文模型不僅能夠規劃多換道需求下的軌跡，還可降低換道行為對道路通行能力的影響。

2 主動間隙適配和換道序列規劃模型

2.1 問題描述與模型框架

本文建模場景為城市干道上游可合法變道部分，如圖2所示。

圖2 建模區域

為便于建模，本文進行了相關假設：

假設1 智能網聯車輛可獲取該路段所有車輛的信息，包括其他智能網聯車和人工駕駛車輛。人工駕駛車輛的信息可由CAV的車載檢測器檢測，也可通過路側單元獲取并傳輸到智能網聯車輛。

假設2 對于人工駕駛車輛，本文采用智能駕駛員模型(Intelligent Diver Model，IDM)描述其跟馳行為。

假設3 CAV可實時判斷目標車道間隙的可行性。優化結果的執行過程中，若HDV的行為導致目標車道的目標間隙過小從而無法實現換道，則換道規劃算法重新運行。因此，本文將HDV的行為作為外界不可控因素，只要規劃的軌跡和間隙使得換道不可行，則算法重新進行優化。

其中，假設2中的跟馳模型也可用其他跟馳模型進行替換，不影響本文所提出方法的整體框架。存在換道需求的CAV稱之為換道需求車輛或換道需求車輛集。相互之間存在間隙適配可能的需求車輛稱之為一個換道車輛群，例如，圖3中存在車群A和車群B。車群A中存在換道需求的車輛為c3，車群B中存在換道需求的車輛為c6和c7。車輛c9需要換道，換道行為受到c10的影響，但是由于c10不是智能網聯車，所以c9的換道決策假定c10的行為給定且不受控，因此，c9和c10不構成車群。同時，換道車群A和B的行為之間沒有相互作用，可對這兩個車群分別進行換道規劃，無需考慮它們之間的相互影響。確定換道群的啟發式方法在2.4節描述。

一個換道優化車群的換道行為需要協同考慮，例如，圖3中車輛c3需要換道至直行車道，若c1決定減速為c3制造可行換道間隙，則c2無需為c3制造可行間隙。因此，對于一個換道優化群，需要考慮所有換道請求和間隙適配，進而得出最優決策。本文提出方法的整體工作流程如圖4所示。

圖3 換道需求車輛集及換道車群

圖4 模型工作流程圖

(1)篩選換道需求車輛集合，該集合取決于車輛的轉向需求和所在車道。

(2)定義換道車輛群，是指空間上相互接近，且需要進行換道協同的車輛集合，實際操作中可設定距離閾值確定。“成對協同軌跡規劃決策”模塊中，“成對”是指換道需求車輛和適應換道需求，進行加減速主動制造可行間隙的車輛。

(3)求解最優間隙適配和換道序列。當換道車輛群中存在多個換道請求，多個換道請求的執行順序可以有不同的方案。滿足所有換道需求的可行決策構成一個序列。本文從所有序列中選擇執行時間最短者作為優化結果。

2.2 換道時空軌跡建模與可行性判據

CAV的換道過程可由車輛的時空軌跡來體現。在進行換道之前，需要尋找間隙、判斷CAV能否利用該間隙安全完成換道。換道軌跡模型為根據相關條件(本車速度和位置、周圍車輛速度和位置、車道寬度、道路限速)生成預期的行駛軌跡；換道可行性判據則為根據相關條件，判斷車輛能否安全完成換道。

2.2.1 換道時空軌跡模型

本文將空間軌跡和速度曲線進行解耦，分別建模：(1)如果軌跡中含有時間，則需要預先給出換道持續時長。根據觀測，該值散布于一個區間內，同時，給定換道持續時長取值會壓縮換道軌跡的可行解空間，因此不宜預先確定換道時長。(2)間隙適配過程中，SV車輛加速部分末端狀態(也即圖7的時刻的狀態)對應的側向車道間隙是否可行并不確定。因此，需要將末端狀態的換道間隙可行性納入優化問題的約束，該問題本質上是換道啟動時刻可行狀態集合的確定。

圖5 換道場景

其中，加速度曲線、速度曲線和距離曲線中的參數滿足如下約束：

2.2.2 換道可行性判別

圖6 換道可行性判據

綜上所述，換道可行決策和軌跡規劃的流程為：

(5)判斷是否滿足本車道前車和后車、側向前車和后車的安全要求；

(6)輸出換道可行性判據結果(可行或者不可行)。

2.3 間隙適配和換道協同優化模型

圖7 間隙適配和換道協同優化

2.3.1 換道啟動時刻可行狀態集合確定

從而可得：

進一步，可得：

最終，得到：

同理，依據式(11)得到式(16)。此外，考慮兩種子情況：

2.3.2 協同軌跡優化模型及求解

此外，約束式(19)(g)可以表達成式(21)：

2.4 換道車輛群的換道規劃

優化模型(式(20))針對的是單個換道需求，多個換道需求場景如圖8(a)所示。綠色標識為換道需求車輛，也即需要進行換道的車輛。圖中，車輛c3需要進行換道，間隙適配車輛可以是c1或者c2。車輛c11同樣為換道需求車輛，但是由于c11和下游車輛間距較遠，無需同時考慮c11和c3的換道需求。換道車輛群的換道規劃需要(1)確定換道車輛群；(2)提取成對換道需求車輛和間隙適配車輛；(3)換道序列生成和規劃。

圖8 換道車輛群構造示意圖

2.4.1 換道車輛群劃分

換道車輛群使換道行為產生相互影響，需要統籌考慮所有車輛，其中換道車輛群確定流程如圖9所示。

圖9 換道車輛群構造流程

模塊2中，任意一個換道需求車輛，其目標車道上只要存在CAV，那么該CAV就可能為換道需求車輛提供間隙適配機會。本文設定如下規則：(1)上游候選間隙適配車輛的搜索過程中，最多搜索5輛車；(2)一旦找到一輛間隙適配車輛，那么不會繼續向上游搜索；(3)當車輛的縱向距離大于閾值時(此處設定為125m)，則認為車輛之間沒有任何影響，從而以該閾值切割上游或者下游的換道車輛群。以圖8(a)中的車輛c7為例，由于c7下游沒有車輛，因此，沒有下游候選間隙適配車輛，而上游第一輛CAV為c4。因此，車輛c7的上游間隙適配車輛為c4。此時，車輛c7的上下游間隙適配車輛搜索完畢，不會再向上游搜索。車輛c9進行搜索時，目標車道的下游第一輛CAV為c5，但是c10和c5間距大于閾值，因此c9不會與下游的CAV構成換道車輛群。因此，可將換道需求車輛和候選間隙適配車輛相連接，構成一個有向圖。任意一條邊從換道需求車輛指向間隙適配車輛，如圖8(b)所示，該圖用于生成模塊3中的換道車輛群。

模塊3中的換道車輛群構造基于模塊2輸出的有向圖。該有向圖對應的無向圖中，任意一個孤立子圖構成一個換道車輛群，例如圖8(a)中的車群B，車輛c9也獨自構成一個換道車輛群，但該換道車輛群無需進行間隙適配優化。

2.4.2 換道序列決策樹生成

任意一輛換道需求CAV最多對應兩輛間隙適配車輛。進行協同換道時，換道需求車輛所利用的間隙最多只有兩種可能。協同換道的序列可以進行枚舉生成，如圖8(c)所示。枚舉首先從最下游的換道需求車輛開始向上游追溯，這是考慮最下游車輛的換道需求最迫切，且下游換道需求車輛的間隙適配車輛的軌跡會影響上游車輛。

以圖8(a)所示的車輛群B為例，首先從最下游的車輛c7開始。由于c7只對應車輛c4，因此，c7從根節點分支一個子節點c7(c4)，括號中為間隙適配車輛標識符；上游相鄰車輛為c6，該車輛對應兩個間隙適配車輛，因此，從節點c7(c4)進行分支，得到兩個子節點(c6(c4)和c6(c5))，最終得到圖8(c)中的換道序列決策樹。

2.4.3 換道規劃集及決策

輸入·換道序列·人工駕駛車輛·每輛車(包括換道需求車輛和間隙適配車輛、人工駕駛車輛)的位置和速度 輸出·每輛車的軌跡(加減速軌跡和換道軌跡)·車輛群間隙適配和換道所用時長 1 2For k=1 to n 3求解式(20)，對進行間隙適配優化，得到的加速段軌跡、 4換道軌跡、的適配軌跡 5For j=1 to 6車輛遵循IDM模型，計算其受前車影響的軌跡 7換道結束時刻，即為車輛群采用換道序列C所需時長

3 仿真實驗與結果分析

本文利用數值仿真和軟件仿真兩種方法對模型進行分析。數值仿真展示CAV的具體換道軌跡，軟件仿真說明模型對城市干道交通流的整體效果。假設人工駕駛車輛HDV遵循IDM跟馳模型，其表達形式如下：

圖11 多個換道請求共存下的仿真場景

考慮兩個換道決策序列c1(c3)→c2(c3)以及c1(c3)→c2(c4)。首先，考慮第一個換道序列中的第一個換道請求c1(c3)，也即c3減速為c1提供換道機會。利用優化模型式(20)對c1和c3的軌跡進行協同優化，可得到圖12、圖13和圖14為軌跡優化結果。其中，圖12為換道車輛c1和間隙適配車輛c3的速度曲線。當速度調整完畢(圖12中速度曲線終點對應時刻)，車輛c1即開始換道。從圖12中可知車輛c3一直在減速，為c1制造可行間隙，而車輛c1首先減速再進行加速。分析可知，車輛b0的存在，c3需要首先減速擴大和b0的距離，然后進行換道。圖13給出了本車道所有車輛的時空軌跡。車輛c1的軌跡分為三部分：減速等待間隙、換道和目標車道跟馳。第一部分軌跡的速度如圖12所示，車輛在大約30s內完成了換道行為。從減速開始至換道完成，行駛距離約為200m。圖14為目標車道所有車輛的軌跡，其中，第二輛車(也即車輛c3)的軌跡也分為三部分：減速進行間隙適配、恒速部分(為車輛c1換道提供可行性)和跟馳部分。第一部分軌跡的速度也如圖12所示，整體而言，完成第一個換道請求大約需要30s。

第一個換道請求c1(c3)優化完畢后，再考慮第二個換道請求c2(c3)，第一個換道請求完成之后的軌跡作為第二個換道請求c2(c3)的輸入。在優化車輛c2和c3的軌跡時，需要考慮車輛c2和前車的距離作為安全約束，換道請求c2(c3)規劃的初始狀態如圖15所示。由于在優化c2時，假定c1已經完成換道，因此，c2車輛和前車的約束要考慮兩段：第一段為圖11中車輛b1的軌跡和c1的第三段軌跡(也即跟馳部分)，二者共同構成了車輛c2換道時的“本車道前車”。車輛c2軌跡規劃時，既需要考慮和b1的距離，也需要考慮和c1第三部分軌跡的距離；第二段為c3進行間隙適配時，需要考慮的b2的軌跡和c1的第三部分軌跡。其中，c2(c3)軌跡優化結果如圖16和圖17所示。

圖12 間隙適配車輛和換道車輛的速度

圖13 本車道間隙適配和縱向軌跡優化結果

圖14 目標車道間隙適配和軌跡優化結果

圖15 換道請求c2(c3)規劃時的初始狀態

圖16 本車道換道請求c2(c3)的間隙適配和縱向軌跡優化結果

圖17 目標車道換道請求c2(c3)的間隙適配和縱向軌跡優化結果

兩輛CAV的縱向軌跡如圖16所示，每個軌跡可分為三段：速度適配、換道和(換道完成時在目標車道)跟馳，且在大約35s時，兩輛車都進入了目標車道。此外，圖17給出了目標車道所有車輛的軌跡，從圖中可知，優化的結果為c3持續進行減速，為c1以及c2制造可行間隙。車輛c1首先獲得換道可行性進行換道，隨后，車輛c2獲得可行性間隙，并進行換道。整個換道過程持續約35s，換道距離(用車輛c1軌跡的初始位置和換道完成時的位置差來計算)約為200m。

圖18為第二個換道序列c1(c3)至c2(c4)的軌跡規劃結果。其中，車輛c3減速為c1進行間隙適配，車輛c4減速為c2提供間隙適配，且第一個換道和第二個換道發生時刻分別約為20s和30s。兩個換道請求執行需要的空間距離(從車輛c1的位置開始計算)約150m。由圖17可知，兩個換道完成時間比第一個換道序列(見圖14)短，換道執行所需要的縱向距離也比第一個換道序列短，因此，換道序列c1(c3)→c2(c4)優于換道序列c1(c3)→c2(c3)。綜上，最終的換道軌跡采取第二個換道序列的優化結果(即圖18)。

圖18 目標車道換道序列c1(c3)→c2(c4)的軌跡優化結果

為了研究算法在宏觀層面對交通流的影響，以圖19(a)的城市道路為例，利用SUMO搭建仿真路段進行仿真。其中，路段分為展寬段和上游段，其中展寬段長度100m，上游段長度300m，上游段允許換道，信號參數如圖19(b)所示。綠燈時間統一設定為40s，黃燈時間為3s；基準交通需求為直行流量300輛/h和左轉流量100輛/h。基準流量乘以流量系數作為最終的輸入流量。例如流量系數為2，則輸入直行流量600輛/h，左轉流量200輛/h，其中，右轉流量設定為100輛/h不變。

圖19 仿真場景

分析可知，若展寬段內直行車輛排隊過長，則會堵塞展寬段入口。最左側車道如果存在未順利換至直行車道的車輛，則左轉車輛被堵塞，進而影響交叉口的通過量。而基于本文提出的方法，可使車輛順利完成換道，進而緩解交叉口的堵塞風險，提升整個交叉口的通過量。因此，利用仿真期間內的整個進口道實際通過的車輛數可驗證本文提出方法的有效性。通過仿真，得到不同的需求水平下的通過量如表1所示。

表1 算法通過量和仿真通過量對比

從表1可知，與沒有協同換道相比，本文提出的方法在不同交通需求下的交叉口進口通過量均要高，最少可以提升24%。由表1的結果可知，即使信號參數不變，由于排隊溢出和堵塞的存在，交叉口的通過量與輸入流量未成正比關系。

4 結 語

本文提出了混合自動駕駛場景多換道需求下的主動間隙適配和換道序列規劃方法。該方法利用多項式和三角函數，將單個換道需求下成對CAV的時空軌跡求解表達為最優控制模型。數值仿真表明，當目標車道的間隙不可行時，該方法可以對成對CAV進行時空軌跡優化，為換道需求車輛提供合適的換道間隙；當多個換道需求同時存在，本方法可遍歷換道序列，對車輛群的換道過程進行整體優化。仿真結果表明，在不同交通需求水平下，應用本文方法后整體交通流運行狀態得到了提升，因此，本文的方法可以降低換道失敗車輛對交通流的影響。

道路交通流運行受到很多因素的影響，在進行軌跡優化時，本文需要進一步考慮HDV和CAV之間的博弈行為。同時，本文假設在規劃初期能獲得所有車輛的信息，然而混合自動駕駛車流的感知仍然需要進一步研究。

[1] 溫惠英, 張偉罡, 趙勝. 基于生成對抗網絡的車輛換道軌跡預測模型[J]. 華南理工大學學報(自然科學版), 2020, 48(5): 32-40.

[2] GIPPS PG. A model for the structure of lane-changing decision[J]. Transportation Research Part B: Methodological, 1986, 20(5): 403-414.

[3] YANG Q, KOUTSOPOULOS HN. A microscopic traffic simulator for evaluation of dynamic traffic management systems[J]. Transportation Research Part C: Emerging Technology, 1996, 4(3): 113-129.

[4] ZHENG Z, AHN S, CHEN D, et al. The effects of lane-changing on the immediate follower: anticipation, relaxation, and change in driver characteristics[J]. Transportation Research Part C: Emerging Technology, 2013, 26: 367-379.

[5] HIDAS P. Modelling lane changing and merging in microscopic traffic simulation[J]. Transportation Research Part C: Emerging Technology, 2002, 10(5-6): 351-371.

[6] HIDAS P. Modelling vehicle interactions in microscopic simulation of merging and weaving[J]. Transportation Research Part C: Emerging Technology, 2005, 13(1): 37-62.

[7] KESTINGA, MARTIN T, HELBING D. General lane-changing model MOBIL for car-following models[J]. Transportation Research Record: Journal of the Transportation Research Board, 2007, 1999(1): 86-94.

[8] AHMED K, BEN-AKIVA M, KOUTSOPOULOS H, et al. Models of freeway lane changing and gap acceptance behavior[J]. Transportation and Traffic Theory, 1996, 13: 501-515.

[9] TOLEDO T, KOUTSOPOULOS HN, BEN-AKIVA M. Integrated driving behavior modeling[J]. Transportation Research Part C: Emerging Technology, 2007, 15(2): 96-112.

[10] 高茹涵. 基于多傳感器融合的自主換道控制策略研究[D]. 長春: 吉林大學, 2020.

[11] 劉志強, 韓靜文, 倪捷. 智能網聯環境下的多車協同換道策略研究[J]. 汽車工程, 2020, 42(3): 299-306.

[12] DO Q, TEHRANI H, MITA S, et al. Human drivers based active-passive model for automated lane change[J]. IEEE Intelligent Transportation Systems Magazine, 2017, 9(1): 42-56.

[13] NILLSSON J, BRANNSTROM M, COELINGH E, et al. Lane change maneuvers for automated vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(5): 1087-1096.

[14] 田勇達. 混流環境下智能網聯車輛換道模型研究[D]. 長春: 吉林大學, 2020.

[15] 張榮輝, 游峰, 初鑫男, 等. 車-車協同下無人駕駛車輛的換道匯入控制方法[J]. 中國公路學報, 2018, 31(4): 180-191.

[16] 張家旭, 張振兆, 趙健, 等. 采用極點配置的自動駕駛汽車換道路徑規劃與跟蹤控制[J]. 西安交通大學學報, 2020, 54(10): 1-8.

[17] ZHU S, AKSUN-GUVENC B. Trajectory planning of autonomous vehicles based on parameterized control optimization in dynamic on-road environments[J].Journal of Intelligent & Robotic Systems, 2020, 100(4): 1055-1067.

[18] KATZOURAKIS D, DE WINTER JC F, DE GROOT S, et al. Driving simulator parameterization using double-lane change steering metrics as recorded on five modern cars[J]. Simulation Modelling Practice and Theory, 2012, 26: 96-112.

[19] PEREZ J, GODOY J, VILLAGRA J, et al. Trajectory generator for autonomous vehicles in urban environments[C]//2013 IEEE International Conference on Robotics and Automation. Karlsruhe: IEEE, 2013: 409-414.

[20] AKCELIK R, BESLEY M. Acceleration and deceleration models[C]//23rd Conference of Australian Institutes of Transport Research(CAITR 2001). Melbourne: Monash University, 2001, 10-12.

[21] 柏海艦, 申劍峰, 衛立陽. 無人車“三階段”換道軌跡規劃過程分析[J]. 合肥工業大學學報(自然科學版), 2019, 42(5): 577-584, 676.

[22] 黃玲, 郭亨聰, 張榮輝, 等. 人機混駕環境下基于LSTM的無人駕駛車輛換道行為模型[J]. 中國公路學報, 2020, 33(7): 156-166.

[23] 蘭鳳崇, 李詩成, 陳吉清, 等. 考慮操縱穩定性的自動駕駛汽車軌跡綜合優化方法[J]. 湖南大學學報(自然科學版), 2019, 46(10): 36-45.

[24] MA F, SHEN Y, NIE J, et al. Trajectory planning and tracking for four-wheel-steering autonomous vehicle with V2V communication[R]. Detroit: SAE Technical paper, 2020.

[25] SUN D, KONDYLI A. Modeling vehicle interactions during lane-changing behavior on arterial streets[J]. Computer-Aided Civil and Infrastructure Engineering, 2010, 25(8): 557-571.

[26] HILL C, ELEFTERIADOU L, KONDYLI A. Exploratory analysis of lane changing on freeways based on driver behavior[J]. Journal of Transportation Engineering, 2015, 141(4): 04014090.

[27] YANG M, WANGX, QUDDUS M. Examining lane change gap acceptance, duration and impact using naturalistic driving data[J]. Transportation Research Part C: Emerging Technologies, 2019, 104: 317-331.

[28] CHEN Y, LUC, CHU W. A cooperative driving strategy based on velocity prediction for connected vehicles with robust path-following control[J]. IEEE Internet of Things Journal, 2020, 7(5): 3822-3832.

[29] WANGZ, ZHAOX, XUZ, et al. Modeling and field experiments on autonomous vehicle lane changing with surrounding human-driven vehicles[J]. Computer-Aided Civil and Infrastructure Engineering, 2020, 36(7): 877- 889.

[30] LUOY, XIANGY, CAOK, et al. A dynamic automated lane change maneuver based on vehicle-to-vehicle communication[J]. Transportation Research Part C: Emerging Technologies, 2016, 62: 87-102.

Proactive Gap Adaption and Sequence Planning for Multiple Lane-changing Requests under Mixed Autonomous Vehicle Flow

QI Hong-sheng1, YING Yu-yan1, LIN Jun-shan2, YAO Zhi-Hong3

(1. Institute of Transportation Engineering, Zhejiang University, Hangzhou 310058, China; 2. Hainan Tropical Automobile Test Co. Ltd, Qionghai 571400, China; 3. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 611756, China)

During rush hours, the feasible gaps for the lane-changing behavior of vehicles decreases, and lane-changing duration increases. Vehicles that fail to change laneshave to wait and hence, block the upstream traffic flow. As connected and autonomous vehicles (CAVs) communicate and cooperate, a proactive gap adaption and lane-changing sequence planning model that works ina mixed CAV scenario when multiple lane-changing requests coexist was established in this study. First, polynomial and trigonometric functionswere employed to express the spatial trajectory and the speed profile during lanechanging, based on which the lane-changing feasibility criterion was established. Next, the feasible state setof the lane-changing initiation moment was constructed. The cooperative lane changing for a singlelane-changing request was formulated as an optimal control model. For multiplelane-changing requests, the lane-changing sequence was optimized as a whole. The numerical simulations show that the proposed model can optimize the spatial-temporal trajectory. The software simulations reveal that the model can decrease the influence of lane-changing behavior on throughput at different demand levels. The improvement was up to 24%.

intelligent transportation; connected automated vehicle（CAV）; lane changing; trajectory; gap; simulation

U491

A

10.19961/j.cnki.1672-4747.2021.04.031

1672-4747(2021)04-0036-16

2021-04-22

2021-06-02

2021-06-11

2021-04-22； 04-24～04-25； 05-07～05-08； 06-02

國家重點研發計劃項目(2019YFB1600300)

祁宏生(1984—)，男，江蘇鹽城人，副教授，研究方向為交通控制和交通流理論，E-mail：qihongsheng@zju.edu.cn

姚志洪(1991—)，男，安徽安慶人，助理教授，研究方向為智能網聯交通系統建模與優化，E-mail：zhyao@my.swjtu.edu.cn

祁宏生，應雨燕，林俊山，等. 混合自動駕駛場景多換道需求下的主動間隙適配和換道序列規劃[J]. 交通運輸工程與信息學報，2021, 19(4): 36-51.

QI Hong-sheng, YING Yu-yan, LIN Jun-shan, et al. Proactive Gap Adaption and Sequence Planning for Multiple Lane-changing Requests under Mixed Autonomous Vehicle Flow[J]. Journal of Transportation Engineering and Information, 2021, 19(4): 36-51.

(責任編輯：李愈)