卢广全，北京航空航天大学

1、研究概况

一、研究背景与思路

在智能交通变革的背景下，我们需要优化交通系统。优化需要新理论、新算法，必须充分利用自动驾驶和网络连接带来的信息和控制优势，更好地协调交通系统。

要优化交通系统，我们需要了解优化对象或控制目标，以及人、车、路之间的关系。随着自动驾驶、智能网联的出现，人、车、路的关系其实已经和我们过去熟悉的人、车、路的关系不同了。我们需要新的理论方法来解释和描述新的交通现象。优化交通系统。

该项目研究团队成员来自北航、清华大学、浙江大学、同济大学等15家单位，围绕车路协同系统要素耦合机制及协同优化方法开展基础研究。

2、研究框架

我们想探索在智能网联汽车、自动驾驶汽车、人类驾驶的环境下，人与车、人与车、车与车、车与路之间的耦合模型是什么样的。未来的汽车。用什么样的数学模型来表达这种模式，用什么方法可以更优化地利用交通资源。基于这一思路，项目从五个方面进行研究。

（1）研究人车耦合关系：我们想知道在未来的智能网联环境下，人与车的关系会产生什么样的变化趋势，这种变化趋势会对后续的最优控制产生什么样的影响。

（2）研究车车耦合关系：未来在智能网联环境下，包括提供大量信息的车载设备，驾驶员的反应和操作会发生一些变化，这些变化会产生什么影响有后续。

（3）研究车路耦合关系：有了车路和车辆的信息，车路的耦合关系发生了变化，这种变化会产生什么影响？

（4）探讨在智能网联环境下，可以采用什么方法来优化车辆轨迹、道路渠化、交叉口、主干道、路网的信号控制，使整个系统得到优化。

(5)通过仿真和实际现场测试，我们希望所提出的理论方法能够得到证实。

2 研究进展

1、人车耦合机制

针对人与车的耦合关系，我们希望建立一个通用的驾驶员仿真模型。未来，无论是人驾驶还是机器驾驶，都会有驾驶模型，在信息感知、信息处理、决策和操作等方面提供更好的性能。具有共同特征。我们用这个模型来代表人类驾驶汽车和自动驾驶汽车，以实现统一的模型基础。

在此基础上，我们需要研究人工驾驶在认知、反应、操作等方面的特点和差异。此外，人工驾驶的最大特点是具有一定的随机性和异质性。在智能网联环境下，如何解决人的随机性和异质性，以及不同驾驶员在接收到不同信息后控制特性会如何变化，这是该项目的第一部分。

(1)建立通用驾驶员仿真模型

我们建立了驾驶的四个属性：生理属性、感知属性、决策属性和操作属性。驾驶过程由属性层、表示层和认知层的138个参数来描述，包括驾驶员参数和车辆参数，包括未来自动驾驶的情况下，车辆也可以被视为一个特殊的人，但车辆的感知属性和决策属性是可控的，而驾驶员是随机的。

(2)驾驶员认知和操作特性

我们研究了不同环境对人们认知和操作特征的影响。例如，在给驾驶员提供车路系统信息后，驾驶员的换道时间与没有车路协同信息的环境相比会发生不同程度的变化。同时，我们对驾驶员的主观风险认知和行为进行了研究。在不同的环境下，人们对风险的认知也会有所不同。

(3)驾驶行为感知与意图识别

我们建立了驾驶行为感知模型，可以应用于超车、转弯、变道等典型驾驶行为的感知。同时提出了网络环境下变道、超车、转向意图识别的模型，能够更好地在短期内准确预测驾驶行为。

2. 车车耦合机构

第二部分的内容主要是车辆之间的耦合关系。一般路段有两种耦合行为，一是跟车，二是变道超车。还有路口交通，车辆之间的耦合关系更加复杂。这是项目第二部分要解决的问题。

对于车辆运动模型，过去有传统的跟车模型、变道模型和路口通过模型。但这些模型都是基于场景的，相互之间并不具有普适性。随着场景的爆炸，模型也处于不断爆炸、膨胀的过程中。基于通用驾驶员模型，我们尝试建立从感知、决策到控制的通用模型，以解决自动驾驶过程中的模型爆炸问题。

我们使用统一的模型来描述不同交通要素对车辆运动决策的影响。就像篝火之夜有很多火灾一样，人们不会进入火灾，因为他们知道火灾造成的风险范围；同时，如果有人在篝火之夜拿着火把跑步，人们也不会撞到他。因为人们都知道火炬的风险范围，或者预测火炬到达的时间和地点。这就是人类的决策模型。事实上，人们无形中根据火炬的大小和运动状态来评估自己面临的风险，所以我们用这个想法来描述交通环境。

根据不同的交通要素类型，如固定交通设施、动态交通管制信息、移动物体等，采用不同的模型量化其风险，并在叠加的基础上形成风险场。每个交通参与者都在现场进行运动规划和刺激响应的整个过程，从而可以统一跟车、变道、路口模型，避免一场景建立一个模型的情况。

目前我们在这方面做了一些尝试，建立移动物体的风险模型，量化动态风险，比如黄灯期间交通灯的风险。从黄灯开始到结束，不同时期通行的车辆所承担的风险是不同的。越接近红灯，风险越高。我们根据实际数据建立了风险量化模型。

我们验证了跟驰场景下的风险量化模型。与传统跟车模型相比，我们发现利用这种统一的风险描述方法建立的跟车模型能够达到传统跟车模型的准确性。相同的风险描述方法、相同的驾驶员风险接受水平、相同的运动决策模型也可以应用于换道场景。因此，所建立的模型可以统一描述跟车和变道行为。接下来我们想使用相同的模型来描述无信号交叉口和信号交叉口的交通。不过，未来的车型将不会是非常常规的车型。例如，如果你想绕过前面停着的一辆车，使用现有的各种跟车模型和变道模型都无法解决这个问题。我们的模型有望解决这个问题。问题的各个方面。

3、车路耦合机制

第三部分是车路耦合机制。如果不同的智能网联车辆混入路网，会对道路的宏观基本图，或者人流密度与速度的关系产生什么影响？这个问题也给交通容量的计算带来了问题。让我们思考一下。我们就这个问题做了一些讨论。我们的目的是，如果未来基础通行能力要提高10%，如果我们回去的话，智能网联汽车需要达到什么水平的性能？我们从单车道基础图到多车道基础图，一直到路网宏观基础图进行了基础研究。

另一个问题是如何计算出行时间可靠性以及如何在智能网络环境下发现路网的瓶颈。通过轨迹数据，我们发现路段的交通拥堵并不是单独发生的。许多交通拥堵之间存在相关性。我们需要使用轨迹数据来找出相关性。在相关关系的基础上，利用最大生成树方法找出拥堵传播的起点和传播路径，从而得到路网拥堵的时空传播图。还研究了一些与流向相关的传播机制。

在网络连接的环境中，我们预测行程时间的可靠性。传统的出行时间可靠性预测研究大多是针对个体的出行时间可靠性预测，尚未覆盖社区的出行时间可靠性预测。在本项目中，我们提出了交通社区出行可靠性的计算模型和方法。同时，基于计算模型和方法，我们将出行时间可靠性与网络交通状况联系起来，看看出行时间可靠性与网络交通状况之间的关系如何。相关性，在计算中使用了一种更有趣的方法。我们在行程时间可靠性计算中使用图像处理方法。这种方法有什么好处呢？我们利用图卷积方法来解决传统出行时间可靠性计算中因维度和交通区域增加而带来的维度灾难问题。

4、系统协同优化

基于人、车、车路耦合关系的基础研究，考虑如何从单个路口、路段、多个路口实现一整套优化算法，更充分地利用自动驾驶和智能网联的信息联系。优势和控制优势让整个交通系统变得更好。这是宏观的想法。我们在这方面提出了一些方法。

一是不同车辆在同一个路口如何先行和最后行驶的问题；二是路段如何引导车辆。当我们知道什么时候从上一个路口出发，什么时候到达下一个路口后，如何引导中间路段的车辆达到最优；第三个方面是向路网拓展。如果我们知道路口的几何条件以及联网自动驾驶车辆和手动驾驶车辆的交通需求，如何使用一套算法使交通能力得到显着提高。

接下来，我们研究了交叉口和路网交通信号的自适应优化，以及多个交叉口车辆轨迹的协同优化。通过控制车队中本地或少量自动驾驶车辆的轨迹，我们影响其他车辆的轨迹以实现交通。优化效率并推动能源消耗。

5. 模拟与现场测试

未来我们希望将这些理论研究落实到仿真系统中，目前正在积极搭建实车测试平台。一些微观模型和算法可以在实车测试平台上进行测试和验证。对于宏观算法，我们可以在仿真平台上进行评估。