软件工程与应用|智能网联背景下货运通道动态管控策略

点击蓝字，关注我们

导读：

在汉斯出版社《软件工程与应用》期刊上，有研究结合混合交通流特性和道路基建条件，确定使用车道管控与卡车编组两种关键策略，并深入分析了不同市场渗透率和交通流量下，为网联自动驾驶车辆设置专用车道带来的交通影响，以及卡车编组对专用车道策略的影响。

基本信息：

智能网联背景下货运通道动态管控策略

Dynamic Management and Control Strategy for Freight Corridors in the Context of Intelligent and Connected Vehicles

作者：

黄子轩*#, 程智鹏：上海理工大学管理学院，上海；干宏程：上海理工大学管理学院，上海；上海理工大学超网络研究中心，上海

关键词:

智能网联；混合交通流；管控策略；SUMO仿真；卡车编组

项目基金：

国家自然科学基金(71871143)

原文链接：

https://doi.org/10.12677/sea.2025.145097

内容简介：

上下滑动，查看更多

混合交通流管控策略

1.混合交通流组成

本文根据驾驶模式分为：自动驾驶车辆与人工驾驶车辆；依据车辆大小分为：小汽车与重型卡车。具体为以下四类：自动驾驶小汽车(Connected-Automated Vehicle, CAV)、自动驾驶重卡(Connected-Automated Truck，CAT，后文统称为“智能重卡”或“CAT”)、人工驾驶小汽车(Human-driven Vehicle, HDV)和人工驾驶重卡(Human-driven Truck, HDT)。如图1所示，当领航车前方是网联自动驾驶小汽车(CAV)时，领航车可通过CACC模式与前车紧密配合。而当领航车前方为人工驾驶车辆(HDV、HDT)时，由于无法与前方车辆进行V2V通信，CACC模式将退化为ACC模式。

2.车道管控策略

本文选择两种策略：卡车编组与车道管控。在混合交通流中，车道管控策略能够有效隔离不同类型的车辆，通过为CAV提供专用车道来提高通行效率和安全性。卡车编组策略则通过优化车队中的车辆间距，减少车辆间的相互干扰，从而提升整体交通流效率。

跟驰模型构建

1.IDM模型

智能驾驶员模型(IDM)常被用于表征人工驾驶车辆的跟驰行为，如公式(1)所示，表示车辆n在时间t的加速度，公式(2)中的s∗表示车辆所需的时间间隙。

其中，a和b分别是车辆的最大加速度和舒适减速度。vn(t)是车辆n在时间t的瞬时速度。vf是车辆自由流动交通条件下的最大速度；sn(t)=xn−1(t)−xn(t)−l是本车n的车头与前车n−1后保险杠之间的距离，l是前车n−1的长度。方程(10)中的s0为静止状态下的最小安全距离，T为安全车头时距， Δv(t)=vn(t)−vn−1(t)为领先车辆n−1与本车n在t时刻的速度差。

2.ACC模型

自适应巡航控制模型(ACC)是自动驾驶车辆的基本跟车控制模型，用于控制车辆的加速与减速，以维持与前车的安全车距。ACC模型可用公式(3)表示，是ACC车辆n在时间t的加速度。

其中k1和k2为模型控制参数。Δvn(t)=vn(t)−vn−1(t)为前车n−1与ACC跟随车辆n在t时刻的速度差值。en,a(t)=Δxn(t)−l−s0−tavn(t)为ACC车辆n在t时刻的实际跟随状态与期望跟随状态之间的距离偏差。en,a(t)直接影响跟随车辆的加速度计算：跟随车辆会根据该偏差进行调整，以便增大或减小与前车的距离，从而实现平稳的跟车行为。例如，如果en,a(t)为负值，说明跟随车辆需要减速以增加距离，反之后车可以考虑加速。其中vn(t)是当前ACC车辆n在时间t的速度。Δxn(t)−l−s0为实际跟随状态距离，其中Δxn(t)=xn−1(t)−xn(t)为ACC跟随车辆n与前车n−1(小汽车或重卡)之间在t时刻的车距。ta为ACC追随车辆对前车行为(如减速或加速)做出反应所需的时间，在该时间内，车辆需要考虑当前速度和与前车的距离，以安全、平稳地调整自己的速度。l是前车 n−1的长度，s0为车辆间静止状态下的最小安全距离。

3.CACC模型

车辆的协同自适应巡航控制模型(CACC)，指当CAV跟驰CAV、CAT跟驰CAT时，后车利用V2X技术与前车进行信息交互，实现前后车的协同驾驶控制。公式(4)是PATH实验室提出的基于PD控制的CACC模型，aCACCn(t)是CACC车辆n在时间t的加速度。

其中 kp ，kd和ka为模型控制参数。en,c(t)=Δxn(t)−l−s0−tcvn(t)为网联车辆n在t时刻的实际跟随状态与期望跟随状态之间的距离偏差。tc为CACC追随车辆对前车行为(如减速或加速)做出反应所需的时间。an−1(t)为前车n−1的加速度，因为该模型需考虑V2V通信，以此可以接收前车加速度an−1(t)等附加信息。Δvn(t),Δvn(t),Δxn(t),l和s0如先前所定义。

利用SUMO的混合交通流仿真分析

1.车道管控策略设计

策略一：未设置专用车道(现状)，现今两港大道的车道分配如图3所示，货车被允许行驶于右侧两车道。最外侧为慢速车道，小汽车可以行驶于所有车道，在外侧两车道会形成客–货跟驰，而货车被禁止驶入最内侧的客运车道。只根据车辆的大小来划分车道权限，不考虑网联车渗透率。

策略二：智能重卡专用道(CAT)，如图4所示，该管控策略于最右侧开启CAT专用道，仅允许CAT进入；普通重卡HDT仅允许在第二车道行驶，将大型车中的人工驾驶与自动驾驶分开；HDV、CAV也仅可以在内侧二、三车道行驶。

当车辆需要通过匝道驶入或者驶离高架，专用道的设置导致其他车辆未分配路权，因此在匝道处为需要驶入和驶离的车辆开放路权。路网布局如图5所示，仿真路段全场3.2 km，其中分为前中后3段1 km长的直行路段，并且在距起点1.1 km、2.1 km处根据实际情况先后设置出口匝道、入口匝道，匝道处设有长100 m的第四车道用于车辆换道、暂时占用。针对专用道的情况，在出口匝道的上游、入口匝道的下游开放长为500 m的交织区，因此有前后各600 m的路段供以换道。

策略三：网联车专用道(CAV、CAT)，如图6所示，策略三在最右侧开启网联车专用道，允许所有拥有智能网联功能的自动驾驶车辆驶入；第二车道为客货车道，允许HDV、HDT行驶；第三车道仅允许HDV驶入。

采取这种策略主要有两种原因：一方面，CAV和CAT虽然无法组成车队，但同属于智能网联汽车，它们可以通过车联网来通讯，从而确保安全、提高单车道的通行能力；另一方面，在可预见的CAT、CAV普及率都不高的未来几年，所有网联车辆行驶于同一车道仍不会达到单车道的通行能力瓶颈。

策略四：左侧–智能重卡专用道(CAT)，如图7所示。

策略五：左侧–网联车专用道(CAV、CAT)，如图8所示。

策略四和策略五，主要目的是将专用道内移。通道最内侧为专用车道，中间车道为快速车道，仅允许小型车(CAV和HDV)行驶；原先的最外侧车道改为现在的客–货混行慢速车道，主要供HDT行驶，同时允许HDV、CAV驶入。这2种策略最大的优点是将CAT完全放置在最内侧车道，减少了CAT在匝道区域与驶入驶出车辆的交织冲突。

2.智能网联环境下货运通道仿真平台搭建

四种车辆的参数设置如下表1所示，所有车辆均使用SUMO自带的“LC2013”换道模型。

采用智能网联重卡编组时，车流信息文件(*.rou.xml)中的CAT车辆属性需要进行的修改与添加如表2所示。

通行能力以标准车/小时(pcu/h)为单位进行衡量，由于该混合流中含有标准车辆也含有大型重卡，所以必须分开统计单位时间内通过的小汽车数、重卡车数。在仿真过程中，SUMO会记录通过终点的车辆id，并在仿真结束后通过TraCI读取这些车辆的总行程时间和损失时间，最后将小汽车、重卡分类后进行加权平均。损失时间的计算方法如公式(5)、(6)，损失时间是总行程时间减去畅行路况下的通行时间，L是通道长度，vf为该流量下的畅行速度。