随着网联自动驾驶车辆(CAV)混入道路交通，城市主干路在未来一段时间内将是CAV与网联人工驾驶车辆(CHV)混行的局面[1]，且交叉口作为车辆汇集、转向和疏散的必经之处，成为制约道路通行效率的关键因素，同时车辆在交叉口处的启停和空转行为也是造成环境污染的重要原因．因此，如何提高交叉口通行效率、实现绿色环保驾驶是未来混行交通面临的重要问题．近年来，学者为探究CAV集聚车队对道路通行效率的影响进行了大量研究[2-4]．Chen等[2]提出了一种高速公路集聚车队的协同控制模型，并验证了该模型在不同市场渗透率(MPR)下可以大幅提高道路通行效率，梁军等[3]提出了车队级和车道级两种集聚策略，证明CAV集聚车队可以提高道路的通行效率，Axelsson等[4]发现CAV车队在提高道路通行能力和降低油耗方面具有很大潜力，但都未考虑到CHV加入集聚车队的情况，且大多数集聚车队的研究[5]都是面向高速公路进行的，忽略了在城市主干路中的应用情况．与高速公路上的连续车流不同，城市主干路上的车流经常被交通信号所打断，信号交叉口成为道路交通流动的瓶颈，这也推动了研究学者在控制车辆不停车通过交叉口(non-stop intersection passing，N-SIP)方面的研究[6]．Liu等[7]研究了一种基于CAV协同式的自适应巡航方法，可以提高车辆N-SIP的机会．Jiang等[8]提出了一种基于CAV可变速度的信号交叉口控制方法，可以有效降低车辆的停车次数和燃油消耗，但均未考虑与交通信号进行协同控制．与CHV相比，CAV能够更准确地感知周围环境和交通信号的相位时间，更易实现车联网(vehicle to everything，V2X)协调控制．本研究构建了一种适用于主干路交叉口的基于MAS的混行车流集聚控制(MTF-ACM)模型．以CHV混入的集聚车队为研究对象，提出了基于V2V技术的混行车流集聚策略，并设计基于时空同步机制的预信号诱导策略，控制集聚车队的速度进而改变其进入交叉口的时间，结合主预信号协同配时策略，进一步提高集聚车队N-SIP的概率．1 问题假设研究场景为交叉口进口道，分为路段控制区域和交叉口控制区域，覆盖V2X技术且无丢包现象，车辆在进入不可换道区前可换道，如图1所示．10.13245/j.hust.240608.F001图1场景示意图将交通流中的主要要素抽象为Agent，主要有Vehicle-Agent(记为Veh-Agent，包括CAV-Agent和CHV-Agent)，Road-Agent(记为Roa-Agent)，Traffic Light-Agent(记为TL-Agent)，Management-Agent(记为Man-Agent)．CAV-Agent能够自主感知并接受外界的诱导信息，并通过自由驾驶终端进行车辆控制．CHV-Agent是可实时感知信息并且具备V2V功能的车辆，其决策取决于驾驶人主观危险感和对诱导信息的接受程度等，且能够实时向驾驶员提供驾驶建议，进而影响驾驶员的驾驶决策．2 CAV混行车流集聚策略2.1　基于N-SIP的MTF-ACM模型MTF-ACM是基于MAS的分层集中式控制，如图2所示，按照交通信息、状态等数据逐级流动划分为决策层、组织层、协同执行层和平台层，上层智能体监控下层代理，下层智能体执行决策并向上层反馈，同层的Agent都具有相同的等级、属性和行为规则，且与其他层的Agent能够通过通信协议进行信息流的交互，共同作用达到最终的目标状态．10.13245/j.hust.240608.F002图2MTF-ACM框架2.2　基于V2V技术的混行车流集聚策略当Veh-Agent进入路段控制区域，Veh-Agent会被立即检测同时Man-Agent可获得其行驶状态信息库A={R,ki,lj,xi,vi}，其中：车辆编号i=1，2，…n，车道编号j=1，2，…u；R为车辆周围环境信息；ki为自身车辆i类型；lj为车辆所在车道；xi为车辆i的位置；vi为车辆i的速度．选择位于中间车道的CAV-Agent为目标车辆，然后向其下达集聚指令，同时向CHV-Agent发送集聚建议．构建混行车流集聚策略所使用到的参数：目标车辆g，目标车辆所在的车道l，目标车辆的前/后方车辆f/b，目标车道的相邻左/右车道l±1，车辆的当前位置/速度xi/vi，路段所允许的最大/小车速vmax/vmin，安全车速vsafe，最小安全间距dsafe，目标车辆和前方车辆的间距dgf，可集聚行驶的最大距离dmax，单个车辆车长dg，常规加速度a，目标/前方车辆最大减速度ag/af，CAV/CHV的反应时间τg/τh．2.2.1　CAV集聚策略a.目标CAV同正前方CAV进行集聚目标CAV-Agent可根据V2V技术对前车的速度vf和位置xf进行实时感知，当满足间距条件Cdgf时，即可与其进行集聚行驶，dsafe≤dgf=xf(l)(t)-xg(l)(t)-dg≤dmax；vg(l)(t+1)=min{vg(l)(t)+a,vmax,xf(l)(t+1)+dgf-dsafe,vsafe}；dsafe=vg(l)(t)τg+[vg(l)(t)]2/(2ag)-[vf(l)(t)]2/(2af)，式中，a根据ACC规则[9]标定，目标CAV-Agent通过vi和xi更新即可完成集聚，随即向左换道在集聚车队专用道上行驶，若目标CAV-Agent与前车无法满足Cdgf，则须更换集聚对象．b.目标CAV同邻前方CAV进行集聚目标CAV-Agent与其邻后车满足安全换道条件Cdgf时，即可进行变道，随后回到a，其中Cdgf为：xg(l)(t+1)-xb(l±1)(t)+vb(l±1)(t+1)≥dsafe;xf(l±1)(t+1)-xg(l)(t)+vg(l)(t+1)≥dsafe.若不满足Cdgf，则可与目标车道的滞后车辆进行协同交叉换道，随后回到a，其中协同交叉换道条件Cdfgb如下xf(l±1)(t+1)-xg(l)(t)+vg(l)(t+1)≥dsafe;xg(l)(t+1)-xb(l±1)(t)+vb(l±1)(t+1)≥dsafe;xb(l±1)(t+1)-[xb(l)(t)+vb(l)(t+1)]≥dsafe.若不满足Cdfgb，则须更换集聚对象．2.2.2　CHV接受集聚策略在车队可集聚范围内，CHV-Agent会被检测到并收到集聚建议，但CHV驾驶员是否选择接受集聚建议具有不确定性，主要受到两个因素影响．外部因素：CHV-Agent会立即对车辆行驶状态信息库A={R,ki,lj,xi,vi}进行分析，判断是否可以加入集聚行驶，并得出其加入集聚行驶的建议等级，即影响CHV驾驶员加入集聚车队的外部因素e，e=ω1ρ+ω2cr+ω3y+σ，式中：e取值[0，1]；ρ为稳态交通流密度；cr为拥堵率；y为CHV加入集聚车队的优势函数；ω1，ω2和ω3分别为ρ，cr和y影响权重，ωi∈[0,1)且∑ω=13ωi=1；σ为随机误差．内部因素：影响CHV加入集聚车队的驾驶员内部因素I，I=[1+exp(∑j=0mηjαj+δ)]-1，式中：I取值[0，1]；αj为驾驶员是否接受集聚建议的主要影响因素；ηj为各个因素的相对权重，根据经验人为指定；δ为随机误差．考虑到CHV驾驶员的不确定性，引入了模糊化思想，r为驾驶员接受程度度量，取值为[0，1]，可根据贝叶斯条件概率计算得到Prec=P(r|I,e)=P(I,e|r)P(r)∑rP(I,e|r)P(r)∝P(I,e|r)P(r)=P(e,r|I)P(e)=P(e|I)P(r|I)P(I),式中Prec为CHV驾驶员接受集聚行驶建议的概率，由CHV-Agent给出的建议等级和驾驶员内部因素共同制约．采用一定的高斯概率模型建模，表示为I=ce+ε;r=be+ε',式中：c和b为变换参数；ε和ε'为噪声．综上，若前方CHV驾驶员同意加入集聚车队，则此时集聚车队的最小安全间距为dsafeh=vg(t)τh+[vg(l)(t)]2/(2ag)-[vf(l)(t)]2/(2af)．2.3　基于时空同步机制的预信号诱导策略MTF-ACM设计了动态虚拟预信号(pre-traffic light，PTL-Agent)，基于交叉口时空同步机制协调车队进入交叉口控制区域的时间，构建了基于预信号控制的速度诱导策略，增加车辆N-SIP的机会．PTL-Agent建立在主信号的上游，其虚拟位置即主信号与预信号停车线之间的距离xz，xz=Qm[ra+(1-pa)prec]tr(dg+ds)，式中：Qm为该时段车辆的到达率；pa为CAV的渗透率；tr为主信号的红灯时长；ds为集聚车队停车时的安全间距．PTL-Agent根据集聚车队信息库B=Rq,kq,xq(l),vq及当前相位信息对集聚车队，有4种不同的速度诱导策略，其中：Rq为集聚车队周围环境信息；kq为集聚车队中车辆的类型；xq(l)为集聚车队的位置；vq为集聚车队的行驶速度．当面对同一集聚车队时，xz必须相同，否则会因不同的速度诱导策略导致车队无法集聚行驶．2.3.1　匀速控制策略若集聚车队能够以vq(t)不停车通过预信号停车线，PTL-Agent对其无需速度的干预，判断条件Tq+xq(l)(t)/vq(t)∈(Ts,Te)，式中：xq(l)(t)为集聚车队当前的位置；vq(t)为车队当前的速度；Ts和Te分别为当前相位绿灯的启亮和结束时刻；Tq为车队从路段控制区域到通过预信号停车线任意位置的时刻．2.3.2　加速控制策略PTL-Agent引导车队以加速度aacc_max缓慢加速，若xq(l)(t)能够满足加速到vmax，则通过预信号停车线时间tqmin=tq_aa+tq_ac；tq_aa=[vmax-vq(t)]/aacc_max；tq_ac=[xq(l)(t)-(vq(t)tq1+aacc_maxtq12/2)]/vmax，式中：tq_aa为加速至vmax所需时间；tq_ac为保持vmax行驶时间．若xq(l)(t)不能满足加速到vmax，则通过预信号停车线时间及判断条件如下：tqmin=-vq(t)+vq2(t)+2aacc_maxxq(l)(t)/aacc_max;Tq+tmin∈(Ts,Te)．综上，加速控制策略如下：v(tqi)=v(tqi)+aacc_max(tqi-t)   (tqi∈[t,t+tq_aa]);vmax  (tqi∈(t+tq_aa,t+tq_ac]),式中tqi为车队通过预信号停车线的任意时刻．2.3.3　减速控制策略PTL-Agent引导车队以加速度adec_max缓慢减速，若xq(l)(t)能够满足减速到vmin，则通过预信号停车线时间tqmin=tq_dd+tq_dc；tq_dd=[vq(t)-vmin]/adec_max；tq_dc=[xq(l)(t)-(v0(t)tq1+adec_maxtq12/2)]/vmin，式中：tq_dd为减速至vmin所需时间；tq_dc为保持最小速度行驶时间．若xq(l)(t)不能满足减速到vmin，则通过预信号停车线时间以及判断条件如下：tqmin=vq(t)+vq2(t)-2adec_maxxq(l)(t)/adec_max；Tq+tmin∈(Ts',Te')，式中Ts'和Te'分别为下一相位绿灯的启亮时刻和结束时刻．综上，减速控制策略如下：v(tqi)=v(tqi)-adec_max(tqi-t)   (tqi∈[t,t+tq_dd]);vmin   (tqi∈(t+tq_dd,t+tq_dc]).2.3.4　诱导停车策略若车队在当前相位剩余绿灯时间内不能通过预信号停车线，则PTL-Agent会引导车队以加速度as缓慢减速，直至到停车线前刚好速度减为零，其中判断条件如下：as=vq2(t)/(2xq(l)(t))；Tq+vq(t)/as∈(Ts',Te')．此时，集聚车队须停车等待下一相位的绿灯时间亮起，才得以通过预信号停车线，控制策略为：v(tqi)=v(tqi)-as(tqi-t)   (tqi∈[t,t+vq(t)/as]);0   (tqi∈(t+vq(t)/as,Ts']).在速度诱导过程中，若头车已经通过预信号停车线，而不断有车辆加入到集聚车队，则预信号的绿灯时间会进行适当延长，tc=minncdg+dcv(tqi),tmax，式中：tc为绿灯延长时间；tmax为最长绿灯时间．2.4　考虑车队优先权的主预信号协同配时策略集聚车队通过预信号停车线进入交叉口控制区域后，首先根据其转向需求进入不同的车道，然后按照主信号对其发送的建议速度vs行驶，配合主预信号之间的续进式信号协调控制策略，能够最大可能不停车通过交叉口，图3为主预信号协同配时策略示意图．10.13245/j.hust.240608.F003图3主预信号协同配时策略示意图在主预信号续进式信号协调控制策略中，重点在于相对相位差T(T=xz/vs)的设计，即协调主预信号绿灯的启亮及结束时刻，如图4所示．集聚车队的预信号绿灯启亮时间和绿灯结束时间均早于主信号T，车队根据vs行驶可以不停车通过交叉口，且可避免通过预信号的车队无法通过交叉口，进而增加车队的停车等待时间．单车行驶的预信号绿灯启亮时间晚于集聚车队的预信号绿灯启亮时间T，可提高CHV驾驶员接受集聚行驶概率Prec，单车行驶的预信号绿灯结束时间早于主信号的绿灯结束时间T，便于清空交叉口控制区域的所有车辆，给后续集聚车队不停车通过交叉口做好铺垫．10.13245/j.hust.240608.F004图4主预信号的协调配时方案3 CAV混行车流集聚策略分析3.1　混行交通流通行能力分析利用Matlab搭建城市主干路的元胞自动机进行数值仿真，设城市道路为三车道，道路长度为1 km，并采用周期性边界，时间步长为0.1 s，仿真1 800 s，取最后600 s数据．仿真参数值[9-10]：dg=8，vmax=20 m/s，ah=1 m/s2，a=3 m/s2，vmin=5 m/s，dsafe=10 m，adec_max=-3 m/s2，aacc_max=2 m/s2，ds=4，vs=10 m/s．3.1.1　不同MPR下混行交通流通行能力分析为分析MTF-ACM对城市道路通行能力的影响，通过设置不同的MPR(R)进行无集聚控制(NO-ACM)、CAV集聚控制(CAV-ACM)和混行车流集聚控制(MTF-ACM)元胞自动机仿真对比实验，对所得数据进行分析，不同MPR下混行交通流(Q)-密度关系如图5所示．10.13245/j.hust.240608.F005图5不同MPR下混行交通流-密度关系当密度低于20 辆/km时，车辆处于自由行驶状态，各模型控制效果没有明显差异．当密度高于100 辆/km时，因交通拥堵无法取得理想集聚效果．密度处于20~100 辆/km下，当MPR为20%时，专用道上没有足够的车辆，造成了负效率面积；MPR为40%时，在低密度区域，也会有负效率区域，但在高密度区域，车队专用道被充分利用，产生正效率面积；MPR为60%时，车队专用道被高效利用，产生正效率面积；MPR为80%时，车道被大量CAV占据，专用车道的效益有所下降．不同控制模型下的通行能力如图6所示．当密度处于50~80 辆/km，MPR为40%时，MTF-ACM控制下的最大通行能力略高于对比模型；MPR为60%时，集聚车队比例明显增高，车队专用道利用率达到最大化，MTF-ACM的控制效果最佳．10.13245/j.hust.240608.F006图6不同控制模型下的通行能力对比驾驶员驾驶经验、驾驶风格不同，导致CHV在行驶过程中有很大的不确定性．图7为不同控制模型下的混行交通流-密度关系，由图7可知：MTF-ACM控制下的仿真数据点的离散程度较NO-ACM和CAV-AVM模型明显降低；MTF-ACM考虑了CHV混入的集聚车队，并设置了集聚车队专用道，降低了CHV不确定性，提高了混行交通流的可控性．10.13245/j.hust.240608.F007图7不同控制模型下的混行交通流-密度关系3.2　混行交通流通行效率分析3.2.1　时空轨迹分析为分析MTF-ACM对通行效率的影响，现对流量为900 辆/h、MPR为60%的单车道交通流进行仿真，得到不同控制模型下的车辆时空轨迹，如图8所示，图中x为位置．10.13245/j.hust.240608.F008图8不同控制模型下的车辆时空轨迹NO-ACM控制下的车辆在停车线前减速至零，等到红灯结束后再加速驶离；CAV-ACM控制下的车辆，也须在停车线前进行减速至零；MTF-ACM控制下的车辆，通过速度的实时更新，可以最大程度地不停车通过预信号停车线，再根据给予的vs行驶，可以不停车通过交叉口，且车辆的时空轨迹较为平缓，有效地减少了排队等待时间．3.2.2　不同控制模型下性能对比分析如图9为不同控制模型下(MPR为60%)性能对比，τ为平均延时；m为停车次数．当流量小于800 辆/h时，车辆不存在排队延误；当超过2 000 辆/h时，MTF-ACM的优化空间有限；当流量处于1 200~1 800 辆/h时，MTF-ACM有明显的优化效果，平均延误优化30%左右，停车次数优化比例达到50%以上，提高了交叉口的通行效率．10.13245/j.hust.240608.F009图9不同控制模型下的性能对比因MTF-ACM符合燃油消耗VT-Micro模型，故当流量小于800 辆/h或者大于2 000 辆/h时，交通流处于自由或拥挤状态，优化过程中会出现更多的速度波动，导致燃油消耗更糟．表3为平均油耗和CO2排放量对比，当流量为1 000~1 800 辆/h时，MTF-ACM可以优化集聚车队的行驶轨迹，减少车辆不必要的速度震荡，进而可以减少燃油消耗和CO2排放．10.13245/j.hust.240608.T001表3平均油耗和CO2排放量对比Q/(辆∙h-1)NO-ACMCAV-ACMMTF-ACM平均油耗CO2排放量平均油耗CO2排放量平均油耗CO2排放量80019.2845.9321.3250.8920.7149.391 00030.6773.2330.7173.3630.5471.601 20041.2598.6139.5493.2037.7688.321 40053.73128.5750.35120.2347.48113.141 60065.46156.5959.16141.2651.98121.811 80076.63183.4971.27170.2067.10160.282 00091.32217.9699.35236.6596.98231.39(mg∙km)-13.2.3　停车排队情况分析为进一步探究不同控制模型对整体交通流的影响，对单车道的混行交通流停车排队情况进行分析，表征交通流的拥堵率cr，cr=n'/(∆tn)，式中n'，∆t和n分别为停车排队的车辆数、模拟时间和车辆总数，这里将速度小于5 km/h的车辆定义为停车排队的车辆．如图10所示，当密度为20~40辆/km时，MTF-ACM优势不明显；当密度为41~50 辆/km且MPR为40%~80%时，集聚车队的比例显著提高，道路利用率也随着提高，尤其当MPR为60%时，MTF-ACM可以显著降低车辆的停车等待率，提高道路的通行效率．10.13245/j.hust.240608.F010图10拥堵率对比(色标单位：%)4 结语构建的MTF-ACM模型有效结合了MAS理论和集聚思想，显著提高CHV驾驶员接受集聚行驶的概率，降低CHV在行驶过程中的不确定性．通过对CAV混行车流集聚策略仿真分析，结果表明：当密度为50~80 辆/km、MPR为60%时，MTF-ACM的控制效果最佳，显著降低平均延误和停车次数，减少平均油耗和CO2排放，提高道路的通行效率．