兼顾效率与能效的城市道路智能网联汽车驾驶行为优化及实证研究

Guiding intelligent connected vehicles with optimized driving behaviors can smooth velocity curves , reduce velocity fluctuation, change lane with smooth trajectory and velocity profiles, and reduce the negative effects of lane-changing behaviors on the surrounding traffic, thus improve road capacity and fuel economy. Aiming at addressing the issue of difficulty in making driving behavior decisions systematically, scientifically and reasonably only by drivers' naked eyes and experiences, this project plans to carry out a research on optimal modeling and empirical study for driving behaviors of intelligent connected vehicle considering both road capacity and energy efficiency on urban roadways. Firstly, vehicles' velocity curves and trajectories data of ordinary vehicles running at the real signalized intersections will be mined, focusing on exploring some problems in complex scenarios with queue dissipation and moving platoon before the host vehicle. Secondly, aiming at the velocity jump of vehicles in the back of the target lane resulted from cutting in, the dynamic optimizing model for the lane-changing behaviors will be developed. Thirdly, the state of dual constraints is estimated and the cooperative optimization model for multi-lane driving behaviors will be proposed subjected to the surrounding vehicles. Finally, the empirical study will be conducted by integrating semi-physical simulation and analytical analysis with the field driving test. The dynamic optimizing strategies for the driving behaviors that will be proposed in this research can provide theoretical foundation and technique support to improve road capacity and fuel economy of traffic flow system.

对智能网联汽车的驾驶行为进行优化和引导能够平滑车辆的行驶速度曲线，减少速度的波动幅度和次数；能以平滑的运行速度和行驶轨迹实现车道变换，减少车道变换行为对周边交通的负面影响，进而改善道路通行能力和燃油经济性。本项目针对驾驶员单凭肉眼和驾驶经验，难以做出系统、全局、科学和合理的驾驶行为决策的问题，拟开展兼顾效率和能效的城市道路智能网联汽车驾驶行为的优化研究。首先，对城市道路非智能网联汽车的驾驶行为进行特征提取，重点探寻存在于动态排队消散和队列运动双重约束复杂场景中的问题；其次，针对盲目插空引起目标车道后方车辆速度突变的问题，提出车道变换行为优化模型；再次，对动态排队消散和队列运动双重约束的状态进行估计，根据横向约束信息和纵向约束信息，构建多车道驾驶行为协同优化模型；最后，结合半实物仿真、解析分析和真车试验进行实证研究。本研究能为改善交通系统的效率和燃油经济性提供实用的方法、理论和技术支撑。

据相关统计资料显示，交通运输领域的能源消耗量约占国家总能源消耗量的9%，已经成为我国能源消耗的大户；与此同时，我国汽车保有量仍呈快速增长的趋势，截至2017年底，全国机动车保有量已达3.10亿辆，与2016年相比，全年增加了2304万辆，增长了11.85%，给能源供给侧和环境保护侧带来了空前的压力。因此，本项目旨在从道路通行能力和燃油经济性最优的视角对城市道路智能网联汽车的驾驶行为进行协同优化，分别研究了集成模糊C均值和自适应神经网络的换道行为预测模型、一致性下的信号交叉口最优速度引导优化模型、预测相对速度值对交通流特性的影响分析、多信号交叉口智能网联汽车编队轨迹优化模型、考虑小型编队汇入的网联车辆驾驶行为分析、城乡快速干道车-人冲突时间窗预测以及时间窗框架下的智能网联车辆行为优化模型、考虑通行能力余量的智能网联车队生态驾驶模型、一种适用于小型编队交通运行的控制机制和生态驾驶模型以及快速公交走廊车辆动态编组泊位分配方法，并进行了一系列的仿真测试。研究结果表明，对车辆进行速度引导，可以明显地降低延误、提高通行能力和改善燃油经济性；对小型编队交通进行速度引导，可以明显改善燃油经济性和提高通行能力；对非饱和交通干道的编队交通进行速度引导，可以通过调整车辆的行驶速度以充分利用其通行能力余量，明显改善燃油经济性；对冲突时间窗框架下的车辆进行引导速度引导，可以在少量牺牲通行能力的前提下，明显地提高安全性指标；对快速公交走廊进行车辆动态编组运营，可以明显改善燃油经济性，缓解串车并提高运营速度。基于上述研究，本项目在《Transportation Research Record》、《Journal of Advanced Transportation》、《Expert Systems With Applications》、《Journal of Public Transportation》、《Physica A》、《Arabian Journal for Science and Engineering》、《中国公路学报》、《控制与决策》和《山东大学学报（工学版）》发表论文12篇，在《Transportation Research Part D》三审论文1篇；申报相关国家发明专利6项，授权2项。综上所述，本项目研究可以为实现交通运输系统的节能减排目标提供实用的方法、理论依据和技术支撑