面向人机混驾环境的交叉口车辆通行控制策略

刘 卓， 卢凯明， 何 佳， 毕慧博， 陈艳艳， 刘懿祺

(1.北京工业大学交通工程北京市重点实验室， 北京 100124；2.北京航空航天大学车路协同与安全控制北京市重点实验室, 北京 100191)

自动驾驶与车联网技术的发展为提高道路通行能力、减少居民出行延误提供了新的技术手段. 然而，目前网联自动驾驶汽车的发展仍然远远未达成熟阶段. 一方面，高精度车载感知设备成本高昂，单车层面的自动驾驶算法仍待完善；另一方面，面向网联自动驾驶环境的交通组织管理方法与配套法规政策尚处于理论研究阶段. 因此，尽管部分城市已经开展了网联自动驾驶车辆的试点应用，距离网联自动驾驶车辆的大范围普及仍然有相当长的距离[1]. 可以预见的是，在未来实现完全网联自动驾驶交通环境之前，人工驾驶车辆(human driving vehicle，HV)和网联自动驾驶车辆(connected and autonomous driving vehicle，CAV)将在相当长的一段时期内以人机混驾交通流的形式共享道路资源[2]. 交叉口通行能力是影响城市道路整体通行能力的关键因素，面向不同的交通环境制定合理的交叉口车辆通行控制策略是保证城市道路整体通行效率的关键. 因此基于交叉口的基础设施现状，面向人机混驾交通环境这一过渡阶段提出可行的交叉口车辆通行控制策略具有重要意义.

在微观个体层面，CAV在反应时间和决策行为的理性程度上显著区别于HV车辆，因而CAV被引入交通系统后，宏观交通流层面涌现出的现象及规律也将发生改变. 在微观层面明确CAV与HV车辆在驾驶行为上的差异，在宏观层面辨析人机混驾环境区别于传统交通环境的特点，是制定新型交通控制策略的基础. 现有文献已有较多基于宏、微观交通流模型的CAV车辆通行效率影响和特殊场景下交通控制策略研究. Alireza等[3]对CAV和HV分别进行驾驶行为建模，构建了加速度模型框架，通过不同CAV渗透率的交通流仿真实验证明CAV可以对通行能力和交通流稳定性起到提升作用. Mahmassani[4]提出了一种面向网联、非网联、部分网联3种不同智能化水平的混合交通流仿真模型架构，验证了不同比例的CAV对通行能力和稳定性的作用机理. Hu等[5]基于智能驾驶员模型(intelligent driver model, IDM)，提出了一种人机混驾环境下的网联自动驾驶车辆换道决策模型，该模型能够辅助车辆缩短通行时间，提高系统运行效率. 秦严严等[6-9]亦开展了一系列研究：一方面构建了混合交通流模型，分别考虑车头时距、渗透率等变量，探索其对道路通行能力、交通流稳定性和波动特性的影响；另一方面改进了VanderWerf提出的自动驾驶车辆模型，使得混合交通流具备更好的稳定性. 上述研究对于混驾交通环境的特点进行了全面深入的分析，并且提出了一系列针对混驾交通流的建模方法，可以为本研究的策略制定以及仿真分析提供支撑.

在这些研究的基础之上，学者们进一步聚焦CAV进入交通系统后特定情景下的交通优化组织问题，其中信控/非信控交叉口的车辆通行控制策略成为了研究热点. 智能网联环境下的交叉口控制模式主要包括信号灯自适应、集中式控制和分布式控制，相关研究涉及车辆轨迹优化与控制、面向群体车辆控制的信号配时与相位优化算法、面向个体车辆控制的最优放行序列等方面[10]. 信号自适应沿用传统信号交叉口的控制思想，不同的是模型输入发生了变化，除流量、排队长度等基本交通参数以外，扩展了网联车辆位置、车速、轨迹等信息，为信号控制方案实时评价与优化提供了数据源和解决方法. 与此同时，车辆可以利用车路协同通信功能，根据信号灯的信息来优化轨迹和车速以高效通过交叉口，由此实现信号灯与车辆的动态协调控制[11]. 此类研究从侧面说明，通过对现有交通基础设施的升级和优化实现针对新型交通流的优化组织在我国城市交通的普遍现状下是具备可行性的. 而考虑到网联自动驾驶车辆在信息交互方面的优势，不少学者认为在网联自动驾驶环境下信号灯的存在始终是交叉口通行能力最大化的制约因素，因此开始探索采用分布式控制方式组织车辆通行以实现通行效率最大化的可能性.

分布式控制是指通过车车自组织，经过相互竞争、协调，实现车辆有序通行的交通流组织方式. Naumann等[12]提出一种交叉口分布式控制策略，基于对车辆行驶轨迹的预测判断交叉口内潜在的冲突点，进而通过调整车辆通行的优先级避免碰撞发生，这种思路可以作为网联自动驾驶环境下制定CAV在交叉口通行策略的参考. Wu等[13]构建了交叉口车辆分布式互斥算法，发出通行请求的车辆通过与其他车辆竞争确定是否获得优先通行许可，该方法不考虑最优求解，硬件设施方面的要求较低. Zhang等[14]提出了一种分布式最优控制框架，使每辆车在任何时刻都能获得最优的加/减速度，经过仿真证明该策略不仅能够避免拥堵和保障安全，同时可以降低不同CAV渗透率下的车辆平均油耗. 总体来看，分布式控制模式的优势在完全网联自动驾驶环境下才可以充分发挥，考虑到人机混驾交通环境中CAV所能感知信息的片面性以及非网联HV的不确定性，采用分布式控制模式存在一定的局限性，难以兼顾整体系统的安全性和运行效率.

集中式控制模式采取在交叉口设置集中控制器的形式，由集中控制器整合交叉口范围内的交通流信息，根据预设的车辆通行控制策略从整体最优的角度向单体车辆下达控制指令. 相比于分布式控制模式，集中式控制模式虽然在硬件上需要设置集中控制器，但是由于集中控制器掌握的交通信息更全面，整体系统的不确定性相对较小，且集中控制器的设置方式较为灵活，既可以与信号灯整合，也可以独立于信号灯，甚至可以取代信号灯，对于解决混合交通环境下的交叉口组织管理问题具有独特的优势，因此国内外学者亦开展了大量集中式控制策略的相关研究. Dresner等[15]提出以“先来先服务”(first come,first served,FCFS)策略引导CAV通行，同时以信号灯引导HV通行，并根据CAV渗透率调整信号配时方案的综合控制策略，为后续研究提供了思路. Levin等[16]利用整数规划方法确定交叉口车辆的最佳通行顺序，提升FCFS策略的安全性. 上官伟等[17]利用基于时延Petri网的模型，采用递归算法得到交叉口车辆通行的最优序列，该方法在欠饱和度状态下的适应性较好. 基于集中式控制模式的交叉口车辆通行控制策略大多以系统最优为目标，泛用性比较好，但是算法的计算量普遍较大、复杂度偏高. 此外，尽管已经有研究提出针对HV与CAV采取不同控制方法的思路，但在策略制定的过程中往往缺乏针对CAV和HV差异性的深入分析，导致策略中针对CAV的部分偏于保守，可能错失部分可利用的时空间隙.

通过对现有文献的分析不难发现，利用CAV车辆驾驶行为的高精度以及对于通行策略的理性遵从，为CAV车辆搜索并发送可利用的时空间隙，最大化利用传统控制策略中红灯相位下被浪费的时空资源，已经成为新型交通环境下制定交叉口通行控制策略的主要思路之一. 尽管赋予CAV车辆红灯通行权一定程度上颠覆了现有交叉口交通组织策略的固有规则，可能由此引发安全性以及交通公平性问题的讨论，但是通过软硬件技术可靠性的提升、控制算法的逐步完善可以满足交叉口的安全性要求，甚至可以充分利用CAV完全理性决策的特点在理论上实现相较于传统信控策略的安全性提升；而CAV车辆与HV车辆的通行权公平性问题也具备诸如加收优先通行税等有效途径实现相对公平. 有理由相信，未来随着CAV车辆的普及，针对混驾交通流管控的法规政策会逐步优化完善，从而为上述理论思路提供实际应用的空间.

本文针对人机混驾环境下的交叉口场景，基于通行锁法和可插车间隙理论，提出一种集中式控制模式的新型车辆通行控制策略，在保障安全的前提下通过为CAV车辆循环搜索并发送可通行的时空间隙实现交叉口通行效率的最大化. 在此基础上，建模仿真人机混驾环境下的交叉口情景，通过交叉实验对比分析不同流量、不同CAV渗透率下策略对于降低交叉口车辆平均延误的效果，验证所提出车辆通行控制策略的有效性. 相比于现有文献，本文的主要贡献体现在所提策略弥补了现有研究未充分考虑完全网联自动驾驶环境实现前的人机混驾过渡阶段这一不足，为未来人机混驾环境下交叉口信号与车辆协同控制提供一种思路. 就结果而言，所提策略在仿真实验的多种情景下对于降低交叉口车辆平均延误的效果相较于现有文献中的策略也有显著提升. 需要强调的是，本文侧重于未来人机混驾交通环境下为保证交叉口车辆安全、有序、高效通行的优化控制策略的理论层面讨论，对于未来CAV大面积普及背景下该策略在法律法规层面的可行性分析以及随之而来的公平性问题的解决途径，将在后续研究中进一步讨论.

1 交叉口车辆通行控制策略

1.1 交叉口范围定义与策略基本假设

考虑到CAV与HV的特点以及我国城市道路基础设施的现状，本研究针对的交叉口环境以及策略的硬件设置如图1所示，主要包含CAV与HV混合交通流、智能网联信号灯、路侧交通感知设备，以及集中控制器，集中控制器实时汇聚信号灯信息、路侧传感器采集的交通流数据和CAV上传的实时车辆信息，通过实时计算为交叉口内的各CAV车辆循环搜索可利用的时空间隙，并且发送通行指令. 控制策略的基本思路为：对HV车辆进行信号控制，对CAV基于集中控制器收集到的信息利用通行锁和可插车间隙两步判断过程，在确保安全的前提下为CAV车辆循环搜索并发送可利用的时空间隙，最大化利用交叉口的时空资源，提升整体通行效率.

图1 策略硬件基础示意图Fig.1 Diagram of hardware infrastructures for strategy application

相对于路段而言，交叉口交通环境更为复杂、冲突点多，行驶车辆会同时受到前车和信号灯的影响，而本研究所提出的通行控制策略需要位于交叉口的集中控制器进行信息收集和指令发布，因此需要确定车辆在哪一个位置进入集中控制器的影响范围，即定义交叉口范围. 考虑驾驶员在交叉口的驾驶行为改变主要是以能否以一个相对平稳的加速度通过路口或准确在停驶位置停止为判断条件的，本文通过交叉口内车辆行驶的最大速度以及驾驶员可接受的舒适加速度极值(加速为正值，减速为负值)计算车辆的最大“舒适”制动距离SI，即不会对车内人员的舒适性产生明显影响的最大制动距离，以此定义交叉口的影响范围，计算公式为

(1)

式中：SI为交叉口影响范围长度；vmax为车辆的最大速度；amax为车辆的最大舒适加速度.

本文对所研究的信号交叉口交通环境及相关的基础条件做出如下基本假设：

1) 不考虑交叉口内慢行交通主体的影响.

2) 文章研究的交叉口进口道和出口道车道数相等，正向冲突由信号灯或控制算法消除，但右转车辆不受控，且默认右转车辆均驶入目标出口道的最外侧车道，即不会造成交叉口出口道部位的汇流冲突.

3) 集中控制器可以通过各类传感器以及车辆实时传输的数据获取交叉口内包括所有HV和CAV的全交通流信息；HV的行为不受集中控制器的控制，CAV可以准确感知周围信息并执行集中控制器发布的指令.

4) 通信延迟及计算用时极短，对策略实施造成的影响忽略不计.

1.2 基于FCFS理论的通行锁判定

交叉口车辆通行控制策略的第一个判定过程为红灯相位时CAV车辆期望路线的通行锁判定，这一判定过程延续了FCFS理论的思想[15]，即CAV行驶到交叉口范围内，遇到红灯相位时向集中控制器发出通行请求以及期望路线，由集中控制器判断CAV的期望路线上是否存在可能形成冲突的车辆，如果存在则将路线闭锁，对CAV发出停车等待指令，否则CAV可在红灯相位内按期望路线通行. 通行锁判定过程的实现主要包含构建冲突矩阵和设置通行锁两个重要环节，以图2所示的交叉口为例，灰色区域为交叉口影响范围，蓝色区域为冲突区，交叉口共有12个发送车道，不考虑右转车辆的影响，则冲突区域内共有8条可能的期望路线，红色点表示期望路线上的潜在冲突点.

图2 CAV期望路线及潜在冲突点Fig.2 Expected routes of CAV and potential conflict points

从东进口直行发送车道(E1)为起始的期望路线开始，沿顺时针方向为期望路线进行标号，分别标为0～7号路线，构建交叉口内CAV期望路线之间的冲突矩阵T.

(2)

在冲突矩阵T中，ti,j表示发出通行请求的CAV的期望路线i与其他路线j的冲突关系.ti,j取0表示2条路线不会发生冲突，即在任何时间这2条路线上都可以有车辆同时行驶；ti,j取1表示2条路线存在冲突，即同一时刻在2条路线上行驶的车辆可能会产生冲突.

在构建了冲突矩阵的基础之上设置通行锁，对交叉口内所有可能发生冲突的行车路线各设置1把通行锁，在图2所示的交叉口情境中共设置8把通行锁，建立向量M表示通行锁状态.

M=(M0,M1,…,M7)，Mi∈(0,1)

(3)

当CAV期望路线上冲突点的对应路线上有车辆行驶时，通行锁闭锁，Mi取值为1；当CAV期望路线上冲突点的对应路线上没有车辆行驶时，通行锁开放，Mi取值为0.

对于绿灯相位路线中的所有车辆来说，虽然在集中控制器判定通行锁的时刻t没有进入冲突区域，但可能在红灯相位路线中CAV获得通行指令之后的t+1时刻进入交叉口，从而发生碰撞.因此需要为绿灯相位中行驶的车辆设置一个距离阈值L0，一旦绿灯相位有车辆离冲突点的距离小于距离阈值L0，则冲突点对应红灯相位车道的通行锁闭锁，从而避免可能发生的碰撞，对阈值做出如下定义：

(4)

式中：L0为距离阈值,即绿灯相位车辆在红灯相位CAV到达冲突点的时间内能够行驶的最大距离；L为红灯相位CAV期望行驶路线上停止线到冲突点的距离；vmax、amax如前文所述分别为交叉口内车辆的最大速度、车辆的最大舒适加速度，距离阈值的推导过程如图3所示.

图3 通行锁判定距离阈值示意图Fig.3 Diagram of distance threshold in determining passage lock

在集中控制器中，通行锁判定以极短时间间隔的循环判定法实现.步骤1为定义行车路线编号(0～7)，更新冲突矩阵T，更新通行锁向量M；步骤2为以极短时间间隔t为周期，读取交通流信息，查询各车道头车是否为CAV；步骤3为读取各车道头车的行车路线、位置、速度等实时信息；步骤4为判定各车道头车是否进入交叉口影响范围，判断冲突，更新冲突矩阵T；步骤5为更新通行锁向量M，查看冲突路线通行锁状态，若通行锁闭锁，则发出停车等待指令；若通行锁开放，则发出指令使目标路线上的目标CAV以最大舒适加速度amax加速至交叉口最大限速vmax通过交叉口，开始下一次循环.通过上述5个步骤，可以对到达交叉口的CAV进行实时控制，由于交叉口集中控制器的扫描时间很短，因此所有红灯相位未被HV阻挡的CAV都可以查询冲突矩阵，进行通行锁判定停止或驶离，避免信控策略的空等现象.

1.3 可插车间隙判定

通行锁判定可以使部分CAV在红灯相位内获得可利用的时空间隙，但是需要满足与该CAV规划行驶路线相冲突的绿灯相位行驶路线在L0范围内无行驶车辆作为判定条件，一般来说只有在交叉口饱和度较低或者绿灯相位信号临近结束时才会满足上述条件. 因此，为了更为充分地挖掘交叉口可利用的时空资源，在通行锁判定的基础上提出基于可插车间隙理论的通行判定规则，对车辆冲突关系做更加精细的预判.

可插间隙理论最先被用到无信号控制交叉口的通行能力和延误等分析和研究[18-19]，本研究中可插车间隙判定的基本思路如图4所示，L1～L4为停止线到各个冲突点的距离，集中控制器根据收集到的精细交通流信息对CAV进行分配控制，判断在交叉口中是否存在穿越间隙供CAV通行，若存在则向车辆发出通行指令，若未找到能够穿越间隙，那么发出指令使得CAV车辆在停止线前停车等待，直到集中控制器在下一循环周期(搜索步长)内判定有可插车间隙出现或者信号灯变为绿灯相位，判定的核心在于控制车辆到达冲突点时间，使其避免发生冲突.

图4 人机混驾环境下CAV时空轨迹示意图Fig.4 Diagram of spatiotemporal trajectory of CAV in mixed flow

可插车间隙判定的第1个步骤是建立冲突距离向量，定义向量Straight和Turn来分别表示直行和左转路线上停止线到各冲突点的距离，如图5所示. 以东向西直行路线E1和北向南左转路线N2为例，集中控制器只要读取车辆的转向信息，即可通过冲突距离矩阵与车辆到停止线的实时距离之和求得车辆距离冲突点的长度.

图5 冲突距离向量示意图Fig.5 Diagram of conflict distance vector

在计算得出车辆距离冲突点的长度后，进行可插车间隙判定的第2个步骤，确定冲突时间序列. 本文假设在能够通行的前提下，CAV会在冲突区内由当前速度以最大舒适加速度加速至最大速度，之后保持匀速行驶通过冲突区. 基于这一假设，利用步骤1中得出的冲突距离矩阵，即可根据车辆行驶模型计算CAV到达冲突点的时间. 同时，根据集中控制器获得的绿灯相位各车道车辆的动态信息，计算以车辆实际运行状态估算到达冲突点的时间，并根据计算所得的时间对每个CAV车辆期望路线上的冲突点分别建立冲突时间序列集合T′α,i，表示为

T′α,i={K1,K2,…,Ki,Ki+1}
α={E1,E2,S1,S2,W1,W2,N1,N2},i∈(1,4)

(5)

式中：α表示发送车道标号；i表示发送车道对应的行车路线上的第i个冲突点，按照升序方式对集合中的元素进行排序(集合中元素Kj是车辆到第i个冲突点的时间，按升序排在集合中的第j位)，通过CAV按期望路线经过各冲突点的时间与对应冲突点的冲突时间序列的比较，就可以判断发出通行请求的CAV能否无冲突、安全驶离交叉口.

考虑到策略对于集中控制器计算速度的要求，可以通过建立冲突点表将重复的时间序列集合进行合并与整理，对判定过程进行简化. 本研究的交叉口示例共有16个冲突点，分别对其进行标号，如图6所示.

图6 冲突点标号Fig.6 Label of conflict points

在此之后，建立冲突点表来直观地表示各期望车道相交形成的冲突点及相应冲突时间序列，如表1所示. 以发送车道E1和S1为例，相交形成的冲突点为C1，而C1是发送车道E1车辆期望路线上的第1个冲突点，标号为1#；而对于发送车道S1的车辆期望路线来说C1是第4个冲突点，因此标号为4#，从而可以将二者的时间序列集合合并为T′k. 这样，集中控制器只需对于发出通行请求的CAV计算其到达冲突点Ck的时间tk，然后根据CAV期望路线检索对应的冲突点时间序列集合T′k,k∈(1,16)，就可以准确而快速地进行可插车间隙的判定.

在集中控制器中，可插车间隙判定同样以循环判定法实现，步骤1为集中控制器读取冲突点表中与CAV发送车道对应的冲突点Ck；步骤2为集中控制器根据CAV的实时数据计算其到达各冲突点的时间tk；步骤3为建立Ck的冲突点时间序列T′k，将tk与T′k进行比较；步骤4中若CAV期望路线上的4个冲突点时间序列集合中都满足tk∉T′k，则向CAV发送通行指令；否则，发出停车线等待指令，等待下一次循环. 将通行锁判定与可插车间隙判定结合后，就形成了本文所提出的面向人机混驾环境的交叉口车辆通行控制策略，其具体形式如图7所示.

表1 冲突点表

图7 控制策略的循环判定流程图Fig.7 Cyclic determination process of the proposed strategy

策略被激活后，集中控制器以小于0.1 s的极短间隔为周期读取交通流信息，包括路测感知设备采集的数据以及CAV车辆回传的数据. 随即中央控制器根据交通流信息更新冲突矩阵T与通行锁向量M，进入通行锁判定过程，若红灯相位车道头车均为HV或者头车未进入交叉口范围SI,则等待下一次读取交通流信息开始新一轮判定. 若检测到红灯相位车道头车为CAV且已经进入交叉口范围SI，则通过查询冲突矩阵T与通行锁向量M判断CAV期望路线的通行锁是否开放，若开放则发出指令给予头车CAV可利用的时空间隙，若闭锁则进入可插车间隙判定过程，进一步判断CAV能否通过交叉口. 可插车间隙判定过程中，集中控制器首先在冲突点表中检索出CAV期望路线上的冲突点，计算CAV到达每个冲突点的时间tk，同时对每个冲突点建立冲突时间序列T′k，如果T′k中没有与tk相等的值，则发出指令给予CAV可通行的时空间隙，反之则等待新的判定周期，进入下一循环. 如果出现直行车道与对向左转车道的头车CAV在判定后都可通行而可能产生冲突的情况，按照“直行优先，左转等待”的规则通行，即直行车道头车CAV按照集中控制器发送的时空间隙通行，而左转车道头车CAV等待下一个判定步长重新进行可通行间隙判定. 需要强调的是，CAV在未收到通行指令的情况下，服从信号灯的控制.

为进一步说明上述控制策略可插间隙通行策略在该场景中的核心判别步骤，现结合图6，以南进口左转S2车道的头车CAV为例进行说明：在集中控制器判定通行锁闭锁从而开始进行可插车间隙判定后，集中控制器会实时计算CAV预计到达C5、C15、C16、C9四个冲突点的时间；同时集中控制器会根据实时采集的信息计算W1、E1、W2、N1四条冲突车道所有车辆分别到达4个冲突点的时间，建立各冲突点的车辆到达时间序列. 首先判断CAV与W1车道上所有车辆到达C5的时间是否会发生冲突，如果不会发生冲突，那么继续判断CAV到达C15的时间与E2车道所有车辆到达C15的时间是否会发生冲突，如果发生冲突，则CAV在该循环周期(计算步长)内不被允许通行；如果与E2车道所有车辆不会发生冲突，则接着进行C16、C9两个冲突点的判断，直到判定CAV与期望行驶路线上的所有冲突点均不会冲突时，则允许CAV通行. 特别地，当同一个判定周期内，S2车道CAV与对向直行车道N1上的CAV均判定为可通行时，则按照直行优先通行原则，N1车道头车CAV按照本循环周期判定出的可插车间隙通行，而S2车道头车CAV等待下一循环判定周期.

2 基于仿真实验的策略效果评估

2.1 人机混驾交通流模型构建

为了实现对于交叉口车辆通行情景的仿真，需要先构建人机混驾交通流模型，主要分为跟驰模型和换道模型两部分. 现有相关文献中人机混驾交通流的建模分为两种方式：一种是对CAV和HV采用相同的车辆行驶模型，但根据CAV和HV各自的特点在模型中设置不同的参数来反映两种车辆的差异性；另外一种是分别选择不同的模型来描述CAV和HV的行驶过程[20]. 本研究主要关注控制策略对于交叉口车辆通行能力的影响，而CAV与HV在交叉口情景中表现出的宏观特性是基本相同的，用同一种模型来描述车辆行驶过程对于仿真的实现来说较为简单[21]，对策略评估来说也不会造成必要信息的丢失，因此本研究选择智能驾驶人模型(intelligent driver model，IDM)来统一描述CAV和HV的跟驰行为，其形式为

(6)

式中：ai为车辆i的加速度；a为车辆的最大加速度；vi为车辆i的速度；v0为车辆的期望速度；δ为速度幂系数；Si为车辆i的期望车间距离；S为车辆实际车间距离.

本文选择SUMO作为仿真实验平台，其自带的LC2013模型以及子车道模型(sub-lane model)通过车辆的当前车道以及相邻车道上车辆所能行驶的最大距离、车道密度计算最佳换道车道，模型可以准确重现车辆在战略换道、合作换道、战术换道、法规换道4种不同动机下的换道行为，因此本文选择LC2013模型以及子车道模型作为人机混驾交通流模型中的换道模型，利用公式

(7)

计算换道需要的最短距离.式中：dlc(t)为车辆在t时刻的最短换道距离；v(t)为车辆在t时刻的速度；β1、β2为比例系数；Lcar是车辆的长度.

为人机混驾交通流中车辆的跟驰行为和换道行为选择对应的模型之后，通过在模型中设置不同参数来描述CAV和HV在行驶特点上的异同，参考相关文献[21-22]，CAV和HV的差异主要体现在最小反应时间和最小车间距2个参数上，其他参数CAV和HV保持一致，模型的车辆参数设置如表2所示.

表2 车辆参数设置

2.2 情景构建与实验设计

参考我国城市交叉口设计的相关规范[23-25]，本文建立一个虚拟的城市道路平面信控交叉口作为仿真实验环境. 建立的虚拟交叉口上游路段为双向6车道，进口道无展宽渐变段，各方向左、直、右均为专用车道，车道宽度3.5 m，与信号交叉口相邻的路段长度为180 m. 参照道路交通安全法管理条例规定[26]，仿真环境中交叉口车辆最大速度取10 m/s. 此外，车辆在距离停车线30 m范围内禁止换道. 交叉口信号灯采用四相位定时控制方案，在信号周期内按照东西直行、东西左转、南北直行、南北左转的顺序依次放行. 交叉口信号周期时长为132 s，其中直行的绿灯时间为45 s，左转路灯时间为15 s，各相位黄灯时间都为3 s.

对策略的评估通过不同流量和CAV渗透率情景下有无策略的对比实验进行，参考现有文献中城市平面交叉口的交通量数据以及仿真实验中CAV渗透率的取值相关资料[27-28]，本研究共设计如表3所示的6种实验情景，对于每种情景分别进行有策略和无策略2组多次对比实验. 情景一、二、三仿真固定CAV渗透率下交通量变化对于策略实施前后通行效率变化的影响；情景四、五、六仿真固定交通量情境下不同CAV渗透率对于策略实施前后通行效率变化的影响. 进口道交通流量是一个进口3条车道的总流量，左、直、右转车道输入车辆比例为3∶5∶2.

表3 仿真情景

2.3 结果与讨论

仿真实验以系统流量和CAV渗透率为输入变量，按照表5中输入变量的不同取值，共分为52组，每组进行10次重复实验并取平均值作为仿真结果，单次仿真程序内时长3 600 s，实际耗时约10 min，共进行520次仿真. 全部仿真结束后，程序未检测到车辆碰撞，共获取520组有效数据，选择交叉口平均延误作为评价交叉口通行效率的指标，结果如表4所示.

表4 仿真结果

首先观察固定渗透率、不同交通流量下的平均延误，情景一、二、三的仿真结果反映的趋势基本一致，选取情景二(CAV渗透为50%)为例进行分析. 如图8所示，无论是否应用本研究提出的通行控制策略，CAV和HV平均延误都会随着交通流量的增加而变大，符合交叉口车辆通行的一般规律，体现出了交叉口可使用的总时空资源的有限性. 此外，应用策略的情况下CAV车辆的平均延误明显降低，在低交通流量时平均延误降低更为显著，这是由于CAV作为控制策略的直接作用主体，对于控制策略的反应更为直接. HV车辆的平均延误在有无策略时变化不大，延误差值基本不随交通量变化而变化，但总体上来看使用策略后HV的平均延误还是有一定降低，说明策略也间接提升了HV在交叉口的通行效率.

图8 CAV渗透率为50%时车辆平均延误随交通流量的变化Fig.8 Average delay under different traffic volumes with the CAV ratio of 50%

图9 不同交通流量下交叉口延误降低比率Fig.9 Reduction ratio of average delay under different traffic volumes

观察延误降低比率可以更为直观地评估控制策略的效果，因此对情景一、二、三中交通量增长对交叉口延误降低比率的影响展开分析. 如图9所示，在低、中、高渗透率下延误降低比例都随着流量的升高而降低；低渗透率情形下，延误降低比率相对较小，最大降幅约为15%，中、高渗透率情形下，采用策略可以使车均延误比率显著下降. 在固定渗透率的情况下，进口道流量为300辆/h时延误降低比率最高，随后开始下降；在流量为600～900辆/h时，达到相对稳定的状态；在交通量大于900辆/h后直线下降. 在低渗透率下流量为1 200辆/h时，本文提出的通行控制策略难以发挥作用，究其原因，主要是车流量较大时车辆会出现排队情况，跟车间距变小，交叉口集中控制器难以利用通行锁和可插车间隙法找到合适的时空间隙供CAV通行，因此交叉口延误减小比率最低.

在此基础上，观察固定交通量、不同CAV渗透率下的平均延误，情景四、五、六的仿真结果反映的趋势基本一致，以情景五(进口道交通量为750辆/h)为例进行分析. 如图10所示，不论是否使用本文提出的策略，HV和CAV的延误都随渗透率的增加而减小，这是由于CAV车辆拥有更短的反应时间以及跟车时距，因此即使在传统信号灯控制策略下CAV渗透率的提升也可以减小交叉口的延误. 在应用本研究提出的策略后，随着渗透率的增加，CAV的平均延误降低极为显著，在渗透率为100%时，即完全网联自动驾驶环境下，平均延误已经接近于1 s，由此可知所提策略对提升CAV的交叉口时空资源使用效率效果十分明显，而1 s的平均延误则说明即使对于完全网联自动驾驶环境，处于避免冲突的基本约束，仍会存在车辆在交叉口排队等待的情况. 受益于CAV通行效率的提升，HV车辆的通行效率以及交叉口整体通行效率随着CAV渗透率的提高均有提升.

图10 进道口交通量为750辆/h时车辆平均延误随CAV渗透率的变化Fig.10 Average delay under different ratios of CAV with the traffic volume of 750 veh/h

图11为情景四、五、六中，低、中、高交通量下，CAV渗透率变化对策略的交叉口延误降低比率影响的分析. 低交通量环境下，延误降低比率随渗透率提升而快速增长；中交通量环境下，渗透率为0～80%时，延误降低比率随渗透率提升增长速度相对较缓，当渗透率达100%时，延误降低比率骤增至95%左右；高交通量环境下，延误降低比率随渗透率的变化趋势与中交通量类似，但是不同的是渗透率达到100%时，延误降低比率只有45%左右，这是由于高交通量导致拥堵发生，交叉口集中控制器难以为CAV检索到可插车间隙，但总体来看即使在高交通量环境下，策略对于交叉口整体通行效率的提升效果也是十分明显的.

图11 不同CAV渗透率下交叉口延误降低比率Fig.11 Reduction ratio of average delay under different CAV ratios

3 结论

车联网技术应用是一个复杂、综合的系统性问题，本文就在交叉口场景下如何安全、高效地组织管理人机混驾交通流的通行展开研究，得到主要结论如下：

1) 本文建立的面向人机混驾交通环境交叉口场景的车辆通行控制策略，在低交通流量的低、中、高渗透率，中等交通流量的中、高渗透率以及高交通流量的高渗透率情况下，能够降低10%以上的交叉口车辆平均延误，而现有文献中提出的主要策略大多在90%渗透率以下降低延误较差，因此通过对比可以得出，策略对交叉口总体延误的降低有很好的效果，较现有文献中的策略有了显著的提升[15].

2) 本文所提策略对于降低CAV的平均延误效果尤其明显，同时对于HV也能起到间接降低平均延误的效果. 虽然在低渗透率以及中、高交通量的情况下策略效果相比于其他情况下稍差，但仍不失为车联网与自动驾驶技术逐渐走向实践背景下对现有信控策略的一种补充，且对完全互联自动驾驶交通流的组织优化管理也具有参考价值.

3) 本研究基于SUMO仿真软件利用Python编程语言进行二次开发，建立了面向交叉口场景的人机混驾交通流仿真系统，并且将其应用于策略效果验证，总结出一套适用于人机混驾交通流的仿真实验流程，为混行交通流的仿真实验提供了新思路.

自动驾驶与车联网技术的广泛应用已成为未来智能交通系统发展的重要趋势，然而人机混驾交通流模型的建立以及针对人机混驾交通流的组织优化方法仍有待进一步深入研究，本研究对于这一方向进行了初步探索，然而在诸多方面均存在进一步深化的空间. 首先，在搭建人机混驾交通流模型时，本研究假设HV的反应时间都为定值，未考虑驾驶员的行为差异，在后续研究中应在模型中加入描述驾驶员异质性的参数，使模型更加贴近实际情况；其次，本研究假设车辆为质点，未考虑车辆体积对可插车间隙时间阈值产生的影响，在后续研究中应建立车辆体积与时间阈值的关系方程，根据体积设置间隙穿越的时间阈值；再次，本研究提出的策略在低CAV渗透率情景下效果不佳，主要原因是HV遵循信号灯指示停车,因而阻碍了网联CAV的通行，未来研究中应考虑在交叉口前路段对CAV进行协同调度，在路段行驶过程中使符合条件的CAV超越阻碍其行驶的HV，同时考虑利用自适应信号灯控制的方式进一步提升策略对HV的组织优化效果；最后，本研究所提出的通行控制策略仅限于理论层面的分析，并未针对未来CAV车辆普及、智能化技术进一步发展背景下策略在法规政策层面的可行性进行论证，后续研究在进一步完善策略、提升其安全性与可靠性的同时，也将针对可能引发的交通公平性问题进行深入讨论并明确解决途径.

综上所述，本研究提出的通行控制策略为未来交叉口人机混驾交通流的优化组织管理提供了一种思路，然而真正实现人机混驾这一过渡交通流环境下交叉口车辆的安全、有序、高效通行，不止依赖于控制策略的理论发展，还需结合实际限制条件和真实交通流状态进行完善，并且在技术条件成熟的基础上进行法规政策层面的配套优化，才能适用于真实复杂的城市道路环境.