车辆IDM 跟驰模型研究综述

2023-01-04夏晶晶

装备制造技术 2022年5期

陆建，夏晶晶，时磊

（淮阴工学院，江苏淮安 223003）

0 引言

IDM 是integrated Drive Model（一体化驱动模型）的缩写。车辆跟驰行为是描述同一车道上前后两车在行驶车队中的相互作用，是研究微观交通流的基础交通行为[1]。跟驰模型是基于传统的动力、运动学，通过对行驶在单车道上的车队中的前车的运动状态对跟驰车运动状态的影响，对微观交通流进行描述，为车辆跟驰行为的研究提供一种理论方法。跟驰理论自从1950 年被提出以来，经过七十多年的发展，已经成功应用于微观交通仿真、交通安全评价和道路通行能力评估等领域。跟驰模型从起初的理论逐渐演变成微观交通流中具有研究意义的车辆跟驰模型，通过结合交通工程、物理学、心理学等众多学科的知识不断对其进行改进，为交通工程学的发展做出了巨大贡献。

1 经典IDM 跟驰模型的提出

Reuschel[2]和Pipes[3]首先从运动学的角度对队列行驶中的车流进行，为车辆的跟驰行为提供了理论基础。1961 年Gazis[4]等根据刺激-反应原理提出了最经典的GM 跟驰模型的通用表达式，奠定了跟驰模型在微观交通流中的核心地位；1981 年Gipps[5]等结合安全距离的思想提出了安全距离模型；1995 年Bando[6]等利用前车的速度、与前车之间的距等信息建立了速度优化模型。

随着自动驾驶技术的发展，通过车联网车辆能够获得更多、更精确的周围车辆及道路状况的实时数据，并实现驾驶操作的辅助与决策。在这种背景下，有一些学者对传统跟驰模型进行了改进。

Treiber 等[7]基于自动驾驶技术提出了智能驾驶员模型（IDM），该模型基于合理的假设以及现有的参数对微观和宏观交通模型进行了对比和解释。根据德国高速公路的交通数据，利用测得的边界条件以半定量的方式得到的结果与各种经验观察结果一致。他们发现该模型能够建立微观与宏观交通流之间的联系，在描述跟驰行为时的稳定性容易控制，有利于实现加减速平稳过渡的智能制动策略。

2 车辆IDM 模型的改进

在Treiber 等[7]提出智能驾驶员模型之后，研究者主要从基于传统驾驶员、车辆特性的角度和自动驾驶技术角度对智能驾驶员跟驰模型（IDM）进行改进。

2.1 基于传统驾驶员、车辆特性的改进

2006 年Treiber 等[8]考虑了驾驶人延迟、不精确等因素，建立了HDM 模型。拟合出的结果表明，HDM模型减少了自由交通和高速拥挤交通之间的转换梯度，增加了停走的波长，这与经验观察的结果是一致的。

2012 年敬明[9]等将驾驶人的反应时间和车辆类型作为车辆的个体特征加入到IDM 跟驰模型中，创建了基于车辆个体特征的跟驰模型。研究的结果表明，改进后的模型能够较好地反映驾驶人真实地刺激反应过程、驾驶人行为的离散型和随机性及不同车型车辆性能的差异，提高了仿真效果与实际状况的一致性。

2015 年Saifuzzaman 等[10]基于任务能力交互模型，将驾驶任务难度（TD）模块嵌入到Gipps 的安全距离模型和智能驾驶员（IDM）模型中，建立了TDGipps和TDIDM 模型。数值仿真的结果表明，TDIDM 模型通过精确获得前车的速度、车间距等信息，能在不同驾驶任务难度下有效控制跟驰车辆的跟驰行为，特别是当前车突然加速或减速时，在该模型控制下的跟驰车辆仍能保持平稳的跟驰车速。

2016 年杨龙海等[11]考虑了道路附着系数，对IDM模型进行了改进，建立了实时道路条件的跟驰模型，通过仿真分析，得出了该模型在确保行车安全的基础上，不仅保证了乘客的舒适性，而且有助于提升道路通行能力的结论。

2019 年肖新平等[12]在经典智能驾驶员模型（IDM）中加入速度差刺激项和非对称系数，同时考虑了速度波动的异方差性等因素建立了IDM-GARCH 模型。仿真分析的结果表明，改进后的IDM 模型与经典IDM 模型相比不仅在精度上有了很大的提高，而且由GARCH 类模型估计地条件方差也能准确反应后车速度波动的趋势和幅度。

2021 年邓红星等[13]在经典IDM 模型的基础上，通过引入驾驶员反应时间、反应车型特征的期望跟驰间距系数以及前车加速度信息对IDM 进行了改进，提出了一种AIDM 模型。利用线性稳定性分析方法，得到了使AIDM 模型的稳定性条件。仿真分析的结果表明，融入前车加速度信息这一参数能够进一步提高交通流的稳定性，有效抑制交通拥堵。

2.2 基于自动驾驶技术的改进

自适应巡航控制（ACC）和自动驾驶汽车协调自适应巡航控制（CACC）车辆进行跟驰行为的前提保持稳定的车间时距，而智能驾驶员模型（IDM）恰好能够反映车间时距这一物理意义。因此，应用智能驾驶员跟驰模型描述ACC/CACC 车辆跟驰行为得到了众多学者的普遍的认可。

2006 年Van Arem 等[14]利用以高速公路下匝道作为研究对象，来研究扰动对于有限交通量的影响，并发现当CACC 车辆的比例增加时，平均车速相应得到提升，扰动能够更快速度地消散。

2008 年Kesting 等[15]应用利用IDM 模型模拟了ACC 车辆，研究结果表明：ACC 车辆在车队中的比例达到25%以上时，车流的拥堵情况可以得到有效改善。

2010 年Schakel 等[16]在经典IDM 跟驰模型的基础上通过加速控制装置来增强CACC 车辆的交通流稳定性。实验结果表明，实验车辆速度和间距的差异性减小了，该设计侧重于交通流稳定性的提升，并非交通容量的增加。

2020 年罗颖等[17]利用筛选处理后的NGSIM 数据库轨迹数据，分别建立了IDM 跟驰模型与RBFNN 跟驰模型，以最优加权组合的方法沟通二者，建立了IDM-RBFNN 低速跟驰模型。结果表明，该模型既可有效避免车辆在低速跟驰行为中容易出现的较大加速度震荡与不安全跟车间距，又能够更好的符合实际变化趋势。

3 IDM 模型发展现状评述

通过以上对车辆跟驰行为模型分析可以得出，各国的研究者对经典智能驾驶员模型（IDM）进行了各种不同的改进。然而，由于各种建模思想与理论结果、参数标定结果等的各不相同，其使用条件也必然也不同，因此，对各种改进后的跟驰模型的综合评价就显得特别困难。

车辆跟驰行为涉及驾驶人的因素，该行为往往与驾驶人自身的生理特性、驾驶技能、实际驾驶状态等因素密切相关；同时，由于车辆的跟驰行为需要依靠车辆这一载体才能实现，路面条件、车辆性能的变化也在很大程度上影响着跟驰行为特性。这些因素都使得所建立的模型的实用性受到极大的挑战。正常来说，只有当所建立的模型的结构能够全面反映不同交通状态中的驾驶人的不同行为时，由该模型所做出的预测的准确度才能处于较高水平。但是，在车辆跟驰模型中融入更多的人的因素，势必会增加模型的复杂性，这将给参数标定带来一定的压力，导致所建立的模型地实用性大大降低。此外，尽管不少研究人员提出了各种反映人的因素的参数，但是这些参数对于跟驰行为特性地影响能力还缺乏量化。

4 IDM 模型发展趋势

对智能驾驶员跟驰模型（IDM）研究的最终目标是使所建模型能够在微观和宏观水平上与现实交通特性保持一致。IDM 跟驰模型的研究不仅需要考虑驾驶人自身复杂的特性、改进模型结构增加其实用性，而且还需要考虑建立统一地参数标定与评价标准。此外，智能交通技术、车联网技术的飞速发展，给智能驾驶员跟驰模型（IDM）带来了新的发展机遇。未来对智能驾驶员跟驰模型（IDM）的改进可以从以下几个方面着手：

4.1 多种学科理论的交叉融合

智能驾驶员跟驰模型（IDM）的发展过程中融合了物理学、心理学、自动控制、车辆工程等诸多学科的理论。各种不同的理论方法共同使得智能驾驶员跟驰模型（IDM）不断发展，因此，我们应该针对具体的问题选择一种或多种理论融合去解决，所选的理论方法不一定是我们最熟悉的，而应该是能更好地解决所遇到问题的理论方法。

4.2 有选择的考虑驾驶人的因素

驾驶人始终是跟驰行为产生的主体，车辆的跟驰行为不能被简单地视作一种纯机械运动，而是物理与心理相互作用产生的结果，驾驶人的主观因素在跟驰行为中扮演着重要的角色。因此，未来对智能驾驶员模型（IDM）的改进在充分考虑驾驶人的主观的因素仍是重点发展趋势；同时，还应该对反映驾驶人因素的参数进行量化。然而，模型融合的人的因素越多，所建模型会越复杂导致模型实用性降低。因此，对各种人的因素进行筛选，选择相对来说重要的驾驶人因素并通过适当的方式在跟驰模型中体现是一个重点研究方向。

4.3 与车联网等新技术结合

在车联网中，安装ACC/CACC 的车辆相互之间可以互相通信联网，很容易便可获得车队中前后方车辆的行驶状态信息，由此所获得的信息量相较非网联车辆大大增多。在普通车辆-网联车辆、网联车辆-网联车辆混行的交通环境下，当前的驾驶经验理论已经不再适用。因此，需要对经典的智能驾驶员模型（IDM）的理论假设进行改进，使之可以精准的反映车联网环境下的车辆的跟驰行为特性。

另一方面，车辆驾驶正向着无人驾驶方向发展，无人驾驶车辆需要采用高精度的车辆跟驰模型作为其控制策略，以此来提高所建系统的可靠性和安全性，智能驾驶员跟驰模型（IDM）将为无人驾驶提供一种重要的技术支持。

4.4 建立统一的参数标定与评价标准

任何模型在没有通过实验数据标定前都难以具有很强的束缚力。然而，由于数据采集的地点、采集时的交通状况、采集车辆的性能、采集所用的方法等因素的不尽相同，势必会对参数标定的结果造成不同的影响；同时，由于车辆技术的发展、道路状况的变化，使得曾经的参数标定结果并不能完全适用于现今的交通状况。因此，建立统一的参数标定与评价标准（采集时的交通状况、数据采集的地点、采集车的车辆性能、采集方法等）已经迫在眉睫。