论文部分内容阅读
交叉口汇集了多个方向的交通流,是交通冲突的主要发生点,其中左转车流与其他交通流极易产生冲突,是限制交叉口乃至城市路网通行能力的主要原因。另一方面,随着城市交通量的不断增长,交通的供需难以达到平衡,拥堵问题日益严重,自动驾驶车辆的出现为人们提供了一种缓解交通拥堵的新思路。车联网环境下的自动驾驶需要突破通信技术限制,解决用户的安全与隐私等问题,难以在短期内实现,与之相对的,无协作式的自动驾驶有望快速实现,成为自动驾驶相关研究的重点。本论文首次对无协作式自动驾驶环境下的左转车道通行能力进行量化,为未来的自动驾驶环境下交通管理,道路设计和政策制定等方面提供一个数据支撑。通过分析车辆转弯时复杂的运动轨迹,研究自动驾驶车辆的驾驶性能,我们构建了自动驾驶车辆的转弯模型:输入转弯半径,速度,加速度等参数,模拟车辆在交叉口转弯的连续动作;输入车头时距,前车制动角度等参数,模拟前后车制动的连续动作,输出不同车头时距下的碰撞结果。针对模型输出结果,我们给出确定两车车头时距的两种策略,对两种策略下的左转车道通行能力进行讨论。第一个策略是车辆的“警惕性”驾驶。自动驾驶车辆在转弯过程中会始终与前车保持安全间距,防止追尾。通过模拟前后车的紧急制动,考虑车轮抱死和防抱死两种制动方式,我们将不发生碰撞的最小安全车头时距视作饱和车头时距,以此计算转弯车道的饱和流率,得出了以下几个结论:(1)在不同的参数条件下,自动驾驶车辆使转弯车道的通行能力提升了0.2%到43%。(2)转弯半径对通行能力的影响是由于转弯半径对车辆转弯时速度的影响决定的,转弯半径越大,车辆转弯速度越快,左转车道通行能力越大。(3)根据紧急制动的减速度概率分布情况,我们发现当碰撞的风险由万分之一降为亿分之一时,左转车道通行能力降低了4%。第二个策略是自动驾驶车辆对车头时距的选取追求总成本最小。后车在跟车行驶过程中,事故成本与出行时间对车距的响应是相反的,后车将以总成本最小的最优解作为车头时距。提取实际交叉口的车辆行驶轨迹作为转弯模型输入参数,我们获得了不同车距下的事故成本,并求解了总成本最小的最优车头时距。基于最优车头时距计算左转车道饱和流率,我们得到结论:(1)自动驾驶车辆使左转车道的通行能力(对比人类驾驶车辆)提升了59.5%。(2)当车距较小时,事故成本的影响十分显著,随着车距增长,事故成本和出行时间成本的相互作用变得明显,两者在博弈过程中决定最优车头时距。