張珊 王博通 王智宇 吉恒毅

摘 要：為研究符合中國(guó)道路的混合交通流運(yùn)行特性，搭建一套交通數(shù)據(jù)采集設(shè)備于長(zhǎng)沙采集人工駕駛汽車(chē)和自動(dòng)駕駛汽車(chē)Robotaxi的運(yùn)行數(shù)據(jù)。研究結(jié)果表明，人工駕駛員跟隨自動(dòng)駕駛汽車(chē)趨向于保持更大的車(chē)頭間距，工作日晚平峰和早平峰較相鄰時(shí)段分別增加8.68 m和7.25 m;而自動(dòng)駕駛汽車(chē)跟隨人工駕駛汽車(chē)時(shí)會(huì)采取較為保守的控制策略，車(chē)頭間距平均值在非工作日平峰、工作日晚平峰和早平峰較相鄰時(shí)段分別增加了5.23 m、1.11 m和2.93 m，趨向于保持更安全的車(chē)頭間距。

關(guān)鍵詞：自動(dòng)駕駛;混合交通流;實(shí)車(chē)道路采集;微觀交通跟馳特性

中圖分類號(hào)：U463.6 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

智能網(wǎng)聯(lián)汽車(chē)已明確上升至國(guó)家戰(zhàn)略高度，根據(jù)SAE的分級(jí)標(biāo)準(zhǔn)，L0級(jí)汽車(chē)無(wú)自動(dòng)化即為人工駕駛汽車(chē)，L1-L2級(jí)汽車(chē)為具有駕駛輔助功能的汽車(chē)，L3及以上可稱之為自動(dòng)駕駛汽車(chē)，開(kāi)展自動(dòng)駕駛技術(shù)研究對(duì)提供汽車(chē)穩(wěn)定性和安全性具有重要意義。美國(guó)NHTSA在研究汽車(chē)自動(dòng)化的同時(shí)，提出了基于安全的自動(dòng)駕駛汽車(chē)道路行駛法規(guī)。而自動(dòng)駕駛汽車(chē)面臨的除了政策法規(guī)，還有道路測(cè)試、技術(shù)問(wèn)題、基礎(chǔ)設(shè)施、消費(fèi)者認(rèn)知等突出問(wèn)題，目前L3級(jí)汽車(chē)均為限制區(qū)域的3級(jí)自動(dòng)駕駛，部分企業(yè)如百度Apollo等直接研發(fā)L4級(jí)汽車(chē)。由于汽車(chē)使用壽命約為10年，未來(lái)很長(zhǎng)一段時(shí)間內(nèi)，不同等級(jí)的汽車(chē)將組成混合交通流交織運(yùn)行，研究混合交通流的運(yùn)行特性已成為智能交通和交通流理論的研究熱點(diǎn)。

1 文獻(xiàn)綜述

人類駕駛員需遵從《道路交通安全法》等法律法規(guī)，雖駕駛風(fēng)格有所不同，但由于長(zhǎng)時(shí)間的交互和博弈，保持著動(dòng)態(tài)平衡[1]。自動(dòng)駕駛汽車(chē)根據(jù)其搭載的傳感器來(lái)感知環(huán)境，并通過(guò)邏輯層進(jìn)行計(jì)算，將運(yùn)動(dòng)決策輸出至控制器，從而完成預(yù)期行駛目標(biāo)。目前，自動(dòng)駕駛邏輯算法較依賴于底層控制策略，會(huì)有駕駛激進(jìn)、保守等不同的駕駛風(fēng)格，且自動(dòng)駕駛汽車(chē)的決策規(guī)劃方式存在個(gè)體差異，這些差異導(dǎo)致自動(dòng)駕駛汽車(chē)和人工駕駛汽車(chē)的駕駛行為不同，進(jìn)而造就了混合交通流不同于傳統(tǒng)交通流的新特征。

Cui等認(rèn)為在混合交通流中隨著人工駕駛汽車(chē)而移動(dòng)的自動(dòng)駕駛汽車(chē)，會(huì)在一定程度上個(gè)改變交通流特征參數(shù);秦嚴(yán)嚴(yán)等[2]基于伯克利大學(xué)通過(guò)實(shí)車(chē)試驗(yàn)標(biāo)定的CACC模型研究混合交通流的穩(wěn)定性。Chen等通過(guò)仿真多個(gè)場(chǎng)景研究自動(dòng)駕駛汽車(chē)對(duì)交通流的影響，結(jié)果表明引入了自動(dòng)駕駛功能的混合交通流穩(wěn)定性得到改善，道路通行能力得以提高。上述研究都表明混入自動(dòng)駕駛汽車(chē)的交通流運(yùn)行特性發(fā)生了變化，但均利用仿真數(shù)據(jù)或國(guó)外標(biāo)定的實(shí)車(chē)數(shù)據(jù)，并不能充分體現(xiàn)中國(guó)混合交通流的真實(shí)道路運(yùn)行特征，且目前交通流研究不涉及評(píng)價(jià)車(chē)輛間的跟隨關(guān)系，無(wú)法了解微觀交通流中車(chē)輛的交互情況。

基于此，利用激光雷達(dá)和攝像頭組成的交通數(shù)據(jù)采集裝置，在長(zhǎng)沙自動(dòng)駕駛示范運(yùn)行區(qū)域采集包含自動(dòng)駕駛汽車(chē)Robotaxi和人工駕駛車(chē)輛的混合交通流運(yùn)行特征的實(shí)車(chē)數(shù)據(jù)，通過(guò)圖像識(shí)別和機(jī)器學(xué)習(xí)算法分辨不同目標(biāo)物并統(tǒng)計(jì)車(chē)頭間距、速度等數(shù)據(jù)，研究自動(dòng)駕駛汽車(chē)的跟車(chē)特性及對(duì)前后車(chē)輛的影響。

2 混合交通流實(shí)車(chē)數(shù)據(jù)采集

2.1 采集設(shè)備

此次主要采集城市公開(kāi)道路混合交通流中的自動(dòng)駕駛汽車(chē)、人工駕駛汽車(chē)數(shù)據(jù)。利用一顆HESAI 64線機(jī)械式激光雷達(dá)和一顆?？倒I(yè)攝像頭組成交通數(shù)據(jù)采集裝置，采集所有目標(biāo)物的速度、位置、車(chē)頭間距、尺寸等。

2.2 采集時(shí)間及地點(diǎn)

考慮到Robotaxi的運(yùn)行規(guī)模和品牌分布選取長(zhǎng)沙作為采集地點(diǎn)，環(huán)境信息、采集時(shí)間等。

3 混合交通流實(shí)車(chē)數(shù)據(jù)處理

3.1 采集前數(shù)據(jù)預(yù)處理

結(jié)合圖像分析和機(jī)器學(xué)習(xí)的方法，將激光雷達(dá)的點(diǎn)云數(shù)據(jù)與攝像頭的信息融合，考慮自動(dòng)駕駛汽車(chē)與傳統(tǒng)人工駕駛汽車(chē)最大的差異——自動(dòng)駕駛汽車(chē)頂部安裝的激光雷達(dá)及支架部分，從而篩選出自動(dòng)駕駛汽車(chē)并標(biāo)記。

3.2 分時(shí)段數(shù)據(jù)梳理

考慮到自動(dòng)駕駛汽車(chē)Robotaxi運(yùn)行時(shí)間避開(kāi)了早/晚高峰時(shí)段，分別選取長(zhǎng)沙工作日早平峰、晚平峰，及非工作日午平峰時(shí)段采集到的數(shù)據(jù)進(jìn)行分析，將采集到的目標(biāo)物分為人工駕駛小汽車(chē)、中型車(chē)及Robotaxi車(chē)輛。

按照J(rèn)TGB01—2014公路工程技術(shù)標(biāo)準(zhǔn)的規(guī)定，將交通流數(shù)據(jù)中的小轎車(chē)和中型車(chē)，換算為標(biāo)準(zhǔn)小汽車(chē)。

4 混合交通流實(shí)車(chē)數(shù)據(jù)分析

4.1 基于車(chē)頭間距的跟車(chē)特性分析

自動(dòng)駕駛汽車(chē)Robotaxi受控制策略影響而呈現(xiàn)出不同的駕駛風(fēng)格，人工駕駛汽車(chē)與自動(dòng)駕駛汽車(chē)混行時(shí)會(huì)由于駕駛員的好奇/害怕等心理而接近/遠(yuǎn)離自動(dòng)駕駛汽車(chē)，車(chē)輛的車(chē)頭間距、速度、加速度等發(fā)生變化使得混合交通流呈現(xiàn)出不一樣的交通運(yùn)行特性。

分別統(tǒng)計(jì)非工作日平峰、工作日晚高峰和工作日早高峰時(shí)段，人工駕駛汽車(chē)跟隨自動(dòng)駕駛汽車(chē)（人工駕駛汽車(chē)）的車(chē)頭間距，以及自動(dòng)駕駛汽車(chē)（人工駕駛汽車(chē)）跟隨人工駕駛汽車(chē)的車(chē)頭間距。由于道路采集設(shè)備架設(shè)在路邊人行橫道上，高度約2 m，與遠(yuǎn)方車(chē)輛形成一定的夾角，車(chē)頭間距數(shù)據(jù)存在部分偏差?？紤]到普通乘用車(chē)長(zhǎng)度在3 800 mm以上，以及車(chē)輛運(yùn)動(dòng)過(guò)程中需保持一定的距離，故去除車(chē)頭間距小于4 m的數(shù)據(jù)。

人工駕駛階段由于車(chē)流量較大，車(chē)頭間距散點(diǎn)較多，但大部分車(chē)輛的車(chē)頭間距集中在小部分區(qū)域，駕駛員跟車(chē)較為緊密。

混合交通流階段的車(chē)頭間距平均值（12月20日10：00—11：00的26.69 m，12月21日15：00—16：00的32.91 m，12月22日10：00—11：00的27.02 m）均大于人工駕駛階段（12月21日16：30—17：30的25.61 m，12月22日08：30—09：30的23.38 m）的平均車(chē)頭間距，工作日晚平峰和工作日早平峰相較于相鄰時(shí)段分別增加7.30 m和3.64 m。

人工駕駛階段車(chē)輛跟車(chē)特性與前序分析相近，工作日晚平峰和工作日早平峰的車(chē)頭間距平均值僅相差0.27 m和0.68 m，車(chē)頭間距中位值僅相差0.50 m和0.67 m，說(shuō)明人工駕駛階段的交通流較為穩(wěn)定。

混合交通流階段的車(chē)頭間距平均值（12月20日10：00—11：00的31.92 m，12月21日15：00—16：00的34.02 m，12月22日10：00—11：00的29.95 m）均大于人工駕駛階段（12月21日16：30—17：30的25.34 m，12月22日08：30—09：30的22.70 m）的平均車(chē)頭間距，工作日晚平峰和工作日早平峰相較于相鄰時(shí)段分別增加8.68 m和7.25 m。自動(dòng)駕駛汽車(chē)跟車(chē)階段與人工駕駛汽車(chē)跟隨自動(dòng)駕駛汽車(chē)階段相比較，車(chē)頭間距平均值在非工作日平峰、工作日晚平峰和工作日早平峰分別增加了5.23 m、1.11 m和2.93 m。說(shuō)明自動(dòng)駕駛汽車(chē)的跟車(chē)策略較為保守，車(chē)頭間距控制在較安全的范圍內(nèi)。

5 結(jié)論

（1）獲取的中國(guó)道路實(shí)際運(yùn)行情況的混合交通流實(shí)車(chē)數(shù)據(jù)，涵蓋非工作日/工作日的早/晚平峰不同時(shí)段，彌補(bǔ)了國(guó)內(nèi)混合交通流實(shí)車(chē)數(shù)據(jù)方面的空白。

（2）自動(dòng)駕駛汽車(chē)周?chē)?chē)輛的微觀運(yùn)行特性分析表明，人工駕駛階段的交通流運(yùn)行較為穩(wěn)定;混合交通流階段，人工駕駛員跟隨自動(dòng)駕駛汽車(chē)趨向于保持更大的車(chē)頭間距，而自動(dòng)駕駛汽車(chē)跟隨人工駕駛汽車(chē)時(shí)也會(huì)采取較為保守的控制策略，保持更大、更安全的車(chē)頭間距。

未來(lái)，將在北京、廣州等更多的自動(dòng)駕駛示范運(yùn)行區(qū)域采集交通流，得到更具有普遍意義的交通流模型;利用采集到的數(shù)據(jù)分析車(chē)輛間的橫向運(yùn)動(dòng)，如切入/切出、不同車(chē)道間車(chē)輛間隙等;改進(jìn)采集裝置，消除或減小由于設(shè)備安裝問(wèn)題帶來(lái)的測(cè)量誤差。

參考文獻(xiàn)：

[1]陳君毅，李如冰，邢星宇，等.自動(dòng)駕駛車(chē)輛智能性評(píng)價(jià)研究綜述[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（12）：1785-1824.

[2]秦嚴(yán)嚴(yán)，王昊，王煒，等.混有協(xié)同自適應(yīng)巡航控制車(chē)輛的異質(zhì)交通流穩(wěn)定性解析與基本圖模型[J].物理學(xué)報(bào)，2017（9）：257-265.