北京航空航天大学鲁光泉
一、研究概况
1.研究背景及思路
在智能交通变革的背景下，我们要对交通系统进行优化。优化需要新的理论、新的算法，要充分地利用自动驾驶、网联带来的信息优势和控制优势，把交通系统协调得更优。
要对交通系统进行优化，我们需要清楚优化的对象或者控制的目标，以及人、车、路这些要素之间的关系。随着自动驾驶和智能网联的出现，人车路之间的关系实际上和以往我们熟悉的人车路之间的关系存在差异，我们需要新的理论方法来解释、描述新的交通现象，优化交通系统。
我们这个项目的研究团队成员来自北航、清华、浙大、同济等15个单位，围绕车路协同系统要素耦合机理与协同优化方法开展基础性研究。
2.研究框架
我们想探讨未来有智能网联汽车、自动驾驶汽车，也有人工驾驶汽车的环境下，人车路之间、人与车、车与车、车与路之间的耦合是什么样的模式，这种模式用什么样的数学模型来表达，以及通过什么样的方法能够使得交通资源得到更优化的利用。基于这个思路，项目从五个方面开展研究。
（1）研究人车耦合关系：我们想知道人和车之间的关系在未来的智能网联环境下有什么样的变化趋势，这种变化趋势对后续的优化控制有什么样的影响。
（2）研究车车耦合关系：将来在智能网联环境下，包括车载设备提供很多信息之后，会对驾驶人的反应、操作带来一些变化，这些变化对后续有什么样的影响。
（3）研究车路耦合关系：有了车路、车车之间的信息之后，车路之间的耦合关系发生了变化，这种变化又会带来什么影响。
（4）探讨智能网联环境下，在交叉口、干道、道路网络之间，用什么样的方法来优化车的轨迹，优化路的渠化，优化信号的控制，使整个系统达到更优。
（5）通过仿真和实际场地测试，我们希望提出的理论方法能够得到印证。
二、研究进展
1.人车耦合机理
对于人与车的耦合关系，我们希望建立一种通用的驾驶人仿真模型，将来不管是人开车还是机器开车，都有一个驾驶模型，在信息的感知、信息的处理、决策和操作上，它有通用的特征。我们用这个模型表征人工驾驶的车、表征自动驾驶的车，来达到统一的模型基础。
在这个基础上，我们需要研究人工驾驶在认知、反应、操作等特性上有什么特征和差异。另外，人工驾驶最大的特点是有一定的随机性和异质性。智能网联环境下，人的随机性和异质性怎么解决，以及接收到不同的信息之后，不同驾驶人的操控特性会有什么样的变化，这是项目第一部分要做的内容。
（1）建立通用驾驶人仿真模型
我们建立了驾驶的四个属性：生理属性、感知属性、决策属性和操作属性，由属性层、表征层、认知层的138个参数来表述驾驶过程，包括驾驶人参数和车辆参数，包括将来在自动驾驶情况下，车辆也可以看作特殊的人，但是车辆的感知属性、决策属性可控，而驾驶人是有随机性的。
（2）驾驶人认知与操作特性
我们研究了不同环境对人的认知与操作特性有什么影响。比如给驾驶人车路系统信息之后，与没有车路协同信息的环境相比，驾驶人的换道时间会发生不同程度的改变。同时我们在驾驶人主观风险感知和行为方面做了研究，不同环境下人们对风险的认知也会有差异。
（3）驾驶行为感知与意图识别
我们建立了驾驶行为感知模型，能够应用于超车、转向、换道等典型驾驶行为的感知。同时提出了网联环境下换道、超车、转向意图识别模型，能够较好地对驾驶行为进行短期准确预测。
2.车车耦合机理
第二部分的内容，主要是车与车之间的耦合关系。一般在路段上有两种耦合行为，一种是跟驰，第二种是换道、超车。还有一种是交叉口通行，车与车之间的耦合关系更加复杂。这是项目第二部分要解决的问题。
对于车辆运动模型，过去传统的有跟驰模型、换道模型、交叉口通行模型，但是这些模型都是基于场景的，互相之间不具有通用性。随着场景爆炸，模型也处于不断地爆炸、膨胀的过程，我们在通用驾驶人模型的基础上，尝试建立从感知、决策到操控环节的通用模型，解决自动驾驶过程中模型爆炸的问题。
我们用统一模型描述不同交通要素对车辆运动决策的影响。类似于篝火晚会有很多火堆，人们都不会往火堆里走，因为人们知道火堆产生风险的范围；同时如果有人抬着火把在篝火晚会跑，人们也不会去和他撞在一起，因为人们都知道火把的风险范围，或者预测火把会在什么时候到达什么位置，这就是人的决策模型。实际上人在无形中根据火把的大小、运动状态来评估所要面对的风险，所以我们把这个思路用在描述交通环境里。
根据不同的交通要素类型，比如固定的交通设施、动态交通管控信息，还有运动物体，我们用不同的模型量化出它们的风险，在叠加的基础上形成风险场，每个交通参与者在这个场里面进行运动规划和刺激反应的整个过程，这样能够把跟驰、换道、交叉口模型统一起来，避免出现一个场景建立一个模型的情况。
在这方面我们目前做了一些尝试，构建了运动物体的风险模型，量化了动态风险，比如黄灯期间的信号灯风险，从黄灯开始到结束，不同期间通过的车辆承受的风险是不一样的，距离红灯越近风险越高，我们根据实际数据建立了风险量化模型。
我们在跟驰场景下对风险量化模型进行了验证，与传统的跟驰模型对比发现，用这种统一的风险描述方法建立的跟驰模型，能够达到传统跟驰模型的精度。用同样的风险描述方法、同样的驾驶人风险接受水平、同样的运动决策模型，也能够运用到换道场景中。所以，建立的模型能够统一描述跟驰和换道行为。接下来我们想要用同一种模型描述无信号交叉口和信号交叉口的通行。但是将来的模型不是很规则的模型，比如要绕过停在前方的一辆车，运用现在已有的各种跟驰模型、换道模型是解决不了这个问题的，而我们的模型有望解决这方面的问题。
3.车路耦合机理
第三部分是车路耦合机理，如果路网里掺杂不同的智能网联汽车，将会对道路宏观基本图，或者说流密速关系，产生什么影响，这个问题给通行能力的计算也带来一些思考。我们对这方面的问题做了一些探讨，我们的目的在于，如果将来要把基本通行能力提高10%，反推回去，智能网联汽车的性能需要达到什么程度？我们对单车道到多车道的基本图，一直到路网的宏观基本图做了基本的研究。
另一方面的问题是，在智能网联环境下，如何计算出行时间可靠性，如何发现路网的瓶颈。通过轨迹数据，我们发现路段的交通拥堵不是单独发生的，很多交通拥堵之间存在关联关系，我们要利用轨迹数据把关联关系找出来。在关联关系的基础上，通过最大生成树的方法，找出拥堵传播从哪里开始，传播途径是什么样的，从而得到路网拥堵的时空传播图。同时也研究了一些与流向有关的传播机制。
在网联环境下，我们对出行时间可靠性进行了预测。传统的出行时间可靠性预测的研究中，对个体的出行时间可靠性预测比较多，小区的出行时间可靠性预测还没有涉及。在这个项目里，我们提出交通小区出行可靠性的计算模型和方法，同时根据计算模型和方法，把出行时间可靠性和网络交通状态联系起来，看出行时间可靠性和网络交通状态之间有什么关联关系，并且在计算中采用了比较有意思的方法。我们将图像处理方法用在出行时间可靠性计算里，这个方法有什么好处？我们用图卷积的方法可以解决传统出行时间可靠性计算中，维度增加、交通小区增加所带来的维度灾难问题。
4.系统协同优化
在人车、车车、车路耦合关系这些基础研究的基础上，我们考虑怎么从单个交叉口、路段和多个交叉口实现一整套优化算法，更充分地发挥自动驾驶、智能网联的信息优势、控制优势，使得整个交通系统更优，这是宏观的思路。我们在这方面提出了一些方法。
一个是在单个交叉口，不同的车怎么先走、后走的问题；第二个是路段如何引导车辆，当我们知道什么时间从上一个交叉口出发、什么时间要到达下一个交叉口之后，怎么引导中间路段的车辆是最优的；第三个方面是扩展到路网，如果我们知道交叉口的几何条件，以及网联自动驾驶车辆、人工驾驶车辆的交通需求，如何通过一套算法使通行能力得到显著的提升。
接下来研究了交叉口和路网交通信号的自适应优化，以及多路口车辆轨迹的协同优化，通过控制车队里局部的或者少量的自动驾驶车辆的轨迹，来影响其他车辆的轨迹，从而实现通行效率和行车能耗的优化。
5.仿真与实地测试
后续我们想把这些理论研究做到仿真系统里，同时目前也在积极搭建实车测试平台，对于一些微观的模型和算法，可以在实车测试平台上进行测试和验证，对于宏观的算法，能够在仿真平台上进行评价。
