智能交通系统中的多样化半自动驾驶车辆仿真

具有多样化半自动驾驶车辆的智能交通系统

摘要

未来，大多数车辆将具备半自主性和通信能力，并具有不同的速度能力，这一趋势正变得越来越可能。本文旨在描述为此类场景创建集成交通仿真系统的过程。尽管交叉口通行、超车等行为的实现较为简单，但所实现的系统包含了智能交通灯操作系统、速度车道的动态限速、车道预留、道路预留、密度调节或交通拥堵避免、针对堵塞的重新规划以及在低速交通条件下的重新路由。

关键词: 交通仿真, 智能交通系统, 半自主车辆, 车辆规划

引言

出于安全、驾驶效率以及有时驾驶舒适性的考虑，目前在驾驶辅助系统和自动驾驶车辆领域正进行大量研究。高级驾驶辅助系统（ADAS）旨在通过各种技术手段辅助驾驶员。此类系统的常见功能包括疲劳提醒 ¹ , 碰撞预警 ² , 安全警示 ³ , 超车车辆预警、障碍物检测 ⁴ , 路线规划与引导 ⁵ , 标志识别 ⁶ , 等。自动驾驶车辆技术更为先进，能够在无需人为干预的情况下自主行驶，并自主做出所有驾驶决策 ^7,8 。而半自主车辆则提供有限的功能，仅限于自动泊车 ⁹ , 超车 ¹⁰ , 车道保持 ¹¹ 等功能中的一项或多项。

这些领域的最新研究表明，车辆将变得越来越先进，前景可观。未来道路上的大多数车辆将是具备通信能力、可获取先进的出行信息以及动态路线引导系统等多种安全和决策系统的半自主车辆。然而实际上，非智能车辆可能仍会在很长一段时间内以少量存在。完全自动驾驶场景（即仅包含自动驾驶车辆）也有可能实现，但这可能需要更长的时间才能成为现实。

具有不同自主等级的车辆在感知能力、控制和反应时间方面具备不同的能力，这些因素均使其能够以不同的最高速度行驶。自动驾驶车辆可能尤其针对不同的商业或业务需求，车辆可能在类型、品牌和性能上存在差异，从而导致行驶速度不同。对于半自主车辆而言，行驶速度还取决于驾驶员偏好、乘客偏好、出行目的、社会地位等因素。这些因素共同导致了不同车辆以不同速度行驶。事实上，当前交通中已呈现出有限的行驶速度多样性，即不同的驾驶员倾向于以不同的速度行驶，从而引发换道、超车行为，并使得交通流在车道间的分布大致符合驾驶者的偏好速度。然而，随着自动化程度的不断提高，这种速度范围很可能会进一步扩大，从而使交通在速度能力方面表现出更高的多样性。

车与车之间的通信 ¹² 系统有助于一组车辆相互交流并共享信息，从而带来诸多优势，包括碰撞预警 ¹³ 、障碍物警报 ¹⁴ 、协同避障 ¹⁵ 等。与此同时，车路通信 ¹⁶ 使车辆能够与道路上的交通基础设施进行通信。此类系统可用于向车辆传递交通或道路状况信息。通信有助于车辆在局部和全局层面做出最优决策，同时减少各种不确定性。通过通信，未知于驾驶员或车辆正常视野的信息总是有助于决策制定。此处的重点不仅在于制定车辆个人计划更好，而且在于协作以使整体交通系统更加完善。

交通系统在任何国家的车辆运行管理中都发挥着重要作用。在大多数场景下，静态交通规则能够为一般驾驶提供合理的交通管理。交通还可以通过在特定日期和时间更改规则（例如仅在夜间允许重型车辆行驶）或应对特定场景（例如音乐会或体育赛事前后可能出现的大量车辆）来进行进一步管理。这些规则必须有效，因为它们会影响大量车辆。然而，在半自主车辆的情况下，这使得所有实体之间能够实现交通系统的广泛通信，从而让中央交通管理部门可以根据可用信息或交通策略动态调节交通。或者，可采用一种智能系统被放置以持续监控交通，预测交通状况并做出交通调控决策，这些决策可传达给车辆以供其跟随。

交通仿真 ^17,18 能够研究各种交通管控方式或规则。交通仿真系统可分为微观系统、宏观系统和中观系统 ¹⁹ 。我们在此领域的研究方法属于微观性质，即在特定场景中考虑一组车辆中的单个车辆行为。一种常用的交通模拟器是MITISM（微观交通模拟器） ²⁰ ，其中监控系统、交通管理、控制与路由设备构成了仿真的四个主要模块。其他常见模型包括NETSIM ²¹ ，INTEGRATION ²² ，DYNASMART ²³ 。所有这些模拟器均能体现换道、交通汇流、绕行、交通信号灯、堵塞、事故等行为。

这项工作受到作者相关研究的启发 ^24,25 ，该研究探讨了在具有不同速度能力车辆的交通环境中自动驾驶车辆的轨迹生成问题。该问题的研究基于无序交通（车辆可以在道路上任意移动，无需沿车道行驶），其动机来源于当前观察到的无序交通系统以及理论分析表明在多样化交通中无序系统具有更高的效率。然而，该研究仅限于直道场景。研究发现，多样性会导致有趣的驾驶行为。因此，进一步研究多样化无序交通对整体交通系统的影响是值得鼓励的。这需要一个能够处理无序交通和多样化车辆的交通模拟器。构建一个完整的无序交通仿真系统需要解决复杂的子问题，超出了本工作的范围。

本文报告了一种针对多样化且有序交通的仿真系统及初步结果。遗憾的是，前述现有的仿真系统均无法直接使用，因为它们不允许将车辆速度多样性作为一个因素进行INTEGRATION。

此处描述的仿真系统是在一种未来视角下构建的，即在智能交通基础设施中，大多数车辆都将是半自主车辆。半自主车辆可以被定义为能够联网并接受基本驾驶指令的交通实体，这些指令可由人类驾驶员或自动驾驶车辆本身执行。其目标是通过密切观察每一个交通实体，充分利用此类交通中的各种可能性。这一概念开辟了一系列新的可能性和问题，其中一些在本文中有所阐述。尽管车辆具备半自动驾驶功能在某些情况下并非必要条件，但它无疑将有助于系统进行动态和快速变化，而这在当前的交通系统中是无法实现的。

通过该仿真，我们的方法是在当前交通系统中引入若干概念，并通过仿真来研究车辆在这些概念下的行为。借此，我们可以针对多样化车辆场景，衡量所引入概念相较于系统当前规则的有效性。同时，我们尝试构建一个交通仿真系统，该系统能够对各种道路上的这些概念的适用性进行静态（在开始时）或动态指定。该模拟器还为我们在现有假设基础上开展当前及未来的研究提供了基础，以使交通系统更加完善。

在此模拟器中，我们假设任务是使大量车辆从各自的起点到达目的地。系统内已具备道路网络图。每辆车辆从其起点出发，通过与其他车辆协作，以最短时间到达目的地。车辆在预定义时间从起点出现，并在到达目的地后离开地图。在仿真过程中的任何时刻，所有车辆的位置均被视为已知。此外，车辆可以与中央信息系统通信，该系统协助它们进行决策。

本工作的主要贡献在于：
x 该方法对智能交通系统进行了综合研究，涵盖了文献中分别研究的各种概念。
x 该研究提出了一种未来交通系统的架构，涵盖去中心化车辆控制和集中式管理控制。
该方法旨在可扩展环境中运行的多样化半自动驾驶车辆，这很可能是未来交通系统的趋势。该方法是创建用于多样化和无序交通的交通仿真工具的积极一步。

交通信号灯是交通管理系统的一个重要方面。它们确保车辆能够准时到达目的地，同时避免拥堵。运行顺序和持续时间都非常重要。第2节讨论了交通信号灯的处理方式。同样，速度车道在交通流分布中起着重要作用，特别是对于具有不同速度能力的车辆而言更为重要。确定各车道的速度限制至关重要，本系统中相关内容将在第3节中讨论。路径规划涉及决定使用哪些道路以到达目的地。持续重新规划能够帮助避开高密度拥堵道路，实现交通规范化并避免交通堵塞。第4节介绍了本系统所采用的路径规划算法。交通密度增加、车流缓慢以及速度能力差异较大，特别是在某些时段和某些道路上，这使得有必要将道路作为预留基础设施来使用。第5节中，我们讨论了一种机制，通过该机制，只有通过预留才能使用某条道路或车道。这使得重要车辆（包括紧急车辆）能够尽早到达目的地。第6节展示了系统的总体架构。仿真结果见第7节，结论部分见第8节。

2. 交通信号灯系统

2.1. 概念

交通灯变为绿灯的等待时间可能占行程时间的很大比例。交通信号灯的高效运行可以提升整体交通效率。当前使用的交通信号灯系统允许来自多个起点的交通在指定时间内通行。通常该时间被预先设定为一个阈值。常见问题包括在没有来自相反方向的其他车辆时仍需等待自己的通行时间，高密度道路和低密度道路上的车辆等待时间仍然相等，高密度道路、白天固定的交通灯运行时间、对变化的交通趋势缺乏适应性、在高交通密度道路上行驶时需要等待过多的交通灯变化等。显然，智能交通系统中的智能交通灯能够克服这些问题。

提出的交通灯系统同时考虑了车辆数量和运行时间。假设每个交叉口处等待通过的车辆数量是预先已知的。对于联网的半自动驾驶车辆而言，这项任务非常简单，因为通过全球定位系统或本地地图算法可以较为准确地获知车辆的位置。此外，交叉区域的传感器也有助于记录相同的数据。假设一个交叉口c包含相交道路R={R1,R2,R3,R4,…Rn}。车辆信息记录在一个数据结构Qc中，该结构维护了所有在交叉区域等待的车辆队列。每一项条目由三元组 组成，表示车辆Vi在时间ti从道路Ri∈R进入交叉场景（即准备通过交叉口）。每当有车辆（Vi）进入（1）或离开（2）交叉场景时，该数据结构都会被更新。

$$ Q_c \leftarrow Q_c \cup { } $$ (1)

$$ Q_c \leftarrow Q_c \setminus Q_c[V_i] $$ (2)

其中Qc[Vi]是Vi在Qc中的元素。

交通信号灯的运行方式为：在任意时刻，仅有一条道路拥有绿灯信号，而其他所有道路的信号均为红灯。处于绿灯信号状态下的道路上的所有车辆均可通行，无论其出口如何。在交通灯变化之间，采用横向时间来清空交叉区域。交通信号灯的目标是减少任何车辆的最大等待时间。因此，交通灯的变化顺序应确保每次变化都允许在交叉口c处拥有等待时间最长的车辆的道路Ra上的所有交通通过。设Dc表示当前拥有绿灯信号的道路，该道路根据（3）发生变化。

$$ D_c = \arg\min_{R_i \in R} t_i, \quad \in Q_c $$ (3)

如果发生交通灯切换事件（例如 Ec），交通信号灯将按照规定的顺序切换。每次切换后，交通信号灯将保持在同一状态，直到最多有 Ș 辆车辆通过，或持续最长 T 单位时间。此处 Ș 取以下两者中的较小值：阈值（Șth）和来自当前为绿灯的道路的车辆的当前队列大小（|Qc[Dc]|），其中Dc表示当前为绿灯的道路。T是时间阈值，为一个常数。如果当前为绿灯的道路上没有剩余车辆，则交通信号灯将切换。然而，这种切换仅在当前交叉区域中没有其他车辆时才可能发生。预留该横向时间可确保交叉区域中不会发生死锁。切换的前提条件由公式(4)给出。

$$ E_c \leftrightarrow T_c > T \lor \eta_c > \eta $$ (4)

这里Tc是自上次变化以来经过的时间，Șc是自上次变化以来通过的车辆数量。

同时限制最大时间和最大车辆数量，可以在交通包含多样化车辆时实现更好的交通控制。由于车辆是半自主的，这一目标是可实现的。这里的一个重要准则是将Șc保持为当前队列大小与阈值中的较小值。这样做的效果是阻止新进入的车辆在不等待的情况下通过交叉区域。因为这种通行可能会以其他等待车辆为代价。如果没有其他等待的车辆，则任何变化都会自动有利于新进入的车辆，允许其通行。这是实现最小化等待时间这一启发式方法的另一种方式。

2.2. 仿真

仿真的目的是在不同的交通状况下测试所提出的系统的运行情况。使用了一张地图，其中心设有一个交叉口。系统生成了随机数量的车辆，每辆车都有各自的速度能力，并让这些车辆通过交叉口从一条道路行驶到另一条道路。车辆的出现时间被随机确定。该交通灯控制系统与一种按照固定间隔每T个时间单位切换灯光的系统进行了比较，后者是实践中常见的方法。在这种策略下，如果交通灯为绿灯但没有需要通过交叉口的车辆时，可能会浪费大量时间。仿真系统在随机的短时间间隔内生成车辆，且这些时间间隔呈均匀分布。

另一种更简单的交通灯切换系统也被研究。切换条件基本保持如(4)所示，唯一的区别是切换变化以循环顺序生成，而不是按照(3)中提出的顺序。在所有仿真中，平均行驶时间被用作衡量指标。这三种算法在不同车辆数量下进行了仿真。场景中的车辆数量较少意味着道路占用密度较低，反之亦然。

图1(a)展示了场景中车辆数量与平均行驶时间之间的关系图表。图表上的每个点代表一个具有随机进入时间、退出时间和速度的场景。因此，通过使用移动平均法生成的趋势线平滑了随机性。仿真中使用的距离和时间单位为任意单位，这些单位特定于仿真工具，并可按比例对应于现实世界的单位。

图1. 不同车辆数量下交通灯系统的比较分析：（a）来自各个方向的交通；（b）一个方向的交通被阻塞。

所有曲线的总体趋势是，随着车辆数量的增加，平均通行时间也随之增加，直到该时间变为一个常数。这种增加是由于交通密度不断增大所致。当达到拥堵（饱和）的交通密度时，车辆数量的进一步增加将不再产生影响。与另外两种方法相比，采用固定交通灯运行时间的曲线效率要低得多，而另外两种方法表现出几乎相同的变化趋势。也就是说，在中等密度交通情况下，所提出的系统在平均通行时间方面确实超过了具有循环交叉变化的系统。不过，考虑到车辆生成的随机性，平均通行时间上的微小差异可以视为不显著。

这一点在禁止从道路一侧生成交通流、同时交通信号灯仍按相同顺序运行的情况下得到了进一步凸显。结果如图1(b)所示。显然，不同方法之间的差异被放大了，这表明了固定交通灯运行时间的明显局限性。

该方法中有两个控制算法性能的重要参数，即时间阈值（T）和穿越车辆数量的阈值（Șth）。本文对这两个参数进行了分析。在第一个实验中，改变 T，并比较了不同情况下平均通行时间。因子Șth被设置为无穷大，使其对算法性能无影响。该研究分为密集道路（2000辆车）和稀疏道路（250辆车）两种情况。所生成的图表如图2(a)所示（密集道路），以及图2(b)所示（稀疏道路）。

图2. 不同T值下交通灯系统的比较分析：（a）高密度占用场景；（b）低密度占用场景。

图2(a)显示，随着时间阈值的增加，平均通行时间总体呈现初始下降趋势，随后趋于稳定。增加该参数会导致交通信号灯变化次数减少，从而降低横向切换时间。由于受横向时间影响的车辆比例很小，且其他交叉路口道路上车辆减少的通过时间所带来的增益抵消了这一影响，因此这种下降趋势进一步减弱。这表明，相对较少地改变交通信号灯实际上可能整体上是有利的。从实际角度来看，任何车辆在交叉口停车不应超过两次交通灯变化，这种情况在实践中主要出现在交通密度较低时。然而需要注意的是，如果变化过少，可能会导致某些车辆的等待时间急剧增加，而另一些车辆的通行时间却缩短。因此，有人可能恰好在信号灯即将变为绿灯时进入队列，而另一人则可能在交通灯刚变为红灯时到达队列前端。最大等待时间并非本文研究的因素，但在现实中可能作为参数设置的一个参考值。

固定灯光操作的通行时间远高于另外两种情况，而后两者似乎几乎相近。整个场景包含密度较低的起始和结束阶段以及车辆密度较高的中央阶段。在起始和结束阶段，固定灯光操作时间算法的表现明显差于另外两种方法，主要原因在于其在队列中无车辆的情况下仍在道路上花费了过多时间。此外，在中央阶段，另外两种方法优先考虑让信号灯切换时已在队列中的车辆通行（一种用于灯光操作的规则），而固定灯光操作时间算法还会允许新进入的车辆通行，这降低了其有效性。

在轻度拥堵场景下进行的相同实验显示出不同的趋势。结果如图2(b)所示。固定灯光变化算法随着T的增加，通行时间总体呈上升趋势。这是因为在队列为空或主要由刚进入场景的车辆占据且交通灯未切换时产生的等待时间。该等待时间随着T的增加而增加，使得算法始终效率低下。然而，另外两个系统表现出相似的趋势，且所提出的系统在T值增加时表现更优。

在此情况下，该因素的增加导致了平均通行时间的上升，随后逐渐稳定在同一数值附近。这种增加是由于道路占用较轻，而增加的时间意味着更少的交叉口变化，从而导致车辆等待时间增加。经过一定增长后，交叉口的变化仅由队列中的车辆被清空引起，而非时间阈值所致。因此，该因素在进一步增加时不再起作用。可以观察到，增加T会增加队列中车辆的等待时间（不理想），但同时减少了过多的交叉口变化带来的开销（理想）。

另一个研究参数是 Șth。很自然地，该因素在交通灯固定运行时间的系统中不起作用，因此本研究未考虑该系统。此因素将针对低密度道路和高密度道路分别讨论。对于高密度道路，该因素初始增加时通行时间略有减少，但很快趋于常数。该因素的增加导致交通灯变化次数减少，从而降低了开销。相应的图表绘制于图3。其中的不规则趋势是因为绘制的是实际数据点，而非趋势线。对低密度道路的实验表明，车辆能够持续行驶而不会产生不必要的队列。由于当初始队列清空后交通信号灯不会等待，仿真得以继续进行。因此，该参数对性能没有影响，对于任何设定参数值均表现出恒定的结果。

图3. 不同值VRIȘth下交通信号灯系统的比较分析

3. 速度车道

为不同车道分配不同速度限制的理念是一个重要概念，尤其当道路上行驶的车辆在速度上具有高度多样性（从低速车辆到高速车辆）时更为关键。若让低速车辆驶入所有车道，则显然会导致所有车道的交通速度降低，这对具有较高偏好速度的车辆不利。类似于固定交通灯控制时间的情况，为不同速度车道设定固定速度限制的最优性值得怀疑。因此，此处的目的是动态调整各车道的速度限制。中央系统会根据道路上车辆集合的速度能力，在车辆到达和离开时实时监控并调整速度限制。任何时刻各车道的最优速度限制可能是依赖于道路车辆偏好速度分布的一个复杂函数。然而，我们通过假设偏好速度呈均匀分布，在一定程度上简化了这一概念。设V={Vi}为道路上的一组车辆Ra。令si表示车辆Vi的偏好速度。令mini(si) 和 maxi(si) 分别表示道路上任意车辆所表现出的最低和最高偏好速度。假设该道路有b条速度车道。我们可以通过公式(5)从左至右按速度限制递增的顺序为各个速度区域分配速度限制。

$$ L_j = w_j \cdot \max_i(s_i) + (1 - w_j) \cdot \min_i(s_i) $$ (5)

其中w1<w2<w3..<wb
w1= 0, 0<w2, w3,…wb ≤ 1

需要认识到，与当前的交通系统不同，此处的速度限制实际上意味着一个下限，即车辆在特定车道上行驶所必须具备的最低偏好速度。而每个车道的上限则被设定为无穷大。半自主车辆可以根据自身能力设置其偏好速度，因为强制它们受限于较低的速度限制是不合适的。这一概念本身使得具有较高偏好速度的车辆具备了超车能力。当一辆车辆发现前方有另一辆速度较慢的车辆时，可以选择改变其速度车道并向右漂移（假设驾驶规则在左侧，这意味着优先从右侧超车）。一段时间后，超车车辆将位于被超车辆的前方。此时如果车辆发现前方有更慢的车辆，且没有可用的更高速度车道，它总可以向左变道并返回到原来的速度车道。这是因为速度上限被设置为无穷大，高速车辆在下限较低的速度车道上行驶是完全合理的。这样就完成了超车过程。然而显然，在低速车道以较高速度行驶可能并非最优，因此该车辆最终会寻找机会向更高速度的车道变道。

该系统通过仿真进行了研究。给定的地图是一条简单直路，不同车辆在不同时间生成，并具有各自的速度。道路每侧有2条车道（分别用于出站和入站交通 ±）。根据公式(5)，这两条车道的速度限制下限分别为0和(1−w).mini(si)+ w.maxi(si)。我们首先尝试研究参数w的行为。该研究分别在低密度和高密度条件下进行。该系统与一个没有速度车道的系统进行了比较，因此在无速度车道的系统中任何车辆都可以在任意车道上行驶（尽管参数w在无速度车道的系统中不起作用）。

在密集道路（场景中有2000辆车）上生成的图表如图4(a)所示。当因子w增加时，高速车道的速度限制也随之提高，导致允许进入该车道的车辆减少。虽然这降低了使用高速车道车辆的行驶时间，但同时也导致高速车道利用率不足。因此，每当速度限制提高时，高速车道车辆行驶时间的减少被低速车道车辆行驶时间的增加所抵消。相反，将此因子保持接近0会使系统等同于没有速度车道的系统。

同样的模式也可以在图4(a)中观察到。稀疏道路理想情况下不需要速度车道，因为各类车辆可以轻松地相互通过而不会造成阻碍。在这种场景下，高速车辆会有所损失，因为它们需要花费时间超车低速车辆。然而，与低速车辆通过使用高速车道所获得的时间相比，高速车辆损失的时间非常小，而高速车道的设置增加了交通带宽。稀疏道路的结果如图4(b)所示。

图4. 不同w值下速度车道系统的比较分析：（a）高密度占用场景；（b）低密度占用场景。

图5. 不同车辆多样性下速度车道系统的比较分析： (a) 可变速度上限；(b) 可变速度下限。

交通多样性是本文研究的一个主要因素，它在速度车道系统中起着重要作用。为了更好地测试该系统，我们还研究了车辆速度多样性的变化对算法性能的影响。仿真工具生成的车辆其速度位于一个指定的上限和下限范围内。我们首先通过改变上限（同时将下限固定为0.2单位时间单位距离，任意单位）进行实验，随后通过改变下限（同时将上限固定为1单位时间单位距离，任意单位）进行实验。相应的图表如图5所示。在此，我们将通行时间与固定速度车道系统进行了比较，其中高速车道的速度限制（下限）固定为0.5单位时间单位距离。在两种情况下通行时间的总体下降是由于车辆平均速度的提高。可以明显看出，可变速度限制系统能够很好地调整速度限制以提升性能。

4. 路径规划

路由在道路网络中合理分配交通方面起着重要作用，使每辆车都能在与其他车辆协作的情况下以最短时间到达目的地。现实中，许多车辆常常使用一条热门道路，以便快速抵达特定目的地。然而，这会导致拥堵加剧，所有车辆的行驶速度降低，从而导致整体性能下降。因此，不考虑其他车辆 while planning one’s own route可能导致较差的结果。解决方案是明智地在道路上分配交通流量，充分利用整个交通基础设施实现集体出行。如果替代道路的交通密度低于主干道，即使其距离较长，也可考虑使用。但如果替代道路过长，则该选择可能并无益处。

采用一致代价搜索算法为每辆车辆进行路径规划。该算法的目标是最小化所有车辆的行驶时间。当选择某条道路用于行驶时，会添加一个与该道路交通密度成正比的惩罚值。中央信息系统知道道路的当前交通密度，但不知道车辆到达道路时的预期交通密度。因此，我们利用交通流量的历史信息来预测交通密度。对于靠近车辆当前位置的道路，当前密度具有更高的相关性，因为在车辆到达该道路之前，密度不会发生显著变化。然而，对于远离车辆当前位置的道路，则需要依赖于预测结果。

由于当前交通状况可能会发生剧烈变化，因此历史数据更为重要。因此，道路 Ra 在时间 t 的预期密度可由公式 (6) 给出。

$$
\rho(R_a, t) =
\begin{cases}
\rho_{current}(R_a), & t \leq \beta \
\rho_{historical}(R_a, t), & t > \beta
\end{cases}
$$ (6)

其中， ȡcurrent(Ra) 是道路Ra的当前交通密度， ȡhistorical(Ra, t) 是预测交通密度。 ȕ 是当前交通密度有效的持续时间。因此，当从节点 c2 经由道路 Ra 扩展到节点 c1 时，为车辆 Vi 计算的总成本可由公式 (7) 和 (8) 给出。

$$ tc(c_1) = tc(c_2) + t(R_a) $$ (7)

$$ f(c_1) = f(c_2) + \alpha \cdot \rho(R_a) \cdot | R_a | $$ (8)

这里 Į 是惩罚常数，t(c1) 是到达 c1 的时间， | Ra| 是道路 Ra 的长度。

由一致代价搜索算法计算出的路线基于当前和预测交通状况，而这些状况会随时间变化。目标路线上的车辆可能增加，也可能减少，不规则趋势可能导致实际交通与预测交通大相径庭。路线需要不断适应这些变化的趋势。交通场景中所有车辆持续进行适应，从而协同制定高效的出行计划。这种适应通过重新规划路线实现。一旦车辆驶入一条道路，即认为其不会掉头，即使掉头能带来更优路线。因此，最大适应性对应于每到达一个交叉口就重新规划。重新规划后的路线将反映任何变化的交通趋势。

为了测试该方法的有效性，我们生成了一个模拟场景，其中包含一条在两端设有起点/终点的直道。我们最初为该道路设置了非常高的交通密度。此外还有两条不等长的替代道路可供选择，这些道路最终再次汇入主路。车辆在道路的两侧持续生成。车辆首先沿直道行驶。一段时间后，部分车辆出现在较短的替代路线，而另一些车辆则继续沿直道行驶以维持密度。更晚些时候，更长的替代路线也开始被使用，车辆也通过该路线进行通行。

该算法的一个重要因素是 SDUDPHWHUĮZKLFKSOD\VDQLPSRUWDQWUROHLQ调节交通。我们研究了在大量车辆情况下改变此因素对系统性能的影响。该算法与最小化距离的一致代价搜索算法进行了比较，其中所有车辆都遵循同一条直道，而其他替代道路未被使用。相应的图表如图6所示。

增加此因素会促使车辆在不同的道路选择之间平衡交通密度。初始下降表明，当主干道交通密集时，车辆更倾向于选择替代道路，这是应遵循的正确策略。然而，进一步增加该因素会促使车辆即使在主干道交通并不十分密集的情况下也选择替代道路，因此增加了平均通行时间。

图6. 针对不同Į值的路由系统比较分析

5. 预留

交通系统可能会根据车辆的社会重要性来区分重要车辆和非重要车辆。道路也可以被视为一种商业资源，可以按独占或共享基础预留道路或车道一段时间。这一点非常有益，因为即使普通道路非常拥挤，预留也能确保合理的行驶速度。对于交通密度通常较高或由于某些事件预计会非常高的道路而言，这一点尤为重要。在这种情况下，按照定价模型预留道路可能非常有用。与此同时，其他普通交通仍可在其他可用道路上通行。这里的一个重要因素是可预留的车辆数量。预留过少的车辆将导致道路利用率不足。另一方面，预留过多车辆可能会使预留道路的交通速度比未预留道路更慢，从而无法为预留提供激励。假设系统中的整体交通密度较高，我们进一步假设这些车辆中有p百分比被预留。

生成了一张用于仿真的地图，该地图包含一条从起点到目的地的直道以及一条较长且高度弯曲的替代道路。我们将直道设为预留资源，因此预留车辆可以在该道路上直行，而其他车辆则需要沿蜿蜒的替代道路行驶。与第4节中所示的地图不同，本场景中替代道路较长，使得使用直道具有显著优势。我们改变了预留车辆的比例p，并研究了其对预留车辆和非预留车辆平均行驶时间的影响。结果如图7所示。图7还展示了所有车辆均为预留车辆的情况（此时所有车辆均使用直道）以及无车辆预留的情况（此时所有车辆均使用绕行道路，主干道未被使用）。图表显示，在模拟时间内，随着越来越多的预留车辆在预留道路上行驶，其行驶时间逐渐增加；与此同时，随着非预留车辆数量减少，其平均行驶时间下降。这有助于在权衡利弊的基础上确定应预留的车辆数量。

图7. 不同车辆预留比例下道路预留系统的比较分析。

如果仅将道路上的一条车道设为预留资源，而非整条道路，则也可能出现类似情况。这使得可以利用现有的道路基础设施进行预留，因为在某些情况下可能无法提供独立的道路，从而提供了合理的替代通行方式。在此情况下，预留车辆可以自由使用普通车道以及在预留车道上超车，但普通车辆绝不能被允许进入预留车道。另一种看待该问题的方式是在紧急情况下。为应急服务车辆预留一条车道是可行的，而不是让该车辆在行驶过程中等待其他车辆让行。车道预留的概念与道路预留相同。我们再次绘制了预留比例p与预留车辆和非预留车辆行驶时间之间的图表。同时也考虑了全部预留和无预留的情况。结果如图8所示。在此情况下，随着预留车辆数量的增加，车辆的平均通行时间有所增加。然而需要注意的是，在所有车辆均预留或均不预留的情况下没有差异。图表显示了相同的趋势。

图8. 不同车辆预留比例下车道预留系统的比较分析。

6. 总体架构

模拟器的总体架构如图9所示。该架构清晰地展示了四个独立讨论的模块。每个模块都相互连接以传递信息。中央信息系统负责维护中央信息。初始设置或场景可作为初始规格文件提供给该系统。所有其他模块均通过查询中央信息系统获取信息。总体架构可分别针对车辆子系统、预约子系统、交通灯子系统和速度车道子系统进行研究。

车辆子系统具有一个路径规划算法，该算法利用交通信息来决定行驶路线。低层规划器使用交通信息来决定车辆运动。这可能包括跟随前方车辆（或简单地直行）、变道、在交叉路口停车、从静止状态启动等操作。交叉口，或在交叉口转弯。车辆的实时位置始终受到监控，并向中央信息系统报告。对于变道，车辆必须获知该车道的速度限制，且该车道不能是预留资源。速度限制由速度车道子系统计算得出，该子系统从中央系统获取所有交通信息用于计算。路径规划子系统必须评估道路是否为预留资源。预约子系统会指示车道子系统和车辆的路由规划模块是否可以使用该资源。预约可由单独的系统进行管理，最终结果将反映在中央信息系统中。交通灯子系统根据各条道路的交通状况操作交通信号灯，并在车辆接近交叉口时向其发送交通灯状态。

图9. 模拟器的规划架构。

7. 仿真

到目前为止，我们已分别证明了智能交通灯、速度车道、路径规划以及道路/车道预留的工作机制。与当前的交通管理系统相比，这些概念在单独应用时均展现出优势。因此，当交通同时涉及所有这些概念时，可以预期各个子系统的改进将共同促进整体交通系统性能的提升。该交通仿真系统旨在运行大量采用前述所有模块的多样化车辆。本节的测试方法是调用所有这些模块并在复杂交通场景中测试其性能。

图10. 仿真结果。

为了便于测试，创建了一个工具，该工具可以获取环境的图像表示并解析生成道路网络图。这样就很容易制作地图并用于测试。只需向模拟器提供一个参数，即需求量或单位时间内生成的车辆数量。这是控制算法试图消除的诱导拥堵所必需的。车辆的位置、初始速度、出现时间等均随机设置。初始位置和最终位置始终位于地图的边缘，以确保车辆行驶最大距离。

图11. 集成场景的分析。

使用绘图工具生成了多张地图，并进行解析以创建道路网络图。较大的地图确保了规划任务的复杂性。密度通常保持在高密度，因为所提出的系统在高密度情况下优势尤为明显。为了更好地评估系统的运行情况，该算法将车辆以不同颜色绘制在地图上。图10展示了部分测试场景仿真的截图。每次仿真中均观察到，车辆能够轻松到达目标，同时避免了拥堵和过长的等待时间。在车辆过多且要求通过某些中央区域的拥堵情况下，当出现红灯信号时会暂时形成队列，但队列很快便被清除，车辆随即分散以避开拥堵区域。

模拟器测量了多个指标，这些指标是系统性能的衡量标准。主要的性能指标是车辆的平均行驶时间，这是评估系统性能所使用的主要指标。其他重要指标包括平均行驶距离和平均行驶速度。为了节省空间，仅使用一个场景进行进一步分析。图11显示了在所有模块启用的情况下，不同车辆数量的指标。所有单位均为任意单位，特定于仿真工具。这些指标可通过乘以适当的常数映射到现实世界的单位。

车辆的起点和目的地等场景规格是随机生成的。这种随机性导致了图11中出现的振荡现象。通过大量仿真观察到，所有车辆均在可接受的时间内到达了目的地。因此可以确定，为该目的开发的仿真工具能够协同规划所涉及的不同车辆的路径。

8. 结论

交通密度不断增加，这给现有的交通基础设施带来了巨大压力。具备与其他车辆、道路基础设施以及交通管理单元通信能力的半自主车辆能够高效地进行自我路径规划，从而提高交通效率。本文探讨了多种可能性，旨在通过使现有交通管理系统的各个组成部分变得更加智能和高效，来改进该系统。所提出的系统被分解为四个主要模块：交通信号灯管理、路径规划、速度车道管理和预留。这些模块中的每一个都实现了对交通的更好管理，减少了车辆的平均通行时间。由此产生的系统是一种动态管理的交通系统，旨在使交通流量尽可能高效。

车辆速度的多样性使得系统行为与一般预期不同。本文尝试研究车辆速度多样性的增加对整体交通性能的影响。慢速车辆可能导致整条车道的交通变慢，从而降低行驶效率，这需要交通系统进行管理。在仿真中我们发现，慢速车辆确实会影响快速车辆的行驶效率，这种影响不可避免，但在低密度交通中影响较小，因为此时快速车辆可以通过变道超车。

因此，消除道路上的高交通密度具有优势，这也是路由系统的一个关键目标。或者，在高密度道路上，需要智能调整速度限制，以避免让高速车辆过多地受到惩罚，例如被迫在低速车道行驶，同时也要避免车辆必须跟随前方慢车。预留体现了车辆的社会多样性。对于预期中具有多样化车辆的密集交通，除非将车辆的社会多样性作为一个附加因素加以利用，否则无法保证合理的性能表现。

本文报告了一种在智能交通基础设施中与多样化车辆协同工作的交通仿真系统，假设这些车辆为半自主车辆。针对不同场景给出了初步结果，并通过简单策略的实验展示了交通系统主要组件的工作情况。我们的未来研究旨在将仿真框架扩展至无序的多样化交通。根据我们以往的经验，模拟一个完全无序的交通系统可能较为困难。然而，在更高的抽象层次上，可以构建一个近似系统。我们计划以此交通仿真系统为基础，设计不同的算法和策略，以提升交通性能。

研究人类和车辆的驾驶模型都很重要，而这两者都不是当前研究的核心重点。影响微观行为可行性评估、决策的因素以及基于模型的行为实现需要进行建模和研究。此外，人类驾驶行为可能由于迟到等原因而发生变化，从而导致匆忙、压力和疲劳、与人交谈等情况。这些因素会影响个人的驾驶方式，并对整个交通系统产生影响。这些因素需要被深入分析。

该研究将专门针对真实城市地图和真实交通数据（尽管可假设存在多样的速度）。我们的首要目标是分别专注于各个子系统，随后尝试设计一个整体系统。