文献翻译
微观车道变化模型和未来研究机会简介
Mizanur Rahman, Mashrur Chowdhury, Senior Member, IEEE, Yuanchang Xie, and Yiming He
摘要：驾驶员行为，特别是变道行为，对道路-车辆运输系统的安全性和吞吐量产生了重要的影响。车辆变道模型是各种微观交通仿真工具的重要组成部分，它在智能交通系统研究中被广泛使用并发挥着日益重要的作用。作者对现有的与车道交通仿真相关的微观变道模型进行了详细的回顾和系统比较，以更好地理解各个属性，包括变道模型的优缺点，并找出模型可改进的潜力和新兴的数据收集技术应用。在过去的几十年中已经开发出许多模型来捕捉变道建模的不确定性。然而，由于驾驶者的分心（例如，发短信和手机或智能手机的使用）、环境（例如，路面和照明条件）和地理几何（例如，水平和垂直路线）等因素在现有模型中尚未被充分考虑。因此，需要大而精细的微观车辆轨迹数据集来开发解决这些问题的新变道模型，并校准和验证用于可靠地表示真实世界的变道模型。本文还讨论了改善车辆变道模型准确性和可靠性的可能措施。
关键字 - 驾驶员行为，车辆变道模型。
- 介绍
驾驶者行为极大地影响了道路-车辆交通系统的安全性和吞吐量。 为了提高当前交通系统的运输能力和安全性，同时为未来的继任者提供基础，对驾驶员行为的清晰理解是至关重要的。驾驶任务取决于两个基本考虑因素：保持所需的速度或距离和保持在下行转弯或过往行驶的车道上[1]; 后者通常通过变道模型进行数学描述。 变道机动包括三个关键的驾驶行为：1）较低级别的控制，如转向和加速，2）监视维持现在情况的指标以及3）决定改变车道[2]。
变道策略中的驾驶行为对交通流量现象有重要影响。最近的几项实验得出结论，车道数量减少造成的瓶颈拥堵发展主要归因于变道策略[3] - [6]。另外，当车辆从现有车道移动到目标车道时，这样的变道操作充当移动障碍物，从而降低了车道容量和高速公路的安全[6]，[7]。此外，不合适的车道变化导致了十分之一的交通事故[8]。，在这个驾驶任务中，变道期间制定避免碰撞的策略需要对驾驶员行为有透彻的了解[9]。几个因素使得在微观层面的变道建模成为一个复杂的问题：1）变道的不对称行为; 2）不同交通条件下差距接受行为的差异; 3）取决于目标车道上的车辆的速度最小间隙;和4）假设异构车辆导致高车道变化率[10] - [16]。
微观交通模拟器可用于创建虚拟场景，其中变道模型是复制实际交通状况的重要组成部分。微观交通模拟，利用车辆跟踪和变道模型来表示每个驾驶员的操纵交通行为，已被应用于智能交通系统研究[17] - [20]，作为现场测试的一种经济有效的选择。在过去的十年里，已经开发了几种包含变道模型的微观交通仿真模型。关于这些变道模型的细节已经公布[21]。考虑到微观交通仿真模型的准确性高度依赖于变道模型，确保明确了解变道模型，进行适当设计并仔细校准非常重要。
另一方面，许多宏观变道模型已经被研究用于理解各种交通流特征，例如车道之间的车流交换速率[22] - [25]，交通流的密度变化和不稳定性[26]，[ 27]和车辆之间出现违规的程度[28]。自公路通行能力手册[29]发布以来，作为一个特殊的换道区域，对车流区域及其服务水平也进行了研究。变道行为极大地增加了捕捉现实生活场景的模型规范的难度
以及大量参数的校准过程[30]。为了降低建模车道变化的复杂性，已经提出了几种混合（微观/宏观）变道模型[6]，[31]。在[31]中，介绍了一个称为变道的新变量，即车辆换道时间与路段总行程时间的比值。其他变量，如交通密度，行驶速度和流量，在任何时间和任何路段也包括在内在这个模型中。假设一个强度密度关系并纳入Greenshield的基本图[32]。这个改进的基本图用于研究车道变化对整体交通流量的影响。最近，关于驾驶员决策模型的一些文献综述[1]，[33]对变道模型进行了分类。与我们的论文不同，这些观念要么不包括任何基于激励的模型，要么不包含任何比较分析在不同类型的变道模型之间。此外，鉴于现有变道模型的局限性以及数据采集技术的进步，我们的论文中已经确定了未来模型开发的关键因素和车辆轨迹数据需求。本研究的关键方面涉及对现有微观变道模型进行分类和审查以进行计算机模拟，并系统比较所审查的模型。此外，使用现有和新兴数据收集技术的未来模型改进的潜力得到了确认。首先，对现有的变道模型进行详细的回顾和比较，以更好地理解最先进的变道研究。在审查和比较的基础上，可以解决建模挑战，以改善提出并讨论了变道模型的准确性和可靠性。
- 典型的变道模型
随着可靠交通数据收集的技术进步，变道模型自20世纪80年代初以来越来越受到重视[34]。变道模型的应用可以大致分为两组：自适应巡航控制和计算机模拟。自适应巡航控制变道模型主要侧重于开发驾驶辅助模型，这些模型可以进一步分为碰撞避免模型和自动化模型。避碰模型用于控制驾驶员的换道机动，并协助他们安全地完成车道变更。自动化模型用于自动调整车辆的方向盘角度以执行安全的变道操作[35] - [42]。本文的重点是回顾和比较计算机模拟的微观变道模型（见图1）。自20世纪80年代以来，许多变道模型被开发用于微型模拟器，以在微观层面复制驾驶员决策。这些变道模型分为四类：基于规则的模型，基于离散选择的模型，人工智能模型，和基于激励的模式。在接下来的四节中，将详细讨论四种微观变道模型。第七部分介绍了这些变道模型的理论比较。
- 以规则为基础的模型
- Gipps 模型
Gipps的模型描述了由于三个因素造成的变道决策和高速公路和城市街道上变道的执行[43]：变道的可能性，变道的必要性以及变道需求。它融合了希望改变车道和执行车道改变之间的差异，这是Sparmann首先提出的[44]。 Gipps的模型包括几个因素，如安全间隙的存在，永久性障碍物的位置，转向运动的意图，重型车辆的存在以及速度优势。它还考虑了几个变道原因：避免永久性障碍物，避开特殊用途车道，如过境车道，在下游交叉口转向，避免重型车辆的影响，并获得速度优势。在这个模型中，驾驶员的行为分为三个区域，这三个区域由驾驶员到预定转弯的距离分开。当预定转弯离开她/他的位置时，它对司机的潜在换道计划没有影响。当预定转弯处于中间区域时，驾驶员忽略速度优势机会。当预定转弯足够接近时，司机选择合适的或相邻的车道，因为维持或获得速度并不重要。三个区域的边界，不依赖于驾驶员的行为模式随着时间的推移，本质上是确定性的。 Gipps#39;lane变化模型的结构基于他的跟车模型，该模型适用于驾驶员对制动率的一些限制[45]。他的跟车模型确保随从司机选择他/她的速度，以在突然停车的情况下使车辆安全停靠。在Gipps的变道模型中，主体车辆的减速度用于评估改变车道的可行性。为目标车辆分配一个特殊的制动速率，从而可以实现最大减速度，从而完成一次成功的换道机动。如果换道机动所需的减速度不在可接受范围内，则该换道机动被确定为不可行。根据Gipps的变道模型，主车辆驾驶员可以根据变道机动的紧急性来改变制动率参数.Gipps的模型将变道过程总结为具有一系列固定条件的决策树遇到的城市动脉，这种基于规则的触发事件的最终输出是一个二元选择（即改变/不改变）。由于其灵活的结构，任何新的或特殊的换道原因都可以添加或替换。然而，个体驾驶行为的变化并未纳入该模型中，尤其是在各种交通条件下，周围车辆与主体车辆之间的不同交互策略。例如，在拥挤的交通条件下，滞后车辆允许主车辆改变车道，或者主车辆强制进入目标车道。虽然Gipps模型被用于几个微观层面，它基于一些战术上简化的假设，并且不包含任何基于微观驾驶行为和交通数据的模型验证框架。
- CORSIM 模型
Halati等人开发了一种在Corridor SIMulation（CORSIM）中实施的换道模型，其中车道变化分为强制变道（MLC），自由变道（DLC）和随机变道（RLC）[46]。当驾驶员合并到高速公路上或移动到目标车道以进行预期转弯或避免车道中的障碍物（例如，车道堵塞和车道数量减少）时发生MLC。当需要改变车道速度以获得速度优势时，应用DLC。例如，驾驶员可能想要通过改变到左侧车道来通过缓慢移动的车辆。当没有明显的原因时应用RLC。 RLC可能会或可能不会为目标车辆在当前位置上带来优势。在CORSIM中，随机选择一定比例（默认值为1％）的驱动程序来执行RLC。在这个模型中，动机，优势和紧迫性被认为是变道决策背后的三大因素。改变车道的动机取决于前导车辆速度或前导车间门限。这个优势因素捕获了在目标车道上驾驶的好处。车道改变的紧迫性取决于改变车道的数量和执行完整车道改变机动所需的距离。在CORSIM中，变道机动（即MLC，DLC或RLC）取决于目标车道中可接受的前导和滞后间隙的可用性。目标车辆为了避免与目标车道中的其前导车辆相撞而需要的减速而利用一个可接受的领先差距。根据这个模型，计算出所需车辆的减速度，
假设前车在目标车道的减速是最大化的。计算出的目标车辆的减速度与可接受的减速度进行比较，该减速度也被称为可接受的变道风险。如果所需的减速度小于可接受的风险，主体车辆启动到目标车道的换道。
在FREeway SIMulator（FRESIM）和NETwork SIMulator（NETSIM）中使用的变道算法是相似的。唯一的区别在于测量目标车道和目标车道中的主导/滞后车辆之间的间隙。 NETSIM根据时间差异来衡量差距，FRESIM中的差距是时间间隔和速度差异的函数。这里只介绍FRESIM DLC程序。它基于美国宾夕法尼亚州匹兹堡市匹兹堡大学开发的跟随汽车模型[47]，[48]。 FRESIM模型假定后续车辆试图保持其与前导车辆之间的适当间隙。另外，在FRESIM模型中，使用所需的自由流速计算“不可容忍的”速度。如果目标车辆的当前速度小于自由流速度，则该车辆有资格进行车道更换。如果目标车辆驾驶员的当前速度小于不可容忍的速度，则主车辆驾驶员执行变道操纵。
在FRESIM DLC程序中，变道优势被称为“优势”。优势通过“主导因素”或“推定因素”来模拟。停留在当前车道的缺点由主导因素来表示。另一方面，推定的因素代表了执行车道变更的好处。理论上，主题车辆驾驶员可以选择任何一个相邻车道（左/右）作为执行车道改变的目标车道。因此，通过假定因子计算两个相邻车道的优点。基于较大的推定因子，目标车道从相邻车道（左/右）中选择。假定的因素也可以被确定为使用相邻车道中推定的前行车道车头的主导因素。 DLC的整体优势表现在推定因子和主导因子之间的差异。然后将其与阈值0.4进行比较[48]。如果总体优势大于阈值，则发生车道变更。到目前为止，仅讨论了FRESIM DLC模型。 RLC和MLC也被纳入FRESIM。有关这些变道模型的更详细的信息可以在[48]中找到。
另外，在目标车辆移动到目标车道之后，在当前车道中产生CORSIM中的“影子车辆”而不是目标车辆一段时间，以避免其跟随者的快速变化。 CORSIM的另一个优点是可以灵活地采用用户提供的参数。由于CORSIM中的所有驱动因素被假定为具有相似的差距接受行为，因此它不考虑差距接受行为的可变性。
- ARTEMiS模型
ARTEMiS是道路交通分析和微观仿真评估的缩写，是由Hidas [49]开发的一种微观交通仿真模型。以前命名为智能运动系统模拟（SITRAS），该模型描述了基于目标车道中滞后车辆的变道机动[50] - [53]。在该模型中，车道改变由所需的下游转弯运动，车道减少，车道堵塞，车道使用限制，速度优势或排队优势触发。 MLC发生在下游转弯运动，车道减少和车道堵塞的情况下，DLC发生在早期和中距离区域。不同区域的边界被定义为与Gipps模型[43]相同的方式。 Hidas使用自主代理技术将每辆汽车建模为驾驶员车辆对象（DVO），以描述司机在复杂决策过程中的交互作用[53]。基于道路拥挤状况，个人驾驶员特征以及DVO对另一DVO是否试图进入其车道而言的感知，DVO可以用作让路，减速或不让路。根据这个模型，变道的原因被评估，并且结果被分类为“基本的”，“合意的”或“不必要的”，根据这个基准选择目标车道。
在ARTEMiS中，间隙接受模型的选择取决于换道模式。根据交通条件和改变车道的必要性，提出了两种换道模式：正常车道改变和礼貌/强制车道改变。当目标车道有足够的间隙时，发生正常车道改变。这种变道模式基于Hidas跟车模型，可以表示为：1）目标车辆需要在目标车道上跟随领先车辆的可接受的减速度（或加速度）[2];以及2）目标车道中的滞后车辆需要可接受的减速度，以使得该车辆能够安全地用作其领先车辆。
对于礼仪/强制换道模式，主车辆向目标车道中的车辆发送“礼貌”信号。从第一辆滞后型车辆开始，使用前述的Hidas跟车模型计算所需减速度，以使目标车辆安全合并。基于计算出的减速度，可以找到目标车道中的跟随车辆，并且新的前导车辆（对于本车辆）是跟随者前面的一个。通过将Hidas车辆跟随算法应用于新的前导车辆，主体车辆和新的滞后车辆，从而为主体车辆创建足够的间隙，使得主体车辆可以将车道改变为目标车道。
后来，Hidas将变道机动分为三类：自由，强制和合作[49]。车道更换的可行性使用可接受的差距（超前/滞后）进行检查。根据所涉车辆的状态计算变更前后的差距。如果铅和滞后间隙均大于期望的临界间隙，则自由变道机动是可行的。如果以前的条件不满足，车道更换被认为是“必要的”，需要检查合作（礼貌）或强制车道更换的可行性。合作车道变化取决于滞后驾驶员的意愿和变道机动的可行性。如果滞后车辆选择某个最大速度降低，则它表示意愿，这是车辆侵略性参数和车道改变紧急程度的函数。减速结束时的滞后间隙可以通过设定减速时间来计算。这代表
在变道之后，主体车辆与滞后车辆之间的最小间隙。如果减速结束时的滞后间隙大于最小可接受滞后间隙，那么
全文共18621字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16151]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
