An anisotropic traffic flow model with look-ahead effect for mixed autonomy traffic

📄 arXiv: 2407.20554v2 📥 PDF

作者: Shouwei Hui, Michael Zhang

分类: math.AP, eess.SY

发布日期: 2024-07-30 (更新: 2024-12-06)

备注: Accepted by TRB Annual Meeting 2025

💡 一句话要点

提出考虑前瞻效应的非均质交通流模型，用于混合自动驾驶交通流建模与分析。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 交通流模型 混合自动驾驶 前瞻效应 非局部平均密度 稳定性分析

📋 核心要点

  1. 现有交通流模型难以有效捕捉互联自动驾驶车辆（CAVs）的前瞻特性，限制了对混合交通流的准确建模。
  2. 通过引入非局部平均密度来模拟CAVs的前瞻效应，扩展了传统的ARZ交通流模型，从而更真实地反映混合交通流的动态特性。
  3. 研究表明，增加CAVs的市场渗透率有助于稳定混合交通，而CAVs的空间分布对交通稳定性的影响相对较小。

📝 摘要（中文）

本文扩展了Aw-Rascle-Zhang (ARZ)非平衡交通流模型，以考虑互联自动驾驶车辆(CAVs)的前瞻能力，以及人类驾驶车辆和自动驾驶车辆的混合交通流动态。CAVs的前瞻效应通过一定距离（前瞻距离）内的非局部平均密度来捕捉。我们使用波扰动分析表明，增加前瞻距离会放宽稳定性标准。然而，我们的数值实验表明，更长的前瞻距离不一定导致更快地收敛到平衡状态。我们还研究了CAVs的空间分布和市场渗透率的影响，结果表明，增加市场渗透率有助于稳定混合交通，而CAVs的空间分布对稳定性的影响较小。结果揭示了使用CAVs稳定交通的潜力，并可能为混合自动驾驶环境中的速度控制提供定性见解。

🔬 方法详解

问题定义：论文旨在解决混合自动驾驶交通环境中，如何准确建模和分析包含具有前瞻能力的互联自动驾驶车辆（CAVs）的交通流动态问题。现有交通流模型，如传统的ARZ模型，无法有效捕捉CAVs的前瞻特性，导致对混合交通流的预测和控制存在局限性。

核心思路：论文的核心思路是通过引入非局部平均密度来模拟CAVs的前瞻效应。具体而言，CAVs的速度决策不仅依赖于当前位置的交通密度，还受到其前方一定距离内的平均密度的影响。这种设计能够更真实地反映CAVs利用感知信息进行提前规划的特性。

技术框架：该研究基于Aw-Rascle-Zhang (ARZ)非平衡交通流模型，并对其进行扩展。扩展后的模型包含以下关键部分：1) 考虑人类驾驶车辆的传统ARZ模型；2) 引入非局部平均密度来模拟CAVs的前瞻效应；3) 混合交通流的演化方程，描述人类驾驶车辆和CAVs之间的相互作用。研究还采用了波扰动分析方法来研究模型的稳定性。

关键创新：该论文的关键创新在于将CAVs的前瞻能力融入到交通流模型中。通过非局部平均密度这一概念，模型能够捕捉CAVs利用前方交通信息进行速度调整的行为，从而更准确地描述混合交通流的动态特性。与传统模型相比，该模型能够更好地预测和控制混合交通流。

关键设计：前瞻距离是模型中的一个关键参数，它决定了CAVs考虑前方交通信息的范围。论文通过数值实验研究了前瞻距离对交通稳定性和收敛速度的影响。此外，CAVs的市场渗透率也是一个重要的参数，论文研究了不同市场渗透率下混合交通流的稳定性。

📊 实验亮点

论文通过波扰动分析表明，增加CAVs的前瞻距离可以放宽交通流的稳定性条件。数值实验结果表明，增加CAVs的市场渗透率有助于稳定混合交通流。然而，更长的前瞻距离并不一定导致更快地收敛到平衡状态，这表明前瞻距离的优化是一个复杂的问题。

🎯 应用场景

该研究成果可应用于智能交通系统设计、交通流控制策略优化以及自动驾驶车辆的路径规划。通过更准确地预测和控制混合交通流，可以提高交通效率、减少交通拥堵和改善道路安全。此外，该模型还可以用于评估不同CAV渗透率和空间分布对交通流的影响，为交通管理部门提供决策支持。

📄 摘要（原文）

In this paper we extend the Aw-Rascle-Zhang (ARZ) non-equilibrium traffic flow model to take into account the look-ahead capability of connected and autonomous vehicles (CAVs), and the mixed flow dynamics of human driven and autonomous vehicles. The look-ahead effect of CAVs is captured by a non-local averaged density within a certain distance (the look-ahead distance). We show, using wave perturbation analysis, that increased look-ahead distance loosens the stability criteria. Our numerical experiments, however, showed that a longer look-ahead distance does not necessarily lead to faster convergence to equilibrium states. We also examined the impact of spatial distributions and market penetrations of CAVs and showed that increased market penetration helps stabilizing mixed traffic while the spatial distribution of CAVs have less effect on stability. The results revealed the potential of using CAVs to stabilize traffic, and may provide qualitative insights on speed control in the mixed autonomy environment.