Can Human Drivers and Connected Autonomous Vehicles Co-exist in Lane-Free Traffic? A Microscopic Simulation Perspective
作者: Arslan Ali Syed, Majid Rostami-Shahrbabaki, Klaus Bogenberger
分类: eess.SY, cs.ET
发布日期: 2025-01-02 (更新: 2025-09-29)
备注: This version corresponds to the final published article in Transportation Research Part C: Emerging Technologies. It incorporates revisions made during peer review, including an improved literature review, clearer methodological descriptions, and explicit consideration of safety and comfort
期刊: Transportation Research Part C: Emerging Technologies - 2025
DOI: 10.1016/j.trc.2025.105315
💡 一句话要点
研究人车混行环境下无车道交通对通行能力的影响，并提出自适应潜在线控制方法。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 车道自由交通 人车混行 自动驾驶车辆 微观仿真 潜在线控制
📋 核心要点
- 现有车道自由交通研究主要集中在全自动驾驶车辆环境，忽略了人车混行场景下人类驾驶车辆对交通效率的影响。
- 论文提出自适应潜在线(APL)控制策略，通过在人类驾驶车辆周围构建虚拟走廊，减少其对自动驾驶车辆的影响。
- 仿真结果表明，少量人类驾驶车辆会显著降低车道自由交通的通行能力，而APL控制策略能有效缓解这一问题。
📝 摘要（中文）
本文研究了在车道自由交通(LFT)中，人类驾驶车辆(HDV)与联网自动驾驶车辆(CAV)共存情况下的交通性能。LFT设想所有车辆均为CAV，通过协同运动实现更流畅的交通流和更高的道路通行能力。然而，过渡阶段可能涉及HDV等非联网车辆。本文通过环形道路上的微观仿真，研究了非联网车辆对LFT性能的影响。CAV遵循潜在线(PL)控制器，HDV遵循基于条带的车辆跟随模型。结果表明，即使少量HDV也会显著扰乱LFT交通流：5%的HDV会使LFT的最大道路通行能力降低20%，40%的HDV会使其降低近一半，而100%的HDV会使其降低近60%。此外，本文还开发了一种自适应潜在线(APL)控制器，可在HDV周围形成APL走廊，与PL控制器相比，APL的峰值交通流量提高了近10%。研究表明，大约需要60%的CAV渗透率才能开始观察到LFT的主要优势。这些发现为最大限度地减少非联网车辆对LFT的不利影响开辟了一个新的研究方向。
🔬 方法详解
问题定义：论文旨在解决人车混行环境下，人类驾驶车辆(HDV)对车道自由交通(LFT)性能的负面影响问题。现有LFT研究主要集中在全CAV场景，忽略了HDV的存在，导致实际应用中LFT的性能可能远低于预期。HDV的驾驶行为与CAV不同，可能不遵循全局优化策略，从而扰乱CAV的协同运动，降低整体交通效率。
核心思路：论文的核心思路是设计一种自适应的控制策略，使CAV能够适应HDV的存在，并尽可能减少HDV对LFT的影响。具体而言，论文提出了自适应潜在线(APL)控制器，该控制器能够根据HDV的位置和行为，动态调整CAV的行驶轨迹，形成虚拟走廊，引导CAV绕过HDV，从而减少拥堵和提高通行能力。
技术框架：论文采用微观交通仿真方法，在环形道路上模拟人车混行环境。仿真框架包含以下主要模块：1) CAV控制模块：采用潜在线(PL)控制器或自适应潜在线(APL)控制器；2) HDV控制模块：采用基于条带的车辆跟随模型；3) 交通流生成模块：生成不同比例的CAV和HDV；4) 性能评估模块：评估交通流量、平均速度等指标。
关键创新：论文的关键创新在于提出了自适应潜在线(APL)控制器。与传统的潜在线(PL)控制器相比，APL控制器能够根据HDV的位置和行为，动态调整潜在线的位置和形状，形成虚拟走廊，引导CAV绕过HDV。这种自适应性使得APL控制器能够更好地适应人车混行环境，提高LFT的性能。
关键设计：APL控制器的关键设计在于如何根据HDV的位置和行为，动态调整潜在线。论文采用了一种基于距离和速度的加权方法，计算HDV对CAV的潜在影响，并根据该影响调整潜在线的位置。此外，论文还设计了一种安全速度控制策略，防止CAV与HDV发生碰撞。具体参数设置包括潜在线的影响范围、权重系数、安全距离等。
🖼️ 关键图片
📊 实验亮点
实验结果表明，即使少量HDV也会显著降低LFT的通行能力。例如，5%的HDV会使LFT的最大道路通行能力降低20%，40%的HDV会使其降低近一半。与传统的PL控制器相比，APL控制器能够显著提高LFT的性能，峰值交通流量提高了近10%。研究还表明，大约需要60%的CAV渗透率才能开始观察到LFT的主要优势。
🎯 应用场景
该研究成果可应用于城市交通管理、自动驾驶系统设计和交通仿真等领域。通过了解人车混行环境下LFT的性能，可以更好地规划和部署自动驾驶车辆，提高城市交通效率。此外，APL控制策略可以集成到自动驾驶系统中，提高其在复杂交通环境下的适应性和安全性。该研究还有助于评估不同CAV渗透率对交通流的影响，为交通政策制定提供依据。
📄 摘要（原文）
Recent advancements in connected autonomous vehicle (CAV) technology have sparked growing research interest in lane-free traffic (LFT). LFT envisions a scenario where all vehicles are CAVs, coordinating their movements without lanes to achieve smoother traffic flow and higher road capacity. This potentially reduces congestion without building new infrastructure. However, the transition phase will likely involve non-connected actors such as human-driven vehicles (HDVs) or independent AVs sharing the roads. This raises the question of how LFT performance is impacted when not all vehicles are CAVs, as these non-connected vehicles may prioritize their own benefits over system-wide improvements. This paper addresses this question through microscopic simulation on a ring road, where CAVs follow the potential lines (PL) controller for LFT, while HDVs adhere to a strip-based car-following model. The PL controller is also modified for safe velocities to prevent collisions. The results reveal that even a small percentage of HDVs can significantly disrupt LFT flow: 5% HDVs can reduce LFT's maximum road capacity by 20% and a 40% HDVs nearly halves it, up until 100% HDVs where it drops by nearly 60%. The study also develops an adaptive potential line (APL) controller that forms APL corridors in the surroundings of HDVs. APL shows a peak traffic flow improvement of nearly 10% over the PL controller. The study indicates that a penetration rate of approximately 60% CAVs is required to start observing the major LFT benefits. These findings open a new research direction on minimizing the adverse effects of non-connected vehicles on LFT.