Transport Research >

2023 , Vol. 9 >Issue 2: 12 - 21

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2023.02.002

Theory & Method

A Vehicle Discretionary Lane-Changing Decision Model and Its Simulation in Intelligent Network Environment

  • LIU Zu-peng ,
  • MENG Lin-xiu ,
  • HE Ya-qin
Expand
  • School of Automobile and Traffic Engineering, Wuhan University of Science and Technology, Wuhan 430065, China

Received date: 2022-09-14

  Online published: 2023-05-31

Fold

Abstract

In order to improve the efficiency of traffic flow, and avoid the problems of frequent and unreasonable lane change in intelligent network environment,a vehicle discretionary lane-changing decision model was proposed based on dynamic game.The interaction process between lane-changing vehicles and rear vehicles in the target lane was analyzed using dynamic game.The game benefit function was established based on the influence of lane-changing vehicles on localized traffic flow. The sub-game refined Nash equilibrium of the two-stage dynamic game was solved by backward induction method, and the optimal lane-changing decision of intelligent connected vehicles was obtained.Finally, some simulation scenarios for numerical simulation experiments were built using Matlab.The simulation results showed that: compared with the improved MOBIL model, the lane-changing times and overall braking amplitude of vehicles were reduced by 44% and 19% respectively, and the running delay was reduced by 9% in the vehicle discretionary lane-changing decision model constructed. It indicates that in the intelligent network environment, this vehicle discretionary lane-changing decision model can improve the driving comfort and the running efficiency of traffic flow while improving the efficiency of lane change.

Key words： intelligent connected vehicle; discretionary lane change; lane-changing decision; dynamic game; improved MOBIL model

Cite this article

LIU Zu-peng , MENG Lin-xiu , HE Ya-qin . A Vehicle Discretionary Lane-Changing Decision Model and Its Simulation in Intelligent Network Environment[J]. Transport Research, 2023 , 9(2) : 12 -21 . DOI: 10.16503/j.cnki.2095-9931.2023.02.002

0 引言

随着自动驾驶技术的迅速发展，智能网联汽车已成为全球汽车产业转型发展的战略方向。与传统的人工驾驶车辆相比，智能网联汽车实现了智能化和网联化两个技术层面的升级。由于智能网联汽车行为决策方式不同于传统的人工驾驶车辆且其获取的信息内容更加全面，传统人工驾驶车辆换道模型不适用于智能网联汽车。因此，如何充分利用智能网联汽车的网联化和智能化技术，构建合理的车辆自主换道决策模型成为重要的研究方向。
目前，关于智能网联汽车换道行为的研究主要分为两类：基于车联网的协同换道和基于博弈论的换道。在车联网环境中，车辆可以利用通信技术实现信息交互和协作驾驶，以实现更安全的协同换道。部分学者利用车辆通信系统获取的周围车辆信息和道路信息研究车辆换道行为，如Awal等人[1]利用网联车辆接收的周围车辆的运动状态信息，制定高速公路匝道合流区车辆的最优合流策略；Roncoli等人[2]利用MPC法解决高速公路上智能网联汽车的匝道控制、车速控制及换道控制等问题；Dang等人[3]通过分析车与车之间的安全距离，构建了换道预警系统；Wang等人[4]基于传统的最小化换道引起的制动（Minimize Overall Braking Induced by Lane Change, MOBIL）模型与最小安全距离模型，并考虑车辆换道行为对通信范围内所有后车造成的影响，构建了智能网联汽车的自主换道模型；潘义勇等人[5]通过为目标车辆通信范围内所有后随车建立权重系数，提出改进的MOBIL模型。
上述研究成果聚焦于换道车辆个体，虽然充分利用车辆网联化研究智能网联汽车的换道行为，但忽视了车与车之间的交互竞争性。智能网联环境下，车辆在确保安全换道的同时，理应保证一定的交互性和动态性。因此，学者们引入博弈论研究智能网联汽车的换道行为，如Peng等人[6]采用静态博弈理论分析了目标车道上目标车辆与跟驰车辆之间的非合作混合策略博弈；Kim等人[7]以同一车道前后车为博弈对象，构建了高速公路条件下车辆运行决策模型；Talebpour等人[8]通过分析完全信息和不完全信息条件下车辆的非零和非合作博弈，构建了智能网联汽车的换道模型；Smirnov等人[9]利用非合作动态博弈理论分析了换道车辆和目标车道后车的博弈过程，构建了城市拥挤交通场景下的智能网联汽车换道决策模型；胡立伟等人[10]利用静态博弈理论分析了交通拥堵形成期车辆的换道行为；曲大义等人[11]利用非合作混合策略博弈理论，分析了换道车与目标车道后车的交互竞争；蔡科等人[12]以高速公路上匝道合流区为研究场景，采用静态博弈理论分析了匝道换道车辆与主线后车的博弈过程；张元良[13]采用Stackelberg策略理论分析了自由换道中目标车道后车与目标车之间的博弈行为。以上基于博弈论的换道模型主要聚焦于利用静态博弈理论分析车车交互竞争关系，较少利用动态博弈分析车与车之间的换道竞争行为。然而，在智能网联环境下，道路上的车辆在了解其余车辆驾驶决策后方作出相应的策略选择，即车辆选择行动有先后次序，因此，智能网联汽车的交互行为更符合动态博弈。此外，现有换道博弈模型主要以博弈车辆的个体最优为落脚点，忽视了车辆换道对交通流产生的影响。
综上，目前关于智能网联汽车换道行为的研究主要聚焦于针对车辆个体构建换道模型，缺乏对车车交互和考虑换道影响的综合研究。现实中，在智能网联环境下车辆换道应综合考虑其与目标车道后车的交互及自身换道行为对交通流带来的扰动，以确保车辆在追求更优个体驾驶环境的同时兼顾车流整体利益，提升交通流的通行效率。为此，本文以智能网联汽车为研究对象，利用动态博弈理论分析车辆之间的交互竞争，综合考虑车辆自身的驾驶需求和换道行为对局部交通流的影响构建收益函数，为智能网联汽车构建合适的自主换道决策模型。

1 车辆自主换道行为分析

1.1 换道场景

本文主要研究智能网联汽车在单向两车道高速公路上的自主换道行为，换道场景如图1所示。将具有换道意图的目标车辆记为 H V，车辆换道前后的车道简称为原车道和目标车道。图1中 L V n ,   F V n（n=1, 2, …, N）分别表示目标车辆 H V在原车道上的第 n辆前导车、后随车； P L V n ,   P F V n（n=1, 2, …, N）分别表示目标车辆 H V在目标车道上的第 n辆前导车、后随车。
图1 智能网联汽车的自主换道场景
目标车辆 H V因相邻车道驾驶环境优于本车道而产生换道意图，其换道行为会对目标车道上第一辆后随车 P F V 1的行驶产生影响，而且该影响具有向后传递性，进而影响交通流。为均衡目标车辆 H V和目标车道第一辆后随车 P F V 1的利益，同时提升交通流通行效率，本文将研究该场景下目标车辆 H V的自主换道决策。
目标车辆 H V原车道通信范围内的后随车、前导车可通过式（1）~式（2）识别，同理可识别目标车辆 H V目标车道通信范围内的车辆。
0 ≤ y H V - y F V i ≤ L         ∀ i = 1 ,   2 , … ,   n C
0 ≤ y H V - y L V j ≤ L         ∀ j = 1 ,   2 , … ,   m C
式（1）~式（2）中： n C, m C分别为目标车辆 H V原车道通信范围内的后随车、前导车的数量； y H V, y F V i, y L V j分别为目标车辆 H V、原车道第 i辆后随车和第 j辆前导车的位置（m）； L为车辆的通信距离（m），在LTE-V2X通信技术下车辆的通信距离大于等于300m[14]，所以本文取 L=300m。

1.2 换道意图识别和换道安全性分析

车辆换道过程包括换道意图识别、换道决策分析及执行换道。本文主要研究车辆的自主换道决策，即换道决策分析环节，故需先分析驾驶人的换道意图和车辆换道的安全性。
在自主换道中，当车辆速度低于期望速度达到一定阈值后，驾驶人想要追求更快的行驶速度，同时兼顾对安全的考虑，在目标车道存在一定间距的前提下，驾驶人会产生换道意图[15]，即当同时满足如下条件时，驾驶人产生换道意图：
v H V < γ v e
y P L V i - y P F V i - l > l
式（3）~式（4）中： v H V, v e, l分别为车辆 H V的实际速度（m/s）、期望速度（m/s）和车辆长度（m）； γ为折减率； y P L V i, y P F V i分别为目标车道上第i辆前导车和第i辆后随车的位置（m）。
在驾驶人产生换道意图后，会进一步分析车辆换道的安全性。传统的MOBIL模型[16]的安全准则表明了车辆换道应满足的安全要求，丁婉婷[17]在传统MOBIL模型的基础上，提出了适用于智能网联汽车的MOBIL模型，但其忽略了目标车辆换道对其通信范围内所有后随车产生的不均匀影响，因此潘义勇等人[5]通过构建后随车的权重系数，提出了改进的MOBIL模型，其安全准则如式（5）所示：
$ \left\{\begin{array}{l} \tilde{a}_{\mathrm{HV}} \geqslant b_{\text {safe }} \\ \tilde{a}_{\mathrm{PFV}_{j}} \geqslant b_{\text {safe }} \end{array} j \in\left[n_{T}\right]\right.$
式（5）中： a ˜ H V为目标车辆 H V换道后的加速度（m/s2）； a ˜ P F V j为目标车辆 H V换道后目标车道上第 j辆后随车 P F V j的加速度（m/s2）； n T为目标车辆 H V目标车道通信范围内后随车的数量； b s a f e为最大安全减速度（m/s2）。
目标车辆换道后会对其后随车辆产生直接影响且该影响会向后传播进而影响交通流，故需对目标车辆进行换道安全性分析。本文以改进的MOBIL模型中的安全准则作为车辆换道安全性分析的依据，即当满足式（5）时目标车辆换道安全，其换道可行。

2 车辆自主换道决策模型

2.1 模型假设

本文基于以下假设构建智能网联汽车的自主换道决策模型：
（1）不考虑智能网联汽车在测量和信息传输方面存在的误差，假设其能实时、准确地接收和发送信息。
（2）忽略横向速度、横向加速度对车辆速度、加速度造成的影响。
（3）目标车辆的通信范围内无其余车辆产生换道意图。

2.2 换道决策流程

智能网联汽车的自主换道决策流程见图2。
图2 自主换道决策流程图
步骤一：分析车辆的换道需求以及换道安全性，当车辆产生换道需求且满足换道安全条件时，该车进入换道博弈环节，即步骤二；否则输出车辆的驾驶决策为跟驰，进入步骤三。
步骤二：基于动态博弈理论，构建车辆换道博弈模型，并对模型进行求解，获得目标车辆的驾驶决策。
步骤三：车辆执行输出的驾驶决策。

2.3 换道博弈分析

智能网联汽车之间可以进行信息共享且车辆之间不存在强制性协议，因此车辆博弈为非合作博弈。在动态博弈中一方先选择策略，另一方了解到对方的策略后选择策略，智能网联汽车之间的换道博弈符合动态博弈特征。因此，智能网联汽车之间的换道博弈类型为完全信息下的非合作动态博弈，其博弈过程如下。
（1）博弈参与者及策略选择
在车辆换道过程中，相比于其他车辆，目标车道后随车 P F V 1和目标车辆 H V之间存在显著的利益竞争关系，因此以这二者为博弈参与者。博弈过程为：①博弈第一阶段，目标车辆 H V从行动空间 A 1 = w 1 ,   w 2中选择策略 w m（m=1, 2，其中 w 1为换道； w 2为跟驰），并将自身的策略选择以通信的形式发送给目标车道后随车 P F V 1；②博弈第二阶段，目标车道后随车 P F V 1了解到目标车辆 H V的策略，并据此从行动空间 A 2 = r 1 ,   r 2选择策略 r k（k=1, 2，其中 r 1为换道； r 2为跟驰），即若目标车辆 H V选择跟驰策略，则两车没有利益冲突，因此目标车道后随车 P F V 1接收到信息后选择继续跟驰原车道前导车，博弈结束；若目标车辆 H V选择换道策略，在该前提条件下目标车道后随车 P F V 1衡量在换道、跟驰两种策略下的自身利益后做出选择，博弈结束。
（2）收益函数
将车辆执行策略前后的加速度变化作为博弈收益，以 u V 1 ( w m ,   r k )和 u 1 V ( w m ,   r k )分别表示当目标车辆 H V选择 w m、目标车道后随车 P F V 1选择 r k时目标车辆 H V和目标车道后随车 P F V 1的收益，其中m=1, 2；k=1, 2。两车的两阶段动态博弈收益如图3所示。
图3 车辆的两阶段动态博弈收益示意图

2.4 博弈收益分析

智能网联环境下车辆换道既要考虑自身利益，又要考虑其换道行为对交通流造成的影响，要将传统的利己目标转换为追求共赢。若车辆换道虽然能提高自身行驶效率，但会对交通流造成严重影响，则其最终不能执行换道。为综合考虑车辆自身的利益和换道对交通流的影响，本文以改进的MOBIL模型中的激励准则作为车辆换道博弈收益。改进的MOBIL模型[5]中激励准则如式（6）所示：
u H V = a ˜ H V - a H V + p ∑ i = 1 n C h i a ˜ F V i - a F V i +                         ∑ j = 1 n T h j a ˜ P F V j - a P F V j > Δ a t h h i = Δ v i 3 s i 2 ∑ i = 1 n C Δ v i 3 s i 2 T i
式（6）中： u H V为目标车辆 H V的收益（m/s2）； a H V, a F V i, a P F V j分别为换道前目标车辆 H V、原车道第 i辆后随车、目标车道第 j辆后随车的加速度（m/s2）； p为礼貌系数； h i, h j分别为原车道通信范围内第 i辆后随车、目标车道通信范围内第 j辆后随车的权重系数， h j计算方法同 h i； a ˜ F V i为目标车辆HV换道后原车道上第i辆后随车FVi的加速度（m/s2）； T i为目标车辆 H V与原车道通信范围内第 i辆后随车的信息可靠度，由于本文不考虑测量误差和信息传输误差，故取 T i = 1； Δ v i, s i分别为目标车辆 H V与第 i辆前导车的相对速度差（m/s）、车间距（m）； Δ a t h为换道收益阈值（m/s2）； a ˜ H V, a ˜ P F V j, n C, n T含义同前。
以车辆执行策略前后的加速度变化值作为博弈收益值，车辆执行策略前后各车的加速度由Guériau等人提出的改进的IDM模型[18]计算求得。改进的IDM模型如式（7）所示：
a H V = f I D M ( v H V ,   ∑ i = 1 m C m i s i ,   ∑ i = 1 m C m i Δ v i ) m i = Δ v i s i ∑ i = 1 m C Δ v i s i T i
式（7）中： m i为权重系数； a H V, v H V, m C, s i, Δ v i, T i含义同前。
两车动态博弈过程中收益分析如下。
（1）策略组合一：目标车辆 H V和目标车道后随车 P F V 1均选择换道
如前文所述，目标车辆 H V换道满足安全性要求，因此在该策略组合中无需再对目标车辆 H V的换道安全性进行判断，但需要分析目标车道后随车 P F V 1的换道安全性。若式（8）成立，则表明目标车道后随车 P F V 1满足换道安全要求，可执行换道。
$\left\{\begin{array}{l}\tilde{a}_{\mathrm{PFV}_{1}} \geqslant b_{\text {safe }} \\\tilde{a}_{\mathrm{TFV}_{j}} \geqslant b_{\text {safe }}\end{array} \quad j \in\left[1, n_{\mathrm{PT}}\right]\right.$
式（8）中： a ˜ T F V j为目标车道后随车 P F V 1换道后目标车道上第 j辆后随车 T F V j的加速度（m/s2）； n P T为目标车道后随车 P F V 1在目标车道上通信范围内后随车的数量； a ˜ P F V 1, b s a f e含义同前。
当两车换道皆满足安全要求时，两车执行换道策略的收益分别为：
u V 1 ( w 1 ,   r 1 ) = a ˜ H V - a H V + p ∑ i = 1 n C h i a ˜ F V i - a F V i +                                               ( a ˜ P F V 1 - a P F V 1 ) + ∑ j = 2 n T h j a ˜ P F V j - a P F V j
u 1 V ( w 1 ,   r 1 ) = a ˜ P F V 1 - a P F V 1 + p ∑ i = 1 n P C h i a ˜ C F V i - a C F V i +                                             ∑ j = 1 n P T h j a ˜ T F V j - a T F V j
式（9）~式（10）中： u V 1 ( w 1 ,   r 1 ), u 1 V ( w 1 ,   r 1 )分别为两车皆选择换道策略时目标车辆 H V、目标车道后随车 P F V 1的收益（m/s2）； n P C为目标车道后随车 P F V 1在原车道上通信范围内后随车的数量； a ˜ C F V i, a ˜ T F V j分别为目标车道后随车 P F V 1换道后其原车道、目标车道上后随车的加速度（m/s2）； a C F V i, a T F V j分别为目标车道后随车 P F V 1换道前其原车道、目标车道上后随车的加速度（m/s2）；其余参数含义同前。
若根据式（9）和式（10）求得的 u V 1 ( w 1 ,   r 1 )、 u 1 V ( w 1 ,   r 1 )小于换道收益阈值 Δ a t h，则令uV1(w1, r1) = u 1 V ( w 1 ,   r 1 ) = - ∞。若式（8）不成立，则表明车辆 P F V 1换道不可行，此时车辆 P F V 1的收益 u 1 V ( w 1 ,   r 1 ) = - ∞。
（2）策略组合二：目标车辆 H V选择换道，目标车道后随车 P F V 1选择跟驰
在该策略组合下，目标车辆 H V从原车道换道至目标车道，目标车道后随车 P F V 1随之选择跟驰行驶。因此目标车辆 H V的收益如式（11）所示：
u V 1 ( w 1 ,   r 2 ) = a ˜ H V - a H V + p ∑ i = 1 n C h i a ˜ F V i - a F V i +                                             ∑ j = 1 n T h j a ˜ P F V j - a P F V j
若根据式（11）所求得的 u V 1 ( w 1 ,   r 2 )小于换道收益阈值 Δ a t h，则令 u V 1 ( w 1 , r 2 ) = - ∞。
由于目标车道后随车 P F V 1选择在原车道跟驰前导车（即目标车辆HV）行驶，则其收益为跟驰状态下自身加速度的变化值，如式（12）所示：
u 1 V ( w 1 ,   r 2 ) = a ˜ P F V 1 - a P F V 1
（3）策略组合三：目标车辆 H V和目标车道后随车 P F V 1均选择跟驰
在该策略组合下，两车皆选择在各自原车道跟驰前导车行驶，此时两车的收益为下一时刻加速度与当前时刻加速度的差值，如式（13）~式（14）所示：
u V 1 ( w 2 ,   r 2 ) = a ˜ H V - a H V
u 1 V ( w 2 ,   r 2 ) = a ˜ P F V 1 - a P F V 1

2.5 模型求解

通过逆向归纳法求解两车的两阶段动态博弈，获得车辆最优驾驶决策。该求解方法的基本思路为：从博弈的最后一个阶段开始回推，按照效用最大化原则，每一阶段舍弃参与者在该阶段的劣策略，直到博弈的第一阶段，即逐步筛选出参与者的最优策略。对于本文所建两阶段换道博弈模型，首先在博弈第二阶段给定目标车辆 H V在第一阶段的选择 w 1，目标车道后随车 P F V 1则基于目标车辆 H V的选择确定策略 r k以最大化自身收益。因此其最优选择应为下述最优化问题的解：
m a x r k ∈ A 2 u 1 V ( w 1 ,   r k )
设上述问题的最优解为 r k *，目标车辆 H V会预测在博弈第二阶段目标车道后随车 P F V 1为了自身收益将选择策略 r k *，因此在第一阶段目标车辆的最优选择应为下述最优化问题的解：
m a x w m ∈ A 1 u V 1 ( w m ,   r k * )
目标车辆 H V的这一最优化问题同样有唯一解，记为 w m *，则策略组合 ( w m * ,   r k * )称为该博弈的子博弈精炼纳什均衡，即为车辆的最优驾驶策略。

2.6 模型评价指标

本文选取换道次数、总延误、减速度、碰撞时间倒数等指标评价所建自主换道决策模型在不同交通流密度下的性能。其中，换道次数和减速度指标用于评价所建模型中车辆的行驶舒适性；总延误和碰撞时间倒数用于评价所建模型中交通流的效率和安全性。
总延误为路段上全部车辆的实际行程时间与期望行驶时间差值的总和，计算公式如式（17）所示：
D = ∑ i = 1 n ( t i - t i e ) t i e = S i V i e
式（17）中： D为总延误（s）； n为路段上的总车辆数； t i, t i e, S i, V i e分别为第 i辆车的实际行驶时间（s）、期望行驶时间（s）、行驶路程（m）、期望速度（m/s）。
总减速度为路段上所有车辆的减速度之和，车均累计减速度为总减速度与路段上总车辆数之商，二者的计算公式为：
b z = ∑ i = 1 n a i b - = b z n
式（18）中： b z为总减速度（m/s2）； a i为路段上第i辆车的减速度（m/s2）； b -为车均累计减速度（m/s2）； n含义同前。
碰撞时间为本车保持当前运动状态行驶时，两车发生碰撞所需时间，用于评估某一时刻相邻的前后两车发生碰撞的风险。目标车辆与前导车的相对距离除以二者的相对速度可求得碰撞时间。由于现实中存在目标车辆与前导车的相对速度为零的情况，因此本文选择碰撞时间倒数作为评价模型安全性的指标。碰撞时间倒数通过式（19）计算：
T T C ( t ) - 1 = v H V - v L V y L V - y H V - l
式（19）中： T T C ( t ) - 1为碰撞时间倒数（s-1）； v H V, v L V, y H V, y L V, l含义同前。

3 仿真实验与分析

3.1 仿真环境与实验参数设置

利用Matlab软件对所构建的自主换道决策模型进行数值仿真实验。在Matlab中构建无匝道的两车道高速公路仿真实验场景，流程如图4所示。
为避免仿真中出现固定不变的交通流，尽可能地模拟真实交通流运行。我国高速公路的限速区间为[33m/s]，因此在实验中设置两种车型：一种是快速车，其期望速度服从[33m/s]上的均匀分布；另一种是慢速车，其期望速度服从[23m/s]上的均匀分布；交通流由上述两种车型组成且按照7∶3的比例分布。交通流密度区间为[60veh/km]，并以10veh/km为单位逐步递增，以评估模型在不同交通流密度下的表现；每辆车的初始输入速度为自身的期望速度；根据改进的IDM跟驰模型[18]更新仿真过程中车辆的运动状态信息。
本文以改进的MOBIL模型[5]为对比模型，分别将其与所构建的自主换道决策模型用于仿真实验中。每组实验的仿真时长为300s，更新时间步长为0.1s。仿真实验参数参考现有文献[5,19]取值，见表1。其中， p为礼貌系数，表示利他主义程度，当 p在（0,1）区间时表示兼顾自身和他人利益，在文献[5]中为确保车辆追求更自由的驾驶环境时兼顾车流整体利益，取 p=0.1，本文为增强车辆的利他主义程度，取 p=0.2。
表1 仿真参数
参数 取值 参数 取值
a/（m/s2） 1.5 T/s 1.2
s 0/m 2.0 p 0.2
b/（m/s2） 2.0 b s a f e/（m/s2） -4
∆ a t h/（m/s2） 0.3 γ 0.75
l α/m 4 v e/(m/s) 快车：[23, 33]，占比70%
δ 4 慢车：[17, 23)，占比30%

3.2 仿真结果分析

（1）换道次数
不同交通流密度下车辆的换道情况如图5所示，可以看出：在相同交通流密度下，与改进的MOBIL模型相比，本文构建的自主换道决策模型中智能网联汽车的换道次数大幅度下降；在交通流密度区间[60veh/km]内，本文模型的车辆换道次数平均减少45%。说明利用动态博弈分析车与车之间的交互竞争时，考虑车辆换道对局部交通流的影响，能改善车辆频繁换道的情况，提升交通流的稳定性和运行效率。
图5 不同交通流密度下两组实验的换道次数
（2）总延误
不同交通流密度下车辆的总延误如图6所示，可以看出，在相同交通流密度下，本文构建的自主换道决策模型的总延误均低于改进的MOBIL模型，尤其当交通流密度为40veh/km时，本文构建的自主换道决策模型的总延误比改进的MOBIL模型减少136s。在整个仿真实验中，自主换道决策模型的总延误比改进的MOBIL模型平均降低9%，这表明本文所建模型可有效减少行车延误，有利于提升交通流通行效率。
图6 不同交通流密度下两组实验的总延误
（3）减速度
不同交通流密度下车辆的总减速度和车均累计减速度如图7~图8所示，可以看出：在相同交通流密度下，本文构建的自主换道决策模型的减速度指标皆低于改进的MOBIL模型。在交通流密度区间[60veh/km]内，相比于改进的MOBIL模型，自主换道决策模型的减速度平均下降19%。这表明本文所建模型能有效减少道路上车辆的制动幅度，在该模型下车辆行驶的舒适性更好。
图7 不同密度下两组实验的总减速度
图8 不同密度下两组实验的车均累计减速度
（4）平均碰撞时间倒数
不同交通流密度下车辆的平均碰撞时间倒数如图9所示，可以看出：两个模型的平均碰撞时间倒数在不同交通流密度下皆为负值，这说明两类换道决策模型下车辆不存在碰撞风险，交通流的安全性良好；相对于改进的MOBIL模型，本文构建的自主换道决策模型的碰撞时间倒数波动较小，表明在该模型下车流处于更加安全稳定的状态。
图9 不同交通流密度下两组实验的平均碰撞时间倒数

4 结语

本文对智能网联汽车的换道意图和换道安全性进行了分析，对于产生换道意图且换道满足安全要求的目标车辆，利用动态博弈理论分析了其与目标车道后随车的换道竞争过程，基于改进的MOBIL模型中的激励准则建立了车辆博弈收益函数，构建了两阶段动态博弈模型，并通过逆向归纳法求解出模型的子博弈精炼纳什均衡，从而获得车辆的最优驾驶策略。最后通过Matlab数值仿真实验对模型的可行性和有效性进行了验证。仿真结果表明，本文所建自主换道决策模型能够避免车辆无效换道、降低行车延误，提高智能网联汽车的通行效率，使智能网联汽车更安全、高效地行驶。
由于本文以目标车辆通信范围内无其余车辆产生换道意图为研究前提，未考虑较为复杂的多辆换道车产生利益冲突的情况以及信息测量和传输误差。后续研究中可分析通信范围内多辆车同时换道时的多车博弈情况，探究模型中信息可靠度参数的计算方法，进一步提高模型的适用性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
AWAL T, KULIK L, RAMAMOHANRAO K. Optimal traffic merging strategy for communication-and sensor-enabled vehicles[C]// 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). Hague, Netherlands:IEEE, 2013: 1468-1474.

[2]
RONCOLI C, PAPAMICHAIL I, PAPAGEORGIOU M. Hierarchical model predictivecontrol for multi-lane motorways in presence of vehicle automation and communication systems[J]. Transportation Research Part C: Emerging Technologies, 2016, 62:117-132.

[3]
DANG R N, DING J Y, SU B, et al. A lane change warning system based on V2V communication[C]//17th International IEEE Conference on Intelligent Transportation Systems (ITSC). Qingdao:IEEE, 2014: 1923-1928.

[4]
WANG Z H, CUI S M, YU T Y. Automatic lane change control for intelligent connected vehicles[C]// 2019 4th International Conference on Electromechanical Control Technology and Transportation (ICECTT). Guilin:IEEE, 2019: 286-289.

[5]
潘义勇, 王松. 网联自动驾驶环境下改进的加权MOBIL自主性换道决策模型[J]. 重庆交通大学学报(自然科学版), 2021, 40(5):46-52.

[6]
PENG J S, GUO Y S, SHAO Y M. Lane change decision analysis based on drivers' perception-judgment and game theory[J]. Applied Mechanics and Materials, 2013, 361-363: 1875-1879.

[7]
KIM C, LANGARI R. Game theory based autonomous vehicles operation[J]. International Journal of Vehicle Design, 2014, 65(4): 360-383.

[8]
TALEBPOUR A, MAHMASSANI H S, HAMDAR S H. Modeling lane-changing behavior in a connected environment: A game theory approach[J]. Transportation Research Procedia, 2015, 7: 420-440.

[9]
SMIRNOV N, LIU Y, VALIDI A, et al. A game theory-based approach for modeling autonomous vehicle behavior in congested, urban lane-changing scenarios[J]. Sensors, 2021, 21(4): 1523.

[10]
胡立伟, 李林育, 王淼, 等. 基于驾驶人博弈行为的交通拥塞形成期车辆运行规律分析[J]. 人类工效学, 2017, 23(4): 62-66.

[11]
曲大义, 黑凯先, 郭海兵, 等. 车联网环境下车辆换道博弈行为及模型[J]. 吉林大学学报(工学版), 2022, 52(1):101-109.

[12]
蔡科, 聂振宇, 马庆禄, 等. 智能网联环境下高速公路匝道合流区域协同控制[J]. 兰州交通大学学报, 2022, 41(1):25-33.

[13]
张元良. 基于Stackelberg博弈理论的自主性车道变换模型[J]. 交通运输系统工程与信息, 2014, 14(5):67-73.

[14]
陈祎, 延凯悦, 宋蒙, 等. 基于MEC的5G车联网业务分析及应用[J]. 邮电设计技术, 2018(11):80-85.

[15]
SHAO H P, ZHANG M R, FENG T, et al. A discretionary lane-changing decision-making mechanism incorporating drivers′ heterogeneity: A signalling game-based approach[J]. Journal of Advanced Transportation, 2020, 2020: 1-16.

[16]
KESTING A, TREIBER M, HELBING D. General lane-changing model MOBIL for car-following models[J]. Transportation Research Record, 2007, 1999(1): 86-94.

[17]
丁婉婷. 智能网联汽车高速公路自主性换道决策模型研究[D]. 南京: 东南大学, 2017.

[18]
GUÉRIAU M, BILLOT R, EL FAOUZI N E, et al. How to assess the benefits of connected vehicles? A simulation framework for the design of cooperativetraffic management strategies[J]. Transportation Research Part C: Emerging Technologies, 2016, 67: 266-279.

[19]
NIE J Q, ZHANG J, DING W T, et al. Decentralized cooperative lane-changing decision-making for connected autonomous vehicles[J]. IEEE Access, 2016, 4: 9413-9420.

Options
Outlines

/

〈 〉