0 引言
随着智能交通技术的发展和智能网联车（Connected and Autonomous Vehicle, CAV）的日益普及，交通系统必将经历智能网联车与人工驾驶汽车混合通行的过渡阶段。与传统的人工驾驶汽车相比，智能网联车通过车辆之间的信息交互和自动驾驶自适应巡航系统，能更精确地控制车辆之间的安全距离和速度，实现更高密度的交通流[1]。此外，智能网联车通过协同合作和实时数据交换，提高了环境感知和决策能力，从而可降低交通事故风险[2]。然而，由于智能网联车与人工驾驶汽车在驾驶风格与行驶特性上存在差异，混合通行的异质交通流会导致通行效率降低安全隐患为解决这一问题，设置CAV专用道是一种可行的方案[3⇓-5]。为此，关于CAV专用道设置效果的研究成为新的课题。
目前，网联车专用道尚处于发展初期，如何提高专用道空间资源利用率和混行交通流通行效率是亟需解决的关键问题。为此，国内外学者展开了针对性研究，并取得了一些有意义的成果。现有研究主要分为三类：专用车道布设效果、专用道设置条件及专用道车流管理策略。
2）在CAV专用道设置条件方面，现有研究主要通过设置特定的条件来判断专用道的适用性，如宗芳等[9]通过在交叉口进口道动态设置直行CAV专用道，发现设置动态条件能有效应对不同城市交通状况，具有较强的普适性。
3）在CAV专用道车流管理策略方面，现有研究主要通过改变车道内的车流分配比例来分析专用道内车辆行驶效率，如郝威等[10]在双车道上通过固定、可变车流管理策略对比，发现优先为专用车道分配协同自适应巡航控制（Cooperative Adaptive Cruise Control, CACC）车辆的固定车流管理策略最优；秦严严等[11]提出了专用道管控方法，即随交通需求变化确定最优的车流分配比例，为不同渗透率下的道路规划提供了指导。CAV车辆编队行驶是提高交通流通行效率的有效途径之一，CAV专用道为车辆编队行驶提供了有利条件。然而，已有研究并未探讨路段上车辆编队行驶与专用道设置之间的关系，在CAV专用道内车辆编队行驶能否有效提升混行交通流的通行效率有待深入研究。
针对上述问题，为提高混行交通流的通行效率，将CAV专用道与CAV编队行驶进行有机融合，本文将基于车辆加减速模型与编队过程，提出一种CAV专用道内部车辆自适应形成车队的队列控制模型，探讨专用道内CAV编队行驶的方法与策略，以期为CAV专用道规划和设计提供有效方案。
1 CAV专用道场景描述
以3车道的城市快速路为例，车辆行驶速度在65~80 km/h内，在道路内侧设置CAV专用车道，如图1所示。图中可以接收、发送信息的车辆是智能网联车，其余车辆是人工驾驶汽车；最左侧车道为CAV专用道，该车道仅允许装有车载单元的智能网联车通行，其他机动车不得驶入；另外两条车道，CAV与人工驾驶车辆可以混合通行。
式（1）中：v为当前时刻的车速，单位 ； 为前一时刻的车速，单位 ； 为车间距误差控制系数，取0.45； 为车间距误差微分项控制系数，取0.25； 为前一时刻实际车间距与期望车间距误差； 为 的微分； 为当前车头间距，单位m； 为前车车长，单位m； 为车辆最小安全间距，单位m； 为CACC车辆期望安全车头时距，取0.6 。
ACC跟驰模型[16]如式（2）所示：
式（2）中： 为车辆的加速度，单位 ； , 为控制系数，分别取0.23 , 0.07 ； 为ACC期望保持的恒定车间时距，取1.1 s； 为速度差；其余变量含义同前。
2 专用道队列控制模型构建
2.1 车辆关系
在智能网联环境下，CAV车辆间能实时收发信息，精准获取前后车辆的相关数据，深入感知周边环境，不仅有利于提高交通流的通行效率，还可增强交通系统的安全性。
在CAV专用道内，将前后两辆车作为研究对象，视第n-1辆车为领航车，第n辆车为跟随车，前后两车进行编队的控制间距为 ，整个车辆编队可看作由多个领航-跟随结构体组成，待加入队列的车辆只需考虑其与相邻前导车的速度和位置关系，如图2所示。
在图2中，完成编队时，前后两车的行驶距离满足下式：
式（3）中： 为前车行驶距离，单位m； 为车身长度，单位m； 为前后两车间距进入控制范围的阈值，取100 m； 为后车行驶距离，单位m； 为后车跟随车间时距，取0.5 s； 为后车当前车速，单位m/s。
2.2 控制模型分析
模型以CAV专用道内前后两车间距作为控制输入，以后车运动状态变化作为控制输出，在车辆进入控制范围后，开始进行编队行驶。车辆队列控制模型可分为3个情景，即创建车队、加入车队和车队巡航。
1）创建车队
考虑到车队是由多辆智能网联车组成，在创建车队时，CAV车辆内部会进行信息交互。当判断前后两车间距小于控制范围阈值后，经过一定的通信延迟时间，领航车会发出“创建车队”命令，跟随车接受指令并进行跟驰。
2）加入车队
当车辆要加入一个已存在的车队时，需满足一定的条件：一是具备与已有车队相匹配的速度；二是不能对已有车队产生负面影响，例如破坏车队的稳定性或降低整体效率。为此，需要设计跟驰控制算法来判断车辆是否符合加入车队的条件。将车辆加入车队的过程分为以下3个阶段：
①加速阶段
车辆进入加速阶段，以固定的加速度进行加速，达到路段最高限速后进入限速阶段，满足：
式（4）中： 为CAV专用道最高限速，单位m/s； 为后车初速度，单位m/s； 为固定加速度，单位m/s2； 为加速时间，单位s；
加速阶段的前后车辆关系如图3所示，由前文可知，第n-1辆车为领航车，第n辆车为加速状态下的跟随车。
②限速阶段
在限速阶段，后车可在超限速5%的范围内进行加速追赶，以保证跟随车能快速向前方车队靠近并形成编队，此时满足：
式（5）中： 为后车限速阶段的速度，单位m/s；其余变量含义同前。
限速阶段的车辆关系如图4所示，同样第n-1辆车为领航车，第n辆车为限速状态下的跟随车。
③减速阶段
在减速阶段，给定车辆最大减速度 ，通过仿真软件底层模拟器控制车辆速度变化，使车辆在特定时间内平滑地降低速度到给定值。
3）车队巡航
在车队巡航情景中，车辆已完成编队全过程并在道路上以车队形式行驶，即一组车辆以相同的速度和固定的间距紧密行驶，车辆之间呈现出一种高度协调的交通状态。一般情况下，车队巡航的运行模式由一辆领航车引领，其他跟随车则通过感知与通信系统同步领航车的速度和路线，以确保整个车队保持稳定的速度和间距。此时，车队中领航车与后面若干辆跟随车的速度相同。上述车队巡航情景如图5所示，图中第1辆车为领航车，其余车辆为跟随车。
车队中每辆车的行驶速度相同，即满足下式：
式（6）中： 为编队中第1辆车在t时刻的速度，单位m/s； 为编队中第2辆车在t时刻的速度，单位m/s； 为编队中第 辆车在t时刻的速度，单位m/s。
3 SUMO仿真分析及对比
城市交通仿真（Simulation of Urban Mobility, SUMO）软件是一个开源的交通仿真平台，具备微观和多模态的特点。为验证队列控制模型在不同场景下的有效性，采用SUMO仿真创建两种场景：2 000 单车道和3车道快速路，其中单车道旨在对比所建队列控制模型与CACC跟驰模型形成车辆队列的差异；多车道旨在评估设置专用道队列控制模型对交通运行效率的影响。利用Python通过SUMO外部接口Traci对SUMO进行二次开发，将队列控制模型表达式进行实例化，其中仿真参数的设定基于对现实交通状况的观察和相关研究成果[16]，确保仿真结果具有可靠性和实用性。
3.1 单车道仿真结果
在单车道场景中共设置两组仿真实验进行效果对比，其中第1组通过Traci接口的setSpeedMode命令实现本文提出的队列控制模型；第2组采用CACC跟驰模型。每组实验仿真时长均为120 s，时间间隔为0.01 s。仿真中共构建了6辆车，第1辆车为领航车Car1，后续加入的是跟随车，依次记作car2, car3, car4, car5, car6。仿真实验过程中，按照拟定的时间间隔将跟随车依次加入仿真场景，通过随机种子赋予不同速度值来模拟真实交通情景。
为更直观地对比两种模型的控制效果，将第2组CACC跟驰模型作为仿真对照组。在第1组实验中，记录各辆车进入CAV专用道的初速度；在第2组实验中，通过Python导入第1组的车辆数据记录，以确保相同的实验初始条件。
图6（a）中，car1以初速度19.75 m/s进入专用道并保持该速度匀速行驶，car2在第3.75 s进入专用道并加入车队，在第25.48 s完成车辆编队；car3在第5.72 s进入专用道并加入车队，在第34.37 s完成车辆编队；car4在第8.67 s进入专用道并加入车队，在第49.54 s完成车辆编队；car5在第12.71 s进入专用道并加入车队，在第72.19 s完成车辆编队；car6在第15.84 s进入专用道并加入车队，在第89.79 s完成车辆编队。跟随车完成队列控制的总用时为224.68 s，其中前3辆跟随车的总用时为91.25 s。
图6（b）中，按照第1组实验中各车辆的初速度，通过CACC跟驰模型进行仿真。从图中可看出，car1匀速行驶，car2~car4在经过一定时间的匀速行驶后开始汇入车队，在第71.1 s完成4辆车的编队，car5和car6未能进入编队而保持原有初速度行驶。跟随车完成队列控制的总用时为118.61 s。对比两组同规模车辆队列可知，队列控制模型的编队时间比CACC跟驰模型减少约23.07%。
图7（a）中，进入车队巡航阶段后，前后车的间距均保持在9.575 m左右，符合所提出的前后车位置关系。从上述结果可以看出，跟随车辆能按照所建控制模型经过加速阶段、限速阶段及减速阶段，以较短的行程时间靠近前车，依次加入车队，并进入车队巡航阶段，最终达到两车速度相同的效果。
图7（b）中，CACC跟驰模型形成的车辆队列车间距比队列控制模型的更大，未能实现道路高利用率，说明队列控制模型能够使车辆跟驰更加紧密，更充分地利用了道路空间。
3.2 设置专用道的渗透率阈值
为分析设置智能网联车专用道的CAV渗透率的阈值，设置了CAV渗透率从0%到100%的不同阈值，以10%间隔取值进行仿真实验及数据分析，期望获得设置1条CAV专用道比不设置专用道更具优势的最佳渗透率。
在SUMO中构建一个3车道的快速路仿真模型，设置两种不同的道路条件：一种不设专用道，另一种设置1条专用道。通过设置不同的CAV渗透率，模拟CAV逐渐增加的交通场景。在每个渗透率等级下，收集所有车辆的行程时间和平均速度等数据。对仿真实验数据进行分析，以明确行程时间的变化趋势。对比不设置专用道和设置1条专用道的平均行程时间，如图8所示。由该图可知，设置1条CAV专用道的最佳CAV渗透率Pcav为23.22%，即CAV渗透率超过23.22%时，建议设置1条CAV专用道。
3.3 多车道仿真结果
在多车道场景中，同样设置两组仿真实验进行对比验证，第一组采用队列控制模型；第二组为对照组，未设置控制模型。每组实验仿真时长均为2 000 ，时间间隔为0.01 。仿真通过SUMO路网文件中的车流（flow）模块模拟现实中真实交通流情况，设置车辆进入路段的车道（departLane）为随机车道，路段上输入流量为3 000 veh/h，车辆初速度随机分布在65~80 km/h之间。
SUMO中多车道混行的仿真运行状态见图9。
图9中，CAV专用道内车辆已完成编队，进入巡航状态。而另外两条车道内，car5和car6都是CAV，即网联车跟随网联车，两车间能相互通信，车辆按CACC模型进行行驶；car4为人工驾驶车辆，car4和car5形成网联车跟随人工驾驶车，无法进行实时通信，因此car5的CACC跟驰模型退化为ACC跟驰模型，模拟了真实的混合交通流现象。
表1 非编队与编队下路段平均行程时间 |
| CAV 渗透率（%） | 路段平均行程时间/s | 编队行程时间 比非编队减少 比例（%） | |
|---|---|---|---|
| 非编队 | 编队 | ||
| 23.22 | 130.725 | 107.525 | 17.75 |
| 30 | 128.973 | 107.013 | 17.03 |
| 40 | 128.545 | 106.320 | 17.29 |
| 50 | 128.093 | 106.810 | 16.61 |
| 60 | 125.153 | 105.750 | 15.50 |
| 70 | 121.858 | 104.770 | 14.02 |
| 80 | 117.728 | 104.145 | 11.54 |
| 90 | 114.590 | 103.370 | 9.79 |
| 100 | 106.278 | 102.273 | 3.77 |
4 结束语
本文基于智能网联车辆的实时通信和车间交互，分析了CAV专用道内前后车辆之间的运动交互行为，提出了一种CAV专用道内编队行驶的队列控制模型，实现了智能网联车队列的创建、加入和巡航控制全过程。最后，在SUMO仿真平台中模拟了单车道与3车道的交通场景，通过仿真分析验证了所提队列控制模型的有效性，发现与非编队行驶相比，CAV专用道内的编队行驶可提升混行交通流的通行效率。
由于仿真模拟方法的局限性，假设的车间交互与现实中的车联网还有一些差距，所提队列控制模型与实际自动驾驶算法也有差异，因此其实用性尚有提升空间，后续待实验条件具备后将在实车测试的基础上进行算法迭代与优化。