理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究.pdf

第21卷 第3期2023年09月交通运输工程与信息学报Journal of Transportation Engineering and InformationVol.21 No.3Sep.2023文章编号：1672-4747（2023）03-0031-28理想诱导环境下的网联车与网联自动驾驶车理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究混合交通流建模研究李 松1,2，张开碧1,2，李永福*1,2，黄龙旺1,2（1.重庆邮电大学，自动化学院，重庆400065；2.重庆邮电大学，智能空地协同控制重庆市高校重点实验室，重庆400065）摘要：智能网联车辆通过先进的无线通信技术能够实现车辆间信息传递，然而通信环境中不可避免的存在干扰信号，当干扰信号达到一定的强度时，车辆间的通信会被迫中断，等效于交通流中车辆的通信拓扑发生了切换，通信拓扑切换必然会对交通流造成影响。基于此，本文在由网联车（connected vehicle，CV）和网联自动驾驶车（connected autonomous vehicle，CAV）构成的混合交通流中，研究了理想诱导环境下通信拓扑结构切换和CAV不同空间分布对混合交通流动态性能的影响。首先提出一种结合图论和概率论的通信拓扑表征方法，对混合交通流中的通信拓扑进行表征。然后考虑CV与CAV在决策行为上的特点，结合通信拓扑提出一个通用车辆跟驰模型，并使用约化摄动法推导出通用车辆跟驰模型的稳定性条件。最后设计数值仿真实验，在不同的CAV渗透率下，研究理想诱导环境下通信拓扑结构切换和不同CAV空间分布对混合交通流动态性能的影响。通信拓扑结构切换数值仿真结果表明，稳定的通信连接将有利于混合交通流动态性能的平滑性。不同CAV渗透率下数值仿真结果表明，当理想诱导环境中不存在干扰信号时，CAV渗透率越高，混合交通流动态性能的平滑性越好；当理想诱导环境中存在干扰信号并导致通信拓扑切换时，CAV渗透率为40%且空间分布为集中分布时的抗干扰能力最强。不同CAV空间分布下数值仿真结果表明，当理想诱导环境中不存在干扰信号时，CAV集中分布下混合交通流动态性能的平滑性最好；当理想诱导环境中存在干扰信号并导致通信拓扑切换时，CAV集中分布的抗干扰能力强于CAV均匀分布和随机分布的抗干扰能力。关键词：智能交通；通信拓扑切换；通用车辆跟驰模型；混合交通流；空间分布中图分类号：U495文献标志码：ADOI：10.19961/ki.1672-4747.2022.11.001Modeling a mixed traffic flow of connected vehicles and connectedautonomous vehicles in an ideal induction environmentLI Song1,2,ZHANG Kai-bi1,2,LI Yong-fu*1,2,HUANG Long-wang1,2(1.College of Automation,Chongqing University of Posts and Telecommunications,Chongqing 400065,China；2.Key Laboratory of Intelligent Air-Ground Cooperative Control for Universities in Chongqing,ChongqingUniversity of Posts and Telecommunications,Chongqing 400065,China)Abstract：Intelligently connected vehicles exchange information using advanced wireless communi-cation technology.However,interference signals are inevitable in the communication environment.收稿日期：2022-11-01录用日期：2023-01-03网络首发：2023-01-19审稿日期：2022-11-0111-08；12-0812-17；2022-12-292023-01-03基金项目：国家自然科学基金项目（62273067，U1964202）；国家重点研发计划项目（2018YFB1600500）作者简介：李松（1995），男，硕士研究生,研究方向为交通流建模，E-mail:通信作者：李永福（1983），男，教授，工学博士,研究方向为智能网联汽车和空地协同控制，E-mail:liyongfu 引文格式：李松，张开碧，李永福，等.理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究J.交通运输工程与信息学报，2023，21(3)：31-58.LI Song,ZHANG Kai-bi,LI Yong-fu,et al.Modeling a mixed traffic flow of connected vehicles and connected autonomous vehiclesin an ideal induction environmentJ.Journal of Transportation Engineering and Information，2023，21(3)：31-58.32交通运输工程与信息学报第21卷An interference signal of sufficient strength interrupts the communication between vehicles,an effectequivalent to the switching of the communication topology(CT)displayed by vehicles in a trafficflow.Such CT switching inevitably affects the traffic flow.This study therefore considers a mixedtraffic flow composed of connected vehicles(CV)and connected autonomous vehicles(CAV)to in-vestigate the effects of CT switching and different spatial CAV distributions on the dynamic perfor-mance of the mixed traffic flow in an ideal induction environment.First,a method combining graphand probability theories is proposed to characterize the CT of the mixed traffic flow.Then,by consid-ering the feature between CVs and CAVs in decision-making behavior,a general car-following(CF)model is proposedand combined with CT.The stability conditions of the general CF model are thendeduced using the perturbation method.Finally,a numerical simulation experiment is designed tostudy the effects of CT switching and of different CAV spatial distributions on the dynamic perfor-mance of mixed traffic flows for different CAV penetration ratesin an ideal induction environment.The CT switching simulations show that a stable communication connection improves the smooth-ness of the dynamic performance of the mixed traffic flow.The simulations using different CAV pen-etration rates show that,in the absence of an interference signal in the ideal induction environment,the smoothness is also enhanced with increasing CAV penetration rate.When an interference signalin the ideal induction environment produces CT switching,the anti-interference ability is strongestfor a CAV penetration rate of 40%and when the spatial distribution is centralized.The simulationswith different CAV spatial distributions show that the dynamic performance of the mixed traffic flowwith a centralized CAV distribution is smoother in the absence of an interference signal in the idealinduction environment.In the presence of an interference signal producing CT switching in the idealinduction environment,the anti-interference ability of the centralized CAV distribution is strongerthan that of the uniform and randomCAV distributions.Key words：intelligent transportation；CT switching；generic CF mode；mixed traffic flow；spatialdistribution0引言近年来随着汽车保有量逐年增加，交通系统面临的压力越来越大。CV与CAV通过利用车车（vehicle-to-vehicle，V2V）或车路（vehicle-to-infra-structure，V2I）通信技术和其他的CV或CAV分享状态信息（如速度、位置和加速度等）1-2，能够显著提高道路交通安全和效率3-6，已经成为当前交通系统的研究热点之一7-10。并且随着经济和技术快速发展，越来越多的 CV 与 CAV 将会出现在道路上，这也将导致道路上出现不同类型车辆混行的局面。面对因CV与CAV出现而形成的混合交通流，理解其对混合交通流的影响规律，是混合交通流建模的主要目的。文献11针对CV与传统车混行场景，基于前景理论并结合IDM（Intelligent DriverModel）车辆跟驰模型，对CV驾驶员的网联信息服从度进行建模，并通过微观仿真结果表明高服从性的CV驾驶员有益于混合交通流的平滑性。文献12针对CAV与传统车混行场景，从信息物理系统的角度提出一个通用车辆跟驰模型，并通过数值仿真表明CAV渗透率增加能使混合交通流的稳定性增强和能耗降低；文献13针对CAV、自动驾驶车和传统车三种类型车辆混行场景，考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离因素，提出一个通用车辆跟驰模型，并通过数值仿真表明CAV能有效减小后方跟驰车辆的加速度及速度波动；文献14针对 CV、CAV和传统车三种类型车辆混行场景，考虑三种类型车辆具有不同记忆效应的特点，提出一个通用车辆跟驰模型，并通过数值仿真表明CAV能提高混合交通流的稳定性，但当同一类型车辆队列规模增大时会使混合交通流稳定性减弱；文献15针对CAV与传统车混行场景，采用三种车辆跟驰模型用于描述混合交通流中不同车辆的跟驰行李松 等：理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究33第3期为，然后引入燃油消耗和交通运输排放模型，以此研究CAV对高速公路混合交通流的燃油消耗和交通运输排放影响，最后通过数值仿真表明CAV渗透率增加能显著降低高速公路混合交通流的燃油消耗与交通运输排放；文献16针对智能网联汽车技术出现带给交通流建模的变化与挑战，提出耦合“辅助系统-驾驶人-车辆-交通-驾驶场景”五元素的智能网联交通系统建模框架，并针对该框架中驾驶人模型，提出考虑驾驶人有限能力的包括“感知-决策-操作”全过程的通用模型框架。此外针对不同类型车辆混行下的场景，不同的通用车辆跟驰模型被开发，并用于分析混合交通流的演变规律17-22。然而目前大多数研究混合交通流的车辆跟驰模型都是假定车辆运行在良好的通信环境下，混合交通流中的车辆都能成功获取到目标车辆的信息。而且大多数车辆跟驰模型也未考虑不同类型车辆在决策行为上的差异性，因此难以直接使用它们去研究混合交通流的动态性能。为了消除这些不合理的假设，文献23分析了车载自组织网络下单向和双向V2V、V2I 通信连接概率，并提出一个多优先级马尔科夫模型去研究通信连接概率与系统吞吐量之间的关系。文献24针对CAV与传统车混行场景，考虑V2V通信延时与驾驶员视觉感知延时，提出一个适用于单车道的通用车辆跟驰模型，并通过数值仿真表明仅有驾驶员视觉延时会影响异质系统的稳定性；文献25针对CV与传统车混行场景，考虑不同类型车辆在决策行为上的特点，提出一个通用车辆跟驰模型，并通过理论推导和数值仿真表明CV渗透率增加能使混合交通流的稳定性增强。此外也有CV、CAV匀质交通流中，在理想诱导环境下考虑通信拓扑结构切换，提出具有通信拓扑结构的车辆跟驰模型去分析理想诱导环境下通信拓扑结构切换对CV、CAV匀质交通流的影响26-29。上述文献已经初步讨论了传统车辆与CV或CAV组成的混合交通流演变规律和CV、CAV匀质交通流的演变规律，然而并未对由CV与CAV组成的混合交通流演变规律进行讨论。在 CV 与 CAV 组成的混合交通流中相比于CV，CAV具有高智能和高灵敏性等优势，使其对交通环境的响应能力较CV高，从而在交通环境变化的情况下，能够更早更快地改变自身运动行为，进而使得交通流内部呈现明显的运动状态差异。同时利用V2V通信技术，车辆间能够形成一个由下游车辆向上游车辆传递信息的信息流拓扑，并且在理想诱导环境下，即规律通信干扰环境中存在的干扰信号达到一定的强度时，车辆间的信息传递将会被迫中断，从而导致车辆间的通信拓扑结构发生切换，通信拓扑结构切换必然会对交通流造成影响。此外CAV在交通流中的空间分布，也会对交通流造成影响。然而现有研究还未关注到理想诱导环境下通信拓扑结构切换和CAV不同空间分布对CV与CAV混合交通流的影响，因此本文基于微观交通流跟驰理论，重点研究理想诱导环境下通信拓扑结构切换和CAV不同空间分布对CV与CAV混合交通流动态性能的影响。1通信拓扑表征下面结合图论和概率论对混合交通流中的通信拓扑进行解析与表征，并重点介绍两种典型的固定通信拓扑结构和一种切换通信拓扑结构。1.1 通用通信拓扑如图1所示为直行车道上CV和CAV组成的混合交通流从稳定 V2V 通信区域运动到不稳定V2V通信区域的混行交通场景。其中领航车编号j=0，如果j=1，车辆j仅仅考虑领航车辆和紧邻跟随车辆的影响。在本研究中，考虑多辆前车和紧邻跟随车辆的影响，因此n定义为n 1,j，j-n代表车辆j的n辆前车，j+1代表车辆j的紧邻跟随车辆。根据以前利用概率论对交通流中通信拓扑表征的研究27-28，图 1所示场景下车辆j与车辆j-n的V2V通信信号强度定义如下：qj,j-n=()1-xj,j-ndxj,j-n d0 xj,j-n d（1）式中：xj,j-n代表车辆j与车辆j-n的距离；d为车载V2V通信设备的最大传输距离；0 1定义为与通信环境相关的干扰系数：=1代表通信环境中不存在干扰信号，0 0，表明车辆j与车辆j-n有机会建立 V2V通信连接，因此定义j,j-n为车辆j与车辆j-n的V2V通信连接状态变量：j,j-n=1代表车辆j与车辆j-n的V2V通信连接被建立，否则j,j-n=0。图1 混合交通流从稳定V2V通信区域运动到不稳定V2V通信区域Fig.1 Mixed traffic flow progressing from a stable to an unstable V2V communication area此外文献23表明V2V通信连接概率不仅受通信设备传输距离的影响，而且受交通流密度影响，当交通流密度越大时，V2V通信连接概率也越大。因此结合上述讨论，车辆j与车辆j-n的V2V通信连接概率函数定义如下：Qj,j-n(j,j-n=1|qj,j-n 0)=1-e-qj,j-n=1-e-d（2）式中：Qj,j-n代表在交通流中车辆j能通过V2V通信获取到车辆j-n信息的概率；为混合交通流的密度；为干扰系数；d为车载V2V通信设备的最大传输距离。考虑 V2V 通信中存在额外干扰和丢包等情况，若车辆j能成功获取到车辆j-n的信息，则需要Qj,j-n达到一定的阈值，定义如下阶跃函数：j,j-n=(Qj,j-n-u)（3）式 中：u=0.6是 区 分 通 信 连 接 成 功 与 否 的 阈值27-28；j,j-n为信息交换参数，j,j-n=1(Qj,j-n u)代表车辆j通过V2V通信成功获取到车辆j-n的信息，否则j,j-n=0。因此混合交通流中的通信拓扑能够使用邻接矩阵表征如下:A=0,00,NN,0N,N（4）式中：j,j-1=1和j,j+1=1代表车辆j通过雷达传感器获取邻近前车j-1和邻近跟随车j+1的信息。文献30也表明用于交通的雷达是稳定可靠的，因此j,j-1和j,j+1的值一直为 1。此外j,j=1代表车辆j从自身获取信息。1.1.1 固定通信拓扑结构描述图1所示网联环境下CV与CAV混合交通流，下层代表车辆在物理空间的运动，上层代表车辆在网络空间的通信连接。如果理想诱导环境中不存在干扰信号，在网络空间的通信连接则对应双向-双前导-领导-跟随通信拓扑结构（bidirectional-two-predecessor-leading-following，B-TPLF）。这表明每辆车都能通过雷达传感器链路接收邻近前车和邻近跟随车的信息，而邻近前车和领导车的信息则通过V2V通信链路连接获得。根据式（4），它能够被表征如下：ABTPLF=0,00,10,20,N1,01,11,21,3000N2,N0N1,N2N1,N1N1,N00N,N1N,N（5）如果理想诱导环境中存在干扰信号并导致通信拓扑切换，在网络空间的通信连接则对应双向-前导-跟随通信拓扑结构（bidirectional-predecessor-following，B-PF）。这表明每辆车只能通过雷达传感器链路接收邻近前车和邻近跟随车的信息。根据式（4），它能够被表征如下：34交通运输工程与信息学报第21卷AB-PF=0,00,1001,01,11,2000000N-1,N-2N-1,N-1N-1,N00N,N-1N,N（6）1.1.2 切换通信拓扑结构描述图 2 所示为假定混合交通流在 B-TPLF 和 B-PF的混合通信拓扑结构之下，同时为了模拟真实网联环境中的通信干扰，考虑正弦信号作为理想诱导环境下的干扰信号，交通流中的通信拓扑结构将会因正弦干扰而发生周期切换。在这个研究中考虑混合交通流从雷达传感器链路和V2V通信链路接收信息，因此通信拓扑结构将从B-TPLFB-PF B-TPLF B-PF发生周期切换，与之对应的邻接矩阵也将对应改变。图2 理想诱导环境下通信干扰导致的通信拓扑结构切换过程Fig.2 Communication-topology switching process arisingfrom communicationinterference in the ideal inductionenvironment2车辆跟驰模型推导2.1网联车跟驰模型网联车驾驶员观察周围环境信息主要依靠自身视觉感知和网联信息提示，因此驾驶员做出驾驶决策应由自身的视觉感知和网联信息提示共同决定。此外文献31表明后车也会影响驾驶员的驾驶决策。基于上述研究并结合通信拓扑讨论，一个新的网联车跟驰模型表示如下：aj(t)=k(Vj,j-1(xj,j-1(t-m)+n=1jj,j-nVj,j-n(xj,j-n(t-c)+Vj,j+1(xj,j+1(t-c)-vj(t)+vj,j-1(t-m)+n=1jj,j-nvj,j-n(t-c)（7）式中：aj(t)、vj(t)、xj(t)代表车辆j在时刻t的加速度(m/s2)、速度(m/s)和位置(m)；xj,j-1(t-m)=xj-1(t-m)-xj(t-m)代表驾驶员对邻近前车j-1视觉感知产生的纵向位置差；vj,j-1(t-m)=vj-1(t-m)-vj(t-m)代表驾驶员对邻近前车j-1视觉感知产生的纵向速度差；m=0.4s为 驾 驶 员 视 觉 感 知 的 延 时；xj,j-n(t-c)=xj-n(t-c)-xj(t-c)代表V2V通信链路提供给驾 驶 员 车 辆j与 前 车j-n的 纵 向 位 置 差；vj,j-n(t-c)=vj-n(t-c)-vj(t-c)代 表 V2V通信链路提供给驾驶员车辆j与前车j-n的纵向速度差；xj,j+1(t-c)=xj(t-c)-xj+1(t-c)代表雷达传感器链路提供给驾驶员车辆j与邻近跟随车辆j+1的纵向位置差；c=0.2 s为通信延时；,为驾驶员视觉感知的权重；=0.1为邻近跟随车辆j+1对驾驶员决策的影响程度；k 0，0为敏感性参数；j,j-n为网联信息提示下不同前车对驾驶员决策的影响权重，体现了不同前车位置的影响，表达式如下27：j,j-n=1(j+1)j-1n=jj(j+1)nn 2j-11-1(j+1)j-1-=2j-1j(j+1)n=1（8）V(x)为车辆期望速度函数，由如下分段函数表示22,27-28：V(x)=0 x xstF(x)xst x xj,j+1(t-c)，则V(xj,j-1(t-c)-V(xj,j+1(t-c)0；xj,j-1(t-c)xj,j+1(t-c)，则V(xj,j-1(t-c)-V(xj,j+1(t-c)0，0为敏感性参数；wj,j-n为不同前车对智能决策机制的影响权重，其表达式如下28：wj,j-n=1(j+1)j-1n=jj(j+1)j-nn (j,j-1)1-1(j+1)j-1-=1j-2j(j+1)j-n=j-1（14）注：基于（13）式所提出的网联自动驾驶车跟36交通运输工程与信息学报第21卷驰模型，当理想诱导环境中不存在干扰信号对应B-TPLF通信拓扑结构，则网联自动驾驶车跟驰模型具体表示如下：aj(t)=k wj,j-1Vj,j-1(xj,j-1(t-c)+wj,j-2Vj,j-2(xj,j-2(t-c)+wj,0Vj,0(xj,0(t-c)+p(V(xj,j-1(t-c)-V(xj,j+1(t-c)-vj(t)+wj,j-1vj,j-1(t-c)+wj,j-2vj,j-2(t-c)+wj,0vj,0(t-c)（15）当理想诱导环境中存在干扰信号并切换到B-PF通信拓扑结构，则网联自动驾驶车跟驰模型具体表示如下：aj(t)=k wj,j-1Vj,j-1(xj,j-1(t-c)+p(V(xj,j-1(t-c)-V(xj,j+1(t-c)-vj(t)+wj,j-1vj,j-1(t-c)（16）2.3 通用车辆跟驰模型在上述研究的基础上，进一步结合网联车和网联自动驾驶车在决策行为上的特点，并引入参数，从而构建一个包含网联车和网联自动驾驶车的通用车辆跟驰模型，通用车辆跟驰模型表示如下：aMix(t)=kIVj,j-1(xj,j-1(t-m)+n=1jj,j-nVj,j-n(xj,j-n(t-c)+Vj,j+1(xj,j+1(t-c)+(1-)p(V(xj,j-1(t-c)-V(xj,j+1(t-c)-vj(t)+Ivj,j-1(t-m)+n=1jj,j-nvj,j-n(t-c)（17）式中：=1代表网联车跟驰模型，=0代表网联自动驾驶车跟驰模型；j,j-nj,j-n,wj,j-n。此外由于CV与CAV在决策行为上具有不同的特点，其敏感性CV CAV，即kcv kcav，cv cav。3稳定性分析如果满足以下条件：V(h)0和z2 0时，得出混合交通流的稳定性条件如式（18）所示。4数值仿真基于Matlab-9.0数值仿真软件，数值仿真研究CAV渗透率为 20%、40%、60%、80%时，在理想诱导环境下通信拓扑结构切换和CAV不同空间分布对混合交通流动态性能的影响。车辆跟驰模型相关参数被总结在表1中22,27-28。表1 车辆跟驰模型中的相关参数Tab.1 Relevant parameters in the CF model参数kcavcavkcvcvmcvmax数值1.50.91.30.80.40.22单位s-1s-1s-1s-1ssm/s同时考虑由 15辆车组成的混合交通流在 B-TPLF和B-PF混合通信拓扑结构下，B-TPLF通信拓扑结构用于表征V2V通信连接和传感器通信连接，B-PF通信拓扑结构用于表征传感器通信连接。初始状态设置如下：在开放边界下，15辆车以相同的车头间距18.3 m、速度8 m/s和加速度0 m/s2运动在直行道路上，领航车的运动轨迹根据文献27中设计的轨迹运动如下：v0(t)=8+6.61+e-0.35t+380 t 15014.6-6.61+e-0.35t+63150 t 300（27）其余对应车辆根据式（7）所提出的网联车跟驰模型和式（13）所提出的网联自动驾驶车跟驰模型运动。不同渗透率下的CAV在混合交通流中的空间分布主要考虑集中分布、均匀分布和随机分布三种方式。此外为了研究理想诱导环境下通信拓扑结构切换对混合交通流动态性能的影响，考虑通信无干扰和通信遭受干扰（周期为 4/s的正弦干扰）两种情况。在图4和图5中，如果通信连接成功，则对应通信连接值为1，否则对应通信连接值为0。38交通运输工程与信息学报第21卷（a）车辆4（b）车辆8（c）车辆12图4 无干扰的通信连接状态Fig.4 No interference communication connection status通信拓扑表征方法能够准确再现混合交通流中车辆在运动过程中的通信连接状态，随着车辆速度增加，两辆车之间的车头间距将会随着速度增加而增大，这表明两辆车之间的距离增加将会使持续可靠的通信连接时间缩短，其能在图4和图5中的通信连接状态得到体现。如在图4（a）中，车辆4在运动阶段和领航车的车头间距一直小于通信传输距离，因此车辆4能够一直接收到领航车的信息。同时明显的对比能够在图4（b）中发现，大约在170 s时车辆8因处于加速阶段而导致和领航车的车头间距大于通信传输距离，从而导致车辆8在加速阶段和领航车的通信连接被切断。而从图4（c）中能够更加明显看出，车辆12因在运动阶段和领航车的车头间距一直大于通信传输距离，从而导致车辆12在整个运动阶段和领航车的通信连接一直被切断。此外从图中还能够看出，近距离两辆车之间的V2V通信连接将会因周期信号干扰而出现周期中断/连通。（a）车辆4（b）车辆8（c）车辆12图5 遭受干扰的通信连接状态Fig.5 Interfered communication connection status李松 等：理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究39第3期图为CAV渗透率20%时三种不同空间分布示意，图7、图、图9分别为三种不同空间分布在理想诱导环境中不存在干扰信号的车辆运动剖面实验，图10、图11、图12表示存在干扰信号的车辆运动剖面实验。表2、表3表示三种不同空间分布在存在干扰信号和不存在干扰信号时的最大加速度和最大速度误差。图6 CAV渗透率20%时的空间分布Fig.6 Spatial distribution of CAV penetration rates at 20%（a）速度（b）加速度（c）车头间距（d）速度误差图7 CAV渗透率20%时均匀分布无干扰的运动剖面Fig.7 Motion profile with a uniform distribution and no interferencefor a CAV penetration rate of 20%40交通运输工程与信息学报第21卷（a）速度（b）加速度（c）车头间距（d）速度误差图8 CAV渗透率20%时集中分布无干扰的运动剖面Fig.8 Motion profile with a centralized distribution and no interferencefor a CAV penetration rate of 20%（a）速度（b）加速度（c）车头间距（d）速度误差图9 CAV渗透率20%时随机分布无干扰的运动剖面Fig.9 Motion profile with a random distribution and no interferencefor a CAV penetration rate of 20%李松 等：理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究41第3期（a）速度（b）加速度（c）车头间距（d）速度误差图10 CAV渗透率20%时均匀分布遭受干扰的运动剖面Fig.10 Motion profile with a uniform distribution and with interferencefor a CAV penetration rate of 20%（a）速度（b）加速度（c）车头间距（d）速度误差图11 CAV渗透率20%时集中分布遭受干扰的运动剖面Fig.11 Motion profile with a centralized distribution and with interferencefor a CAV penetration rate of 20%42交通运输工程与信息学报第21卷（a）速度（b）加速度（c）车头间距（d）速度误差图12 CAV渗透率20%时随机分布遭受干扰的运动剖面Fig.12 Motion profile withrandom distribution and with interference for a CAV penetration rate of 20%表2 CAV渗透率20%时不同空间分布下的最大加速度Tab.2 Maximum acceleration of different spatial distributionfor a CAV penetration rate of 20%分布方式均匀分布集中分布随机分布最大加速度/（m/s2）无通信干扰-1.10-0.80-1.13通信干扰-2.97-1.93-4.15表3 CAV渗透率20%时不同空间分布下的最大速度误差Tab.3 Maximum velocity error of different spatial distribu-tion for a CAV penetration rate of 20%分布方式均匀分布集中分布随机分布最大速度误差/（m/s）无通信干扰-2.22-1.71-2.12通信干扰-2.37-1.74-2.31从图7图12，以及表2和表3能够得出如下结论：（1）当理想诱导环境中不存在干扰信号时，相较于均匀分布和随机分布，CAV集中分布下的混合交通流动态性能平滑性更好。从图7到图9和表2、表3中能够发现CAV集中分布下混合交通流中的最大加速度为-0.80 m/s2，最大速度误差为-1.71 m/s，而CAV均匀分布和随机分布下混合交通流中的最大加速度为-1.10 m/s2与-1.13 m/s2，最大速度误差为-2.22 m/s与-2.12 m/s，CAV集中分布的最大加速度和最大速度误差要低于CAV均匀分布和随机分布的最大加速度和最大速度误差，这表明当CAV渗透率为20%时，CAV集中分布下的混合交通流动态性能平滑性要好于CAV均匀分布和随机分布下的混合交通流动态性能平滑性；（2）当理想诱导环境中存在干扰信号而导致通信拓扑结构发生周期切换时，CAV集中分布的抗干扰能力要强于CAV均匀分布和随机分布的抗干扰能力。从图 10 到图 12 和表 2、表 3 中能够发现CAV 集中分布下混合交通流中的最大加速度为李松 等：理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究43第3期-1.93 m/s2，最大速度误差为-1.74 m/s，而CAV均匀分布和随机分布下混合交通流中的最大加速度为-2.97 m/s2与-4.15 m/s2，最大速度误差为-2.37 m/s与-2.31 m/s，CAV集中分布的最大加速度和最大速度误差同样要低于CAV均匀分布和随机分布的最大加速度和最大速度误差，这表明当CAV渗透率为20%时，CAV集中分布下的抗干扰能力要强于CAV均匀分布和随机分布下的抗干扰能力。图 13为 CAV渗透率 40%时三种不同空间分布示意，图14、图15、图16分别表示三种不同空间分布在理想诱导环境中不存在干扰信号的车辆运动剖面实验，图17、图18、图19表示存在干扰信号的车辆运动剖面实验。表4、表5表示三种不同空间分布在存在干扰信号和不存在干扰信号时的最大加速度和最大速度误差。图13 CAV渗透率40%时的空间分布Fig.13 Spatial distribution for a CAV penetration rate of 40%（a）速度（b）加速度（c）车头间距（d）速度误差图14 CAV渗透率40%时均匀分布无干扰的运动剖面Fig.14 Motion profile with a uniform distribution and no interference for a CAV penetration rate of 40%44交通运输工程与信息学报第21卷（a）速度（b）加速度（c）车头间距（d）速度误差图15 CAV渗透率40%时集中分布无干扰的运动剖面Fig.15 Motion profile with a centralized distribution and no interference for a CAV penetration rate of 40%（a）速度（b）加速度（c）车头间距（d）速度误差图16 CAV渗透率40%时随机分布无干扰的运动剖面Fig.16 Motion profile with a random distribution and no interference for a CAV penetration rate of 40%李松 等：理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究45第3期（a）速度（b）加速度（c）车头间距（d）速度误差图17 CAV渗透率40%时均匀分布遭受干扰的运动剖面Fig.17 Motion profile with a uniform distribution and with interference for a CA