6月17日，中國智能交通協(xié)會在上海舉辦了以“創(chuàng)新·共享·合作”為主題的“2021智能交通科技發(fā)展論壇”，十三五科技部國家重點研發(fā)專項“綜合交通與智能交通”項目中具有突出成果的北京交通發(fā)展研究院、公安部交通管理科學研究所、清華大學、北京航空航天大學、同濟大學、交通部公路科學院、深圳市城市交通規(guī)劃設計研究中心、中國民航局第二研究所等8家課題承擔單位在論壇上進行了成果分享。

          8個項目課題中，與智能網(wǎng)聯(lián)、車路協(xié)同相關(guān)的有4個，大多屬于前瞻性研究，主要著眼于未來智能網(wǎng)聯(lián)、自動駕駛車輛逐步普及后，對交通管理、交通組織、交通出行等環(huán)節(jié)的影響。我國在發(fā)展無人駕駛汽車技術(shù)路徑采用的是協(xié)同智能，在這一思路的指導下，政府和產(chǎn)業(yè)界都在推動智能網(wǎng)聯(lián)汽車與路側(cè)智能設施協(xié)同發(fā)展。

          在常人來看，智能汽車和智能路側(cè)設施建設，會有一個“先有蛋還是先有雞”的問題，但在學術(shù)研究層面，則是要為這兩者協(xié)同推進提出理論和設計落地路徑，并沒有先后之分，實際上，國家推出的政策也有這方面的考量。

          2020年8月，住建部、中央網(wǎng)信辦、科技部、工信部、人保部、商務部、銀保監(jiān)會等7部委印發(fā)了《關(guān)于加快推進新型城市基礎設施建設的指導意見》，要求推進新型城市基礎設施建設，其中包括協(xié)同發(fā)展智慧城市和智能網(wǎng)聯(lián)汽車（現(xiàn)在被通稱為“車城網(wǎng)”），今年4月，北京、上海、廣州、武漢、長沙、無錫等6個城市被住建部、工信部等兩部委確定為智慧城市基礎設施與智能網(wǎng)聯(lián)汽車協(xié)同發(fā)展第一批試點城市。

          因此，我們看到重點專項入選項目“城市多模式交通系統(tǒng)協(xié)同控制關(guān)鍵技術(shù)與系統(tǒng)集成”，就是要解決路端交管設備，如各類感知監(jiān)控設備、信號控制、誘導以及各類交管系統(tǒng)與智能網(wǎng)聯(lián)系統(tǒng)的融合交互、協(xié)同，實現(xiàn)數(shù)據(jù)的橫向連接和縱向交互。實際上，國際上也已經(jīng)提出了“融合感知”的概念，也就是車端和路端所采集到交通數(shù)據(jù)接入到統(tǒng)一的數(shù)據(jù)處理單元中，提高車輛對環(huán)境的感知能力，從而提升車輛行為決策的能力。當然，該項目更多考慮的是智能網(wǎng)聯(lián)新技術(shù)環(huán)境下，建立大數(shù)據(jù)交互應用體系，借力智能網(wǎng)聯(lián)來提升交通管控系統(tǒng)的效率和能力。

          項目“車路協(xié)同環(huán)境下車輛群體智能控制理論與測試驗證”主要要解決未來5~10年，車輛、路側(cè)設備逐步聯(lián)網(wǎng)、平臺建成以后，所面臨的車輛群體控制挑戰(zhàn)，而進行理論探索。未來，傳統(tǒng)的集中、分布式控制就不再適用，要根據(jù)不同的應用場景推行泛在分布式系統(tǒng)，考慮效率、安全問題，就要應用情景驅(qū)動下的動態(tài)集中式交通群體智能決策與協(xié)同控制機制，同時要分級實現(xiàn)系統(tǒng)優(yōu)化、路權(quán)分配和軌跡規(guī)劃。且要研究不同滲透率對交通特性的不同影響。比如滲透率10%的時候，網(wǎng)聯(lián)車要受常規(guī)車的影響，當超過50%以后，網(wǎng)聯(lián)車可能就會影響傳統(tǒng)車輛的駕駛行為。

          項目“車路協(xié)同系統(tǒng)要素耦合機理與協(xié)同優(yōu)化方法研究”則是要充分地利用自動駕駛、網(wǎng)聯(lián)汽車帶來的信息優(yōu)勢和控制優(yōu)勢進行交通系統(tǒng)的優(yōu)化。項目在包括交叉口的協(xié)同通行、車道資源與信號配時協(xié)同，路段的行駛軌跡優(yōu)化與引導，路網(wǎng)的多車協(xié)同通行優(yōu)化、交通信號自適應協(xié)同優(yōu)化，多路口混行車輛軌跡協(xié)同優(yōu)化等場景，都進行了大量的仿真設計和計算。

          前三個項目，多是從車輛智能控制、交通管理、交通系統(tǒng)優(yōu)化等方面進行研究，而項目“大規(guī)模網(wǎng)聯(lián)車輛協(xié)同服務技術(shù)與應用”更多聚焦于出行，尤其是預約出行，本質(zhì)是對高峰時段的出行需求在時間和空間上重新分配，將一部分在路上排隊的出行變?yōu)樵诩业却０葱枧渲媒煌ㄙY源，統(tǒng)籌多種交通方式，按照換乘時刻及當時換乘地的運力實現(xiàn)換乘精準匹配，編制出行時刻表，協(xié)調(diào)交通系統(tǒng)供需關(guān)系。隨著智能網(wǎng)聯(lián)汽車的逐步普及，未來每個人、每輛車、每個過程在交通中都應該是高強度信息化，所有出行、所有交通工具都全程信息化之后，預約出行將可能普及。

          我們來具體看下這四個項目的研究進展：

          項目一、城市多模式交通系統(tǒng)協(xié)同控制關(guān)鍵技術(shù)與系統(tǒng)集成

          城市多模式交通系統(tǒng)協(xié)同控制關(guān)鍵技術(shù)與系統(tǒng)集成專項，就是圍繞多模系統(tǒng)網(wǎng)聯(lián)交互與數(shù)據(jù)賦能環(huán)境下，智慧交通管控如何提升的問題。

          項目負責人之一、公安部交通管理科學研究所副所長劉東波表示，該課題的主要研究內(nèi)容，是如何用新技術(shù)、新思維賦能交通智能管控，如何實現(xiàn)道路交通組織與控制精細協(xié)同，如何用AI提升管控智能化，如何用大數(shù)據(jù)支撐解決方案與協(xié)同服務。

          有了大數(shù)據(jù)平臺，如何協(xié)同各應用系統(tǒng)？這是課題創(chuàng)新具體的實踐點。

          項目主要成果與應用

          課題到目前已經(jīng)初步凝練幾個方面的成果：

          1、三套應用體系。

          （1）構(gòu)建以交通管控為核的多模交通系統(tǒng)網(wǎng)聯(lián)大數(shù)據(jù)規(guī)范交互體系，實現(xiàn)多模交通系統(tǒng)與管控平臺間信息交互；

          （2）構(gòu)建“智慧大腦”+“手腳”智能體的協(xié)同管控應用架構(gòu)體系，明晰公安交管大腦的實施路徑。

          （3）形成場景化的交通協(xié)同靶向優(yōu)化方法治理體系，實現(xiàn)對復雜交通問題的精準刻畫與有效治理。

          2、一大協(xié)同平臺。基于“智能腦+執(zhí)行體”的交通協(xié)同管控平臺，也就是“大腦”和“手腳”的結(jié)合。

          3、四類場景應用。

          信號實時優(yōu)化控制系統(tǒng)、無專用道公交優(yōu)先系統(tǒng)、擁堵熱點主動調(diào)控系統(tǒng)、可變車道動態(tài)控制系統(tǒng)。

          4、兩項核心設備。

          AI智能視頻感知設備和邊緣計算設備（多元物聯(lián)信息交互設備），從而實現(xiàn)感知數(shù)據(jù)與信號控制特征參數(shù)實時關(guān)聯(lián)匹配。

七個方面的代表性成果

          一是，實現(xiàn)路口/路側(cè)前端設備的互聯(lián)互通，行業(yè)內(nèi)、外中心系統(tǒng)的共享交互。劉東波表示，以往交管系統(tǒng)的數(shù)據(jù)基本上是縱向發(fā)展，很多系統(tǒng)都是煙囪式，一股腦朝前走，從來沒有做橫向的事，現(xiàn)在要做橫向互通，難度很大，從而投入了很大的精力來解決前端感知和信號機通信協(xié)議標準、邊緣計算和路側(cè)設施相連的數(shù)據(jù)標準等的統(tǒng)一規(guī)范問題，希望未來能將橫向與縱向數(shù)據(jù)匯聚起來。

          二是實現(xiàn)網(wǎng)聯(lián)數(shù)據(jù)匯聚支撐。

          這些年各種新技術(shù)、新概念太多，落地卻很少，劉東波認為，主要是因為缺數(shù)據(jù)匯聚支撐框架、缺標準體系。比如如何做好交通數(shù)據(jù)在多場景應用，如何讓警力發(fā)揮作用，信號控制不可能解決所有的問題。同時，如何借助網(wǎng)聯(lián)車進行智能分析判斷，“大腦”不是萬能的，更多是在做診斷和評估，給信號配時中心再做一個支撐。

          三，場景化交通協(xié)同優(yōu)化方法。

          有了數(shù)據(jù)匯聚支撐，有大數(shù)據(jù)平臺，就要做好研判、診斷和評估。針對這三個環(huán)節(jié)，要想做好優(yōu)化，得先把三個環(huán)節(jié)所需要的指標體系清晰地、精準地列出來，然后研究算法，形成算法庫，集成為算法層，服務于診斷、評估，有了這些后，就可以形成很多針對具體場景的優(yōu)化治理方法，以案例指南為向?qū)?，得出可能最?yōu)方案模型。

          四，感控一體化路側(cè)邊緣控制成套設備。

          一是對視頻設備智能化進行提升，除了車牌、速度、流量等進行識別分析外，還要更智能，比如不同車輛、天氣條件下，排隊的車間距以及總體的排隊長度都不一樣，而交通信號控制的感應控制或者自適應控制，需要有路口前車輛排隊時時的車頭時距，圖形化動態(tài)展示，從而更好的反饋給信控系統(tǒng)。

          二是邊緣計算單元。通過邊緣計算單元，一是更好的感知整個路口的交通環(huán)境和交通變化（全息路口），二是通過該計算單元實現(xiàn)信號聯(lián)網(wǎng)管控，全國有20多萬信號控制機，不可能為了集中管控而拆掉大部分，有了邊緣計算單元，讓不同廠家不同型號的信號機都可以接入中心平臺，加上之前的數(shù)據(jù)分析，還可以更好提升信號控制機的智能化程度。

          交通需求與通行效率導向。

          此前，路口通行效率低與信號智能化程度低，相位切換精準度、智能化程度低，需要研發(fā)信號實時優(yōu)化控制系統(tǒng)。怎么做？感知端采集的交通狀態(tài)和信號機參數(shù)結(jié)合，采用動態(tài)貝葉斯網(wǎng)絡建模，然后采用機器學習，學習信號特征參數(shù)，進行迭代學習控制。

          面向高峰交通擁堵場景。

          首先是要做擁堵溯源，通過卡口等數(shù)據(jù)實現(xiàn)；其次是優(yōu)化控制策略，溯源后對上游路口進行流量調(diào)控，或者利用高德百度以及情報板誘導引流，減少擁堵；再就是采用精細化管理，比如借道左轉(zhuǎn)、潮汐車道、可變車道等來調(diào)整交通流。

          七，大數(shù)據(jù)支撐/系統(tǒng)協(xié)同。

           交通大腦、交通大數(shù)據(jù)平臺能干什么？研判、診斷、預警、預案優(yōu)化、評估、指揮調(diào)度，這是平臺的功能。而傳統(tǒng)交通管控平臺開放程度低，數(shù)據(jù)交換能力有限。在課題示范城市，交警和高德相互開放數(shù)據(jù)，相互對接，交警把信號配時、交通管制信息給高德，高德計算后，把可能造成擁堵的車輛盡可能誘導換路，這就是導航疏堵。車路協(xié)同也是這樣的應用架構(gòu)，項目圍繞應用場景在推進。

          下一步，將在五個示范城市選取代表性的場景進行落地，做好各項功能系統(tǒng)應用的測試驗證，以及效果的測評工作。未來能夠讓大數(shù)據(jù)可獲取、可用，能夠讓AI有用武之地，讓感控更加智能化，讓協(xié)同更接地氣。

          項目二：車路協(xié)同環(huán)境下車輛群體智能控制理論與測試驗證

           該項目面向未來車路協(xié)同環(huán)境下人車路異構(gòu)交通主體構(gòu)成的新型混合交通系統(tǒng)，針對其自組織、網(wǎng)絡化、非線性、強耦合、泛隨機和異粒度等特征，以車路協(xié)同環(huán)境為基礎平臺，以交通管理控制為應用對象，以仿真分析和實車測試為驗證手段，重點研究復雜混合交通群體智能決策機理與協(xié)同控制理論，攻克車輛群體智能協(xié)同控制關(guān)鍵技術(shù)。 

           項目負責人之一、清華大學張毅教授表示，該項目就是要解決未來10年后，所有的車輛、路側(cè)設備聯(lián)網(wǎng)，平臺建設以后，所面臨的車輛群體控制挑戰(zhàn)，進行理論探索。

          項目研究第一部分，車路協(xié)同與群體智能。

          現(xiàn)在人、車、路等交通要素通過各種通信方式連起來，使得傳統(tǒng)的交通系統(tǒng)發(fā)生了根本性的變化，從而使得獲得每一輛車的動靜態(tài)信息，了解每一個人的出行行為成為了可能。因此，傳統(tǒng)交通系統(tǒng)存在，但我們沒有發(fā)現(xiàn)、或者無法發(fā)現(xiàn)的特性出來了：

          （1）所有車輛都是自組織，但此前研究交通系統(tǒng)的時候忽略了這個，因為沒有辦法研究每一輛汽車的自組織特性問題；

          （2）所有的車輛實現(xiàn)網(wǎng)聯(lián)，在傳統(tǒng)交通系統(tǒng)下沒辦法獲得，也只能忽略掉。

          （3）交通的隨機性。每個出行者需求每天不一樣，于是造成交通系統(tǒng)里的復雜特性凸顯，這些原來不是沒有，而是因為此前技術(shù)手段不夠，信息拿不到，即便知道了，也無從下手分析。

          現(xiàn)在可以對每一輛車的運行狀態(tài)、行為，甚至決策都能夠了解，那么對于交通的整體控制和調(diào)控，將會發(fā)生一些革命性的變化。

          此外，隨著智能網(wǎng)聯(lián)車輛甚至無人駕駛車輛逐步上路，道路交通將進入到混雜狀態(tài)，這對交通控制也是一個巨大挑戰(zhàn)。

          第二部分，協(xié)同決策與智能控制。

          針對新的交通情況，傳統(tǒng)的集中、分布式控制就不再適用，就要根據(jù)不同的應用場景推行泛在分布式系統(tǒng)，考慮效率、安全問題，就要應用情景驅(qū)動下的動態(tài)集中式交通群體智能決策與協(xié)同控制機制，同時要分級實現(xiàn)系統(tǒng)優(yōu)化、路權(quán)分配和軌跡規(guī)劃。

          如何實現(xiàn)？我們提出了體系框架，基于三層智能決策與協(xié)同控制機制的泛在分布式和動態(tài)集中式適用場景，和交通具體應用結(jié)合。第一個層次，構(gòu)建大的體制；第二個層次，要把交通控制的安全、能效、排放的具體需求和決策結(jié)合起來；第三個層次，進行系統(tǒng)的局部優(yōu)化和交通控制中的路權(quán)分配，路權(quán)分配確定以后，實現(xiàn)車輛的軌跡優(yōu)化。

          用這三個層次的分級，把復雜系統(tǒng)有機地結(jié)合起來，再結(jié)合具體的應用，解決特定場景的問題，比如說匝道、路口、路段，所有復雜的場景還可以結(jié)合起來，集成起來，綜合起來。這樣的情況下，找到具有普適性情況下的科學求解方法，使得理論研究的落地和交通系統(tǒng)結(jié)合起來。這里面最主要、最復雜、最難實現(xiàn)的是路權(quán)分配問題，路權(quán)分配的求解方法也是項目中非常重要的創(chuàng)新點。所以要考慮到普適模型怎么求解，怎么把行駛安全、通行效率和能耗排放三因素嵌入進去。安全考慮，要把它放到路權(quán)分配里，也需要放到軌跡規(guī)劃里，于是構(gòu)建了集中式和分布式的普適模型。包括群體決策，要把群體決策智能約束放到模型里，讓抽象、復雜的問題具體化，用模型求解。這就涉及到超高維的計算問題，項目要突破狀態(tài)重構(gòu)問題，要解決時空關(guān)系中帶來超高維的決策計算問題，之后，再和具體的問題結(jié)合。比如路權(quán)分配怎么做？可以探索用人工智能、機器學習，探討最好的一種解決方案。

          第三部分，決策控制與應用實現(xiàn)。

          新型混合交通場景下城市道路智能協(xié)同控制實現(xiàn)?，F(xiàn)在可以通過車路協(xié)同車載終端，融合信號配時與車輛速度引導，為公交、特殊車輛提供信號優(yōu)先服務，協(xié)同控制的最高境界是信號配時變化信息能實時交互給車輛，甚至可以不用信號控制實現(xiàn)路口通行效率的最大化。但網(wǎng)聯(lián)化不是一步到位的，智能化設備裝車率不是一下就到100%，所以還要研究不同滲透率對交通特性的不同影響。比如滲透率10%的時候，網(wǎng)聯(lián)車要受常規(guī)車的影響，當超過50%以后，網(wǎng)聯(lián)車可能就會影響傳統(tǒng)車輛的駕駛行為。

          863重大科技專項-車路協(xié)同的項目里，列出15個典型的應用場景，我們希望再生成20個場景，這20個場景對車路協(xié)同的未來發(fā)展再引領5-10年。

          比如車輛與交通信號控制系統(tǒng)交互，信號系統(tǒng)根據(jù)上游匯集來的車隊調(diào)整配時，讓路口通行效率最大化，甚至可以對綠波帶進行升級，比如相位差是固定不變的，由于車路協(xié)同可以隨時獲得兩個路口之間所有車流量數(shù)據(jù)，從而讓相位差動態(tài)調(diào)整，使得通行效率提高。

           更遙遠的未來，高速、快速上的車輛，系統(tǒng)可以根據(jù)車輛類型、運行狀態(tài)，自主形成一個個車隊。比如1000輛汽車，每個車隊10輛車，就有100個車隊在高速、快速路上行駛，同一個車隊保持相同的運行狀態(tài)，當然就會出現(xiàn)車隊之間也會有換道，也會有超車。

          項目三、車路協(xié)同系統(tǒng)要素耦合機理與協(xié)同優(yōu)化方法

          該項目重點解決混行車路協(xié)同環(huán)境下駕駛?cè)孙L險認知與反應特性、車輛交互運動耦合機理、網(wǎng)絡交通流演變規(guī)律、時空資源和系統(tǒng)狀態(tài)協(xié)同優(yōu)化等關(guān)鍵科學問題，突破駕駛意圖識別、車輛交互運動軌跡優(yōu)化、交通瓶頸識別與可靠性預測、車道資源-車輛軌跡-交通信號協(xié)同優(yōu)化、車路環(huán)境模擬與交通流一體化仿真等關(guān)鍵技術(shù)。

          項目負責人之一、北京航空航天大學教授魯光泉表示，要充分地利用自動駕駛、網(wǎng)聯(lián)汽車帶來的信息優(yōu)勢和控制優(yōu)勢進行交通系統(tǒng)的優(yōu)化。

          研究方向和內(nèi)容

          一是研究人車耦合關(guān)系。人和車之間到底是什么關(guān)系？這種關(guān)系在未來的智能網(wǎng)聯(lián)環(huán)境下有什么樣的變化趨勢？這些變化對未來的交通控制優(yōu)化有什么樣的影響？二是車和車之間的關(guān)系。三是車和路之間的耦合關(guān)系。四是在前三個研究的基礎上，探討在智能網(wǎng)聯(lián)環(huán)境下，對節(jié)點、交叉口、干道兩個交叉口之間，用什么樣的方法來優(yōu)化車的軌跡，優(yōu)化道路渠化，優(yōu)化信號控制。五是希望提出的理論方法得到印證。

          一、人車耦合關(guān)系。

          項目組嘗試建立一種通用的駕駛?cè)朔抡婺Ｐ?，不管是人開車還是機器開車，都有一個駕駛模型，在信息感知、處理、決策和操作上，有通用的特征。在這一模型下，來研究人開車在認知操作、駕駛反應等方面有什么樣的特征、什么樣的差異，在智能網(wǎng)聯(lián)環(huán)境下，不同的信息來了以后，不同人的操控特性會有什么樣的變化。

          項目組構(gòu)建了通用仿真模型，建立了駕駛員的四個屬性：生理屬性、感知屬性、決策屬性、操作屬性，由屬性層、表征層、認知層等組成，并用138個參數(shù)表示駕駛過程，將來實現(xiàn)自動駕駛，車也可以作為特殊的人，只不過感知屬性、決策屬性可控。

          隨著場景數(shù)量增長、爆炸，仿真模型也在不斷地爆炸、膨脹，基于這個，如何統(tǒng)一地描述人們的感知、決策？可以用統(tǒng)一的描述來表示不同交通要素對車輛運動決策的影響。

          項目組分析了駕駛?cè)苏J知與操作特性。開展了無/有車路協(xié)同信息的駕駛模擬器換道實驗，結(jié)果表明：提供車路協(xié)同信息的環(huán)境下，平均換道意圖時窗(4.95s)顯著長于傳統(tǒng)環(huán)境(2.75s)，換道時自車與障礙車距離更長，后視鏡注視次數(shù)(2.68)顯著高于傳統(tǒng)環(huán)境(1.55)；后視鏡注視時間也相對較高。車輛方向盤轉(zhuǎn)角速率更加平穩(wěn)，橫向加速度更加集中且值相對較小。另外，還分析了駕駛?cè)丝山邮軗Q道間隙和換道持續(xù)時間，結(jié)果表明：駕駛?cè)藘A向于在與前車交互時保留較大空間，與后車交互時接受較小空間；前車越快，駕駛?cè)藫Q道持續(xù)時間越短，而后車越快會使持續(xù)時間更長。

          構(gòu)建了駕駛行為感知與意圖識別模型。根據(jù)網(wǎng)聯(lián)環(huán)境下?lián)Q道意圖階段和車道保持階段的差異性特征，基于AT-BiLSTM（基于注意力機制的雙向長短時記憶網(wǎng)絡）建立了換道意圖識別模型，模型在車輛換道前0.5s的識別精度能夠達到98.46%；提出了ARIMA-OGD-Bi-LSTM混合模型，實現(xiàn)了對轉(zhuǎn)向行為短期準確預測：通行多車道路口中，在行為開始前1s的平均識別率達96.4%，前2s的平均識別率為84.8%。

          二、車車耦合關(guān)系。

          在路上，車與車一般有兩種耦合行為，一種是跟車走，第二個是換道、超車，在路口就復雜些，交叉口車與車之間的耦合關(guān)系更加復雜。項目組從不同角度分別構(gòu)建了不同的風險場模型。構(gòu)建了基于駕駛?cè)酥饔^風險量化的跟馳和換道模型，從NGSIM中選取典型案例，能夠有效擬合自然駕駛數(shù)據(jù)。構(gòu)建了道路環(huán)境風險場，在典型低風險換道測試場景下，縱向軌跡重構(gòu)誤差為0.8%，橫向軌跡重構(gòu)誤差為1.3%；在高風險加速換道測試場景下，縱向偏移誤差為2.8%，橫向偏移誤差為1.9%。并基于道路環(huán)境風險構(gòu)建了超車模型，基于風險場地圖搜索風險值最小的路徑，每隔t時刻生成車輛的參考軌跡。綜合現(xiàn)有測試場景，縱向偏移誤差為1.6%，橫向偏移誤差為1.8%。

          交叉口車與車耦合關(guān)系研究方面，項目組構(gòu)建了基于勢能場的交叉口通行模型，選取長春市某交叉口進行高空攝像調(diào)查，結(jié)果顯示，直行案例軌跡重構(gòu)平均誤差為4.6%；左轉(zhuǎn)案例軌跡重構(gòu)平均誤差為6.3%；右轉(zhuǎn)案例軌跡重構(gòu)平均誤差為6.7%。從而對交叉口混行車輛隊列跟馳行為進行仿真，仿真了兩種類型AV車輛的交叉口通行行為，結(jié)果表明：AV隊列穩(wěn)定性和速度波動性會嚴重影響交叉口通行效率；仿真并計算了MV&AV混行時排隊車輛的損失時間，結(jié)果表明：AV在隊列中位置越靠前，越有利于減少排隊損失時間；AV數(shù)量增多一定會減小排隊損失時間；AV數(shù)量有限時，AV分散分布更有利于降低排隊損失時間。

          三、車路耦合關(guān)系。

          如果路網(wǎng)里摻雜不同比例的智能網(wǎng)聯(lián)汽車，宏觀基本圖、道路基本圖有什么變化，如何計算通行能力？對交通流密度和速度關(guān)系有什么樣的影響？怎么計算出行時間可靠性，如何發(fā)現(xiàn)路網(wǎng)的瓶頸？如果將來要把基本通行能力提高10%，反推回去，智能網(wǎng)聯(lián)汽車的性能需要達到什么程度？

          項目組構(gòu)建了混行單車道交通基本圖模型，并基于單車道流速密關(guān)系，構(gòu)建了基本圖參數(shù)與路段限速和CAV滲透率的解析式；給定限速條件下，低CAV滲透率下(0%~33.3%)，滲透率增加，通行能力提升33%；高CAV滲透率下(66.7%~100%)，通行能力提升83%。通過SUMO仿真各CAV滲透率下的單車道混行路段；不同CAV滲透率下仿真數(shù)據(jù)點與理論曲線基本貼合；隨著CAV滲透率提升，混行單車道的通行能力上升，相同密度下車道的平均速度上升。

          構(gòu)建了混行多車道路段元胞傳輸?shù)慕煌ɑ緢D模型；瓶頸路段，CAV零滲透率下，道路通行能力為950~1350PCU/小時/車道，66.7%CAV滲透率下，道路通行能力為2200~2400PCU/小時/車道。仿真測試表明：低滲透率下自由流受換道影響，無法保持最大速度；高滲透率下?lián)Q道對路段交通流影響減弱。

          構(gòu)建了路網(wǎng)宏觀基本圖，借助CAV實施動態(tài)控制管理策略獲得了更穩(wěn)定、形狀更好的宏觀基本圖。

          實現(xiàn)了路網(wǎng)出行時間可靠性預測。傳統(tǒng)的出行時間可靠性計算里采用智能圖像處理方法，但由于維度的增加，比如交通小區(qū)數(shù)量增加，就會帶來維度災難的問題，矩陣越來越大，算不下去，但用圖卷積神經(jīng)網(wǎng)絡的方法可以解決這個問題。項目組從路網(wǎng)交通狀態(tài)與出行時間可靠性關(guān)聯(lián)關(guān)系出發(fā)，提出基于路網(wǎng)拓撲結(jié)構(gòu)的“交通特征-交通狀態(tài)演化-網(wǎng)絡出行時間可靠性”兩層學習機制，并利用圖卷積神經(jīng)網(wǎng)絡GCN挖掘路網(wǎng)交通狀態(tài)與出行時間可靠性映射規(guī)律。結(jié)果表明，在多個不同的預測時間步長下，模型平均預測精度為85.95%。

          四、系統(tǒng)協(xié)同優(yōu)化。

          在前面幾個耦合關(guān)系研究基礎上，項目組計劃提出一套算法，來充分利用智能網(wǎng)聯(lián)汽車、自動駕駛汽車的優(yōu)勢，控制優(yōu)勢來使得交通系統(tǒng)更優(yōu)化。

          比如在單交叉路口的協(xié)同通行方面，通過描述典型交叉口環(huán)境下不同行駛方向車流間的沖突關(guān)系，提出了多車協(xié)同避撞條件及協(xié)同通行準則?？紤]CV車輛的不確定性，提出了CV/CAV混行的多車協(xié)同通行方法；仿真了同一交叉口流量水平下混行滲透率變化對通行效率的影響，結(jié)果表明：滲透率增加，CV車輛對群體車輛通行的影響下降，車輛平均延誤和延誤車輛比例也隨之降低。

          在路段行駛軌跡優(yōu)化與引導方面，確定了車輛在路段上的起始和終止條件，根據(jù)最優(yōu)控制理論建立了CAV車輛軌跡優(yōu)化模型，在不同的交通流量下，平均燃料消耗降低約15%；根據(jù)軌跡預測控制的思想來確定最優(yōu)引導指令，指導駕駛?cè)撕侠聿倏vCV車輛。仿真實驗表明，系統(tǒng)相鄰兩次發(fā)出指令的時間間隔較小時，引導效果較好。

          在路網(wǎng)多車協(xié)同通行優(yōu)化方面，選擇典型路網(wǎng)進行仿真實驗，結(jié)果表明：群體決策出行明顯優(yōu)于最短路線出行，能降低路網(wǎng)車輛平均延誤，提升路網(wǎng)交通服務均衡性。

          在單交叉口混行車道資源與信號配時協(xié)同優(yōu)化方面，針對自動駕駛專用道問題，構(gòu)建了一套混合整數(shù)線性規(guī)劃模型，給定交叉口幾何條件、網(wǎng)聯(lián)自動車輛和人工駕駛車輛交通需求，優(yōu)化混合行駛環(huán)境下交叉口渠化方案和信號方案，從而最大化交叉口通行能力。計算了四向三車道，四向四車道和四向五車道三組算例，結(jié)果表明，通行能力提升了15%。

          在混行路網(wǎng)交通信號自適應協(xié)同優(yōu)化方面，提出了分散反饋-全局協(xié)同的混行路網(wǎng)自適應交通信號控制策略，仿真結(jié)果表明：網(wǎng)聯(lián)車占比20%時，路口平均車輛排隊減小40%，路口平均車輛延誤減小40%。

          在多路口混行車輛軌跡協(xié)同優(yōu)化方面，基于生態(tài)駕駛模型和最優(yōu)控制理論，建立多目標CAV軌跡優(yōu)化模型，實現(xiàn)了低滲透率網(wǎng)聯(lián)軌跡優(yōu)化與混行交通流集群生態(tài)駕駛，基于VISSIM仿真混行車流，結(jié)果表明，平均行車能耗（/車/路口）節(jié)省了12%-24%。

          五、仿真與實地測試。

          為實現(xiàn)自動駕駛與人工駕駛的混行測試，項目組研發(fā)了多車模擬駕駛與交通仿真相結(jié)合的混行交通實驗系統(tǒng)。能模擬人工與自動駕駛系統(tǒng)感知、決策、操作特性，并與多臺駕駛模擬器在同一場景中交互。

           目前項目組已在交通部試驗場完成2個交叉口C-V2X的智能路側(cè)單元安裝（可寫入算法）、2個交叉口交通信號控系統(tǒng)的基礎布設、試驗車1+2 輛、智能車載終端2套（可寫入算法）

          在仿真測試方面，構(gòu)建了面向交通管控的車路協(xié)同策略有效性測試原型系統(tǒng)，定義了測試場景目標與功能，與仿真工具解耦，實現(xiàn)了車輛駕駛行為控制，滿足MV+CV混入模式下的不同仿真測試需求。

           項目四、大規(guī)模網(wǎng)聯(lián)車輛協(xié)同服務技術(shù)與應用

           該項目的研究方向是針對網(wǎng)聯(lián)車輛協(xié)同運行的迫切需求，重點突破大規(guī)模網(wǎng)聯(lián)車輛信息感知、融合互通、出行互助協(xié)作、時空協(xié)同服務等關(guān)鍵技術(shù)，建立大規(guī)模網(wǎng)聯(lián)車輛協(xié)同服務平臺，實現(xiàn)網(wǎng)聯(lián)車輛從位置監(jiān)管信息服務到安全生態(tài)、互助共享的協(xié)同服務。

           項目負責人、北京交通發(fā)展研究院院長郭繼孚表示，該項目圍繞終端信息網(wǎng)聯(lián)、網(wǎng)絡信息統(tǒng)合、云端出行協(xié)同三條主線，突破大規(guī)模網(wǎng)聯(lián)車輛的信息融合互通與出行時空協(xié)同優(yōu)化關(guān)鍵科學問題，并從云邊端以及端云協(xié)同四個方向開展研究與實踐。

          項目主要成果與應用

          端側(cè)，開展了終端設備研制與安全生態(tài)評價，包括研發(fā)基于環(huán)境感知、危險預警與交互服務關(guān)鍵技術(shù)的一體化智能車載終端、駕駛風險評估及危險預警系統(tǒng)、生態(tài)駕駛行為控制優(yōu)化系統(tǒng)等；

          路側(cè)，研發(fā)了智能路側(cè)信息融合原型系統(tǒng)，包括實現(xiàn)基于邊緣計算的路側(cè)激光雷達與攝像頭融合監(jiān)測模型，可支持路口交通信息感知、盲區(qū)監(jiān)測等場景應用。

          云平臺方面，研發(fā)形成大規(guī)模網(wǎng)聯(lián)車輛協(xié)同服務平臺,進行大數(shù)據(jù)分析與知識挖掘，包括網(wǎng)聯(lián)車輛畫像、異常特征辨識、貨車超載識別、道路停車監(jiān)測、信息安全監(jiān)測、協(xié)同服務等；

          端云協(xié)同方面，以預約和互助服務技術(shù)為核心，實現(xiàn)網(wǎng)聯(lián)車輛運行的時空協(xié)同。包括網(wǎng)聯(lián)車輛集群互助影響模擬、定向互助服務信息精準投放、實時需求響應與精準調(diào)控、超級時刻表編制技術(shù)，試點網(wǎng)聯(lián)車輛預約與互助出行服務等。

           幾個重點應用。

          一是預約。本質(zhì)是對高峰時段的出行需求在時間和空間上重新分配，將一部分在路上排隊的出行變?yōu)樵诩业却?。調(diào)節(jié)后，用戶仍可按照以往時刻通過，而無須排隊等待。同時，按需配置交通資源，統(tǒng)籌多種交通方式，按照換乘時刻及當時換乘地的運力實現(xiàn)換乘精準匹配，編制出行時刻表，協(xié)調(diào)交通系統(tǒng)供需關(guān)系。項目組在地鐵進站排隊進行了試點，通過手機端口供地鐵出行者預約排隊，15分鐘一個時間段，到該時間段到地鐵站可以經(jīng)專用通道進入，允許前后十分鐘誤差，超過則無效。試點效果很好，地鐵沙河站日均預約進站量4400人，人均節(jié)約排隊時間5分鐘，日節(jié)約排隊時間221小時。此外，項目組還在北京市回龍觀北橋路段試點預約通行，回龍觀西大街是雙向六車道的主干路，在單向三車道向一車道變化路段形成了交通瓶頸，常年擁堵。試點結(jié)果表明，用戶每一次錯峰出行為自己平均減少17到39分鐘的擁堵時間，同時這一次錯峰出行為整個系統(tǒng)減少76到97分鐘的擁堵時間。

           二是平臺。第一個是大規(guī)模網(wǎng)聯(lián)車輛智能化綜合監(jiān)測與大數(shù)據(jù)分析平臺。比如“天秤”系統(tǒng)，基于大規(guī)模網(wǎng)聯(lián)車輛及發(fā)動機運行數(shù)據(jù)，針對不同車型、速度、載重、坡度、道路類型等影響因素，建立了2.4萬組高分辨率的車輛和發(fā)動機工況圖譜庫，研發(fā)了車輛載重自學習人工智能算法與平臺系統(tǒng)，車輛發(fā)動機啟動并上路運行15分鐘后，系統(tǒng)就能判斷該車輛是否涉嫌超載，從而改變治超管控的模式。

          第二個是基于網(wǎng)聯(lián)車輛視頻數(shù)據(jù)的道路停車秩序監(jiān)測平臺?；趧討B(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)，結(jié)合圖像和視頻識別、GPS數(shù)據(jù)比對、GIS等技術(shù)手段，實現(xiàn)對違法停車信息的采集、識別以及評價結(jié)果的工程計算。北京計劃建立一個停車指數(shù)，各個區(qū)的停車管理做得怎樣實現(xiàn)對各區(qū)、各街道的實時考核，可以具體到每一個路段，這些都是基于網(wǎng)聯(lián)車輛視頻大數(shù)據(jù)來實現(xiàn)。該平臺以北京市西城區(qū)月壇街道作為試點區(qū)域，包含74條評價道路，監(jiān)測平臺于2020年12月23日正式上線。

          展望

          一是，具有交互服務能力的智能終端將大規(guī)模普及。未來每個人、每輛車、每個過程、每個時段都應該是高強度信息化，所有出行、所有交通工具都全程信息化之后，將各交通運輸方式協(xié)同起來，可以按需提供運輸方式，一個人打車，兩個人拼車，多人合乘，十幾人提供大巴，幾百上千人開一個專列，深夜還可以調(diào)度網(wǎng)約車、出租車、大巴來疏導。

           二是，預約應用場景逐步擴大。其實、可以創(chuàng)造一個不堵車的城市，以前不能是缺乏預約系統(tǒng)，缺乏保障的信用機制。為什么不能把一個車道拿出來做成預約通行車道？比如大部分的公交專用道利用率很低的，怎么辦？預約，一部分車輛預約之后就可以走公交專用道。我們有序地為每個出行者安排時序，可以造成一個不堵車的系統(tǒng)，這是網(wǎng)聯(lián)的功效。

          預約對提升道路通行效率有用嗎？這就像醫(yī)院掛號有用嗎？能解決醫(yī)療資源緊張嗎？當然解決不了，但是顯然可以解決無效排隊的問題。預約出行也就可以緩解擁堵的問題