[论文解读] Measuring Impact of Adaptive and Cooperative Adaptive Cruise Control on Throughput of Signalized Intersections

Armin Askari, Daniel Albarnaz Farias+2 more|arXiv (Cornell University)|Nov 28, 2016

Traffic control and managementEngineering参考文献 5被引用 16

一句话总结

本文使用三种跟驰模型——Gipps、Helly 和改进型智能驾驶员模型（IIDM），评估自适应巡航控制（ACC）与协同式自适应巡航控制（CACC）在信号交叉口通行能力方面的提升效果。IIDM 模型因具有更真实的加速度与减速行为而被认为最为合适；CACC 仅在瓶颈交叉口处车辆形成车队时才能显著提升通行能力。

ABSTRACT

To properly assess the impact of (cooperative) adaptive cruise control ACC (CACC), one has to model vehicle dynamics. First of all, one has to choose the car following model, as it determines the vehicle flow as vehicles accelerate from standstill or decelerate because of the obstacle ahead. The other factor significantly affecting the intersection throughput is the maximal vehicle acceleration rate. In this paper, we analyze three car following behaviors: Gipps model, Improved Intelligent Driver Model (IIDM) and Helly model. Gipps model exhibits rather aggressive acceleration behavior. If used for the intersection throughput estimation, this model would lead to overly optimistic results. Helly model is convenient to analyze due to its linear nature, but its deceleration behavior in the presence of obstacles ahead is unrealistically abrupt. Showing the most realistic acceleration and deceleration behavior of the three models, IIDM is suited for ACC/CACC impact evaluation better than the other two. We discuss the influence of the maximal vehicle acceleration rate and presence of different portions of ACC/CACC vehicles on intersection throughput in the context of the three car following models. The analysis is done for two cases: (1) free road downstream of the intersection; and (2) red light at some distance downstream of the intersection. Finally, we introduce the platoon model and evaluate ACC and CACC with platooning in terms of travel time ad network throughput using SUMO simulation of the 4-mile stretch of Colorado Boulevard / Huntington Drive arterial with 13 signalized intersections in Arcadia, Southern California.

研究动机与目标

• 使用真实车辆动力学模型评估 ACC 与 CACC 对城市交叉口通行能力的影响。
• 比较三种跟驰模型（Gipps、Helly 和 IIDM）在估计交叉口通行能力与行程时间方面的性能。
• 确定 ACC 与 CACC 的车辆渗透率以及车队行为对交通流与排队动态的影响。
• 识别可最大程度减少行程时间且不引发下游瓶颈的车队最优条件。
• 基于美国马里兰州北贝塞斯市真实城市路网的 SUMO 仿真，提供实证验证。

提出的方法

• 使用三种跟驰模型（Gipps、Helly 和改进型智能驾驶员模型（IIDM））对车辆动力学进行建模。
• 在两种下游条件下模拟信号交叉口的交通流：自由道路与下游红灯。
• 分析最大车辆加速度率以及 ACC/CACC 渗透率对交叉口通行能力的影响。
• 引入车队模型以评估协同车辆运动带来的行程时间减少效果。
• 在包含 7 个交叉口的城市路网中进行 SUMO 仿真，比较特定路段在启用与禁用车队功能时的行程时间。
• 应用信号配时与车辆到达函数，评估不同交通组成与车队规则下的性能表现。

实验结果

研究问题

• RQ1 不同跟驰模型（Gipps、Helly、IIDM）在 ACC 与 CACC 条件下对交叉口通行能力估计有何影响？
• RQ2 提高 ACC 与 CACC 渗透率对交叉口通行能力与行程时间有何影响？
• RQ3 在何种交通条件下车队可显著减少行程时间，又在何种情况下会引发新的瓶颈？
• RQ4 车辆排列方式（集中于队首 vs. 混合排列于队列中）如何影响 ACC 与 CACC 的性能？
• RQ5 在何种条件下交叉口处的车队行为会导致网络性能提升或恶化？

主要发现

• Gipps 模型因加速度过于激进，导致通行能力估计过于乐观，超出理论平衡流率边界。
• Helly 模型产生不切实际的急剧减速，不适合用于评估驾驶舒适性与安全性。
• IIDM 模型在加速度与减速行为之间提供了最真实的平衡，是评估 ACC/CACC 影响的最佳选择。
• CACC 车辆仅在形成车队时才能实现显著的通行能力提升；若 CACC 车辆与普通车辆交错排列，则其表现等同于纯 ACC。
• 在 75% CACC 渗透率下，车队形成更频繁且规模更大，但导致下游交叉口过载，抵消了上游节省的时间。
• 在非瓶颈路段（如 AP3319 和 AP3299）启用车队功能无法带来行程时间改善，反而可能阻碍横向道路转弯，证实车队功能应仅限于瓶颈交叉口使用。