高速合流区安全与效率协同：预测﹣优化耦合控制策略

论文题目：A traffic control strategy for freeway merging zones cooperating safety and efficiency in the intelligent connected environment of mixed vehicles

第一作者：张朗 东南大学25级博士研究生，

E-mail：30258502@seu.edu.cn。

通讯作者：丁恒 教授，博士生导师，道路与交通工程系主任、交通工程研究所所长。主要从事智能交通控制、网联与自动驾驶、智能测控技术及应用领域的相关研究与工程实践。

E-mail：dingheng@hfut.edu.cn。

高速合流区安全与效率协同：预测﹣优化耦合控制策略

论文摘要

本文针对混合车流高速公路合流区车辆交互强度大、潜在冲突多、效率低的问题，提出一种安全与效率协同的车辆轨迹控制策略。作者首先在车辆层面构建多目标非线性混合整数规划，以优化 自动驾驶网联车辆（CAV）的纵向速度和换道行为；然后利用 Transformer 神经网络预测不同权重下的交通状态，并在 Pareto 前沿 中自适应选择最优权重。该策略通过迭代使各车辆决策趋于一致；案例分析表明，即使 CAV 渗透率仅为 20%，该策略也能将总停车延误降低 48.7%，将 时间积分 TTC（TIT）降低 72.2%。

一、研究背景与问题动机

高速公路合流区连接主线与匝道，是交通系统的瓶颈。混合车流中，人驾车辆（HV）与 自动驾驶网联车辆（CAV）在速度、换道意图和安全需求上差异明显，这种差异导致车辆交互复杂、冲突频发、排队严重。传统的匝道信号控制或宏观流量控制难以直接影响微观驾驶行为，难以消除合流过程产生的空隙。基于轨迹规划的控制方法可提前为匝道车辆创造安全间隙，但现有方法多集中于分布式协同，侧重单个或少数车辆，无法在系统层面显著提升效率。因此，需要一种兼顾安全与效率的系统级控制框架。

二、模型框架与场景假设

2.1 场景与假设

论文假定控制区域内存在两条主线车道和一条匝道，在中心点 P 处设有通信半径为  的圆形控制范围；主线诱导区长度 ，合流区长度 ，匝道诱导区长度 ，系统共控制四类车辆：CAV 卡车、CAV 轿车、HV 卡车和 HV 轿车。假设 CAV 与车辆/基础设施 之间通信可靠；CAV 具备实时求解优化问题的能力；CAV 车与 CAV 卡车的物理性能不同但驾驶行为相同。

下图展示了合流区控制场景示意图。不同颜色表示 CAV 与 HV 车辆，分别标示诱导区及合流区的长度。

2.2 控制框架

整套控制策略基于 模型预测控制（MPC） 框架，由两部分组成：

• CAV 行为决策模型（BDM）：在车辆层面求解多目标非线性混合整数规划，以最大化车辆行驶距离并最小化碰撞风险。。
• 自适应权重模型（AWM）：利用 Transformer 预测不同权重下的交通状态，通过动态权重选择使系统在 Pareto 前沿 上取得最佳综合表现。

框架通过控制指令更新 CAV 行为并迭代优化决策。

三、CAV 行为决策模型（BDM）及求解算法

3.1 HV 轨迹预测模型

混合车流中 HV 的跟驰行为分为四种组合（车跟车、车跟卡车、卡车跟车、卡车跟卡车）。作者采用改进的 智能驾驶模型（IDM） 预测 HV 的纵向加速度：

其中  为车辆  与其前车在时刻  的速度差， 为前车长度， 为期望头距， 为安全时间头距， 和  分别为最大加速度和最小减速度。

3.2 目标函数与约束

BDM 希望在预测时域内最大化 CAV 的行驶距离并减少换道及速度突变，同时最小化碰撞风险。作者定义两项目标函数：

其中  为权重系数， 是左右换道决策变量。 通过惩罚频繁换道和加速变化提升道路容量； 则基于逆 TTC 指标衡量碰撞风险。

约束包括：

• 运动学约束：位置、车道和速度的递推关系，

• 速度与加速度限制：。

• 换道频率约束：连续 5 个离散步长内换道次数不得超过一次。

• 安全距离约束：与前后车保持最小间距 等。

• 匝道车辆需在规定距离内完成并入。

3.3 求解算法

由于多目标规划非凸且整数变量多，作者使用 非支配排序遗传算法 NSGA‑II 进行求解。该算法通过初始化控制方案群体，计算每个方案的  和 ，进行快速非支配排序、交叉变异、拥挤度比较并迭代直至收敛。最终得到均匀分布的 Pareto 前沿 作为行为决策库，为后续权重选择提供基础。

四、自适应权重模型（AWM）与 Transformer 预测

4.1 动态权重思想与模型

多目标权重在传统方法中常固定为某一线性组合，这会导致解只落在凸集上，不能覆盖整个前沿。作者提出自适应权重模型：对于 NSGA-II 得到的  个非支配解，根据目标函数  的取值顺序引入离散权重 ，然后使用 Transformer 预测每个  对应的交通状态，选择使速度标准差  和平均速度损失  的加权乘积最小的权重。

权重选择的优化函数为：

其中动权函数

使得在危急接近碰撞（TTC 较小）时增加对安全的权重，在自由流状态下强调效率。

下图展示了自适应权重模型的结构：左侧示意散点与 Pareto 前沿，中间为 Transformer 编码器‑解码器，右侧通过 sd 和  的权重区块选取最佳控制权。

4.2 Transformer 网络

与传统循环神经网络不同，Transformer 采用 编码器‑解码器 架构与 多头自注意力 机制，在获得序列特征的同时并行计算注意力，提高训练效率。其核心是 点积注意力：

其中 、、 分别为查询、键和值矩阵， 为向量维度。多头注意力则将  经过不同线性变换获得  个头并组合结果。这种机制能捕捉长时依赖并兼顾多个假设。

Transformer 输入包括车辆位置 、车道 、速度 、加速度 、当前权重 、道路上 CAV 与卡车的渗透率、密度 、平均速度  和速度标准差等 10 个特征；输出为预测时刻的密度、平均速度和标准差。模型在 NGSIM 数据集上训练，表现优于 RNN 和 LSTM，MAE/MSE/RMSE 指标均略低。

下图为 Transformer 神经网络结构示意：

五、协同控制过程

在 MPC 框架下，策略通过以下步骤循环执行，以实现车辆之间的协同：

1. 信息预测：系统预测控制区域内 HV 的轨迹，并共享给所有 CAV 和控制中心。
2. 动态权重：依据实时状态，将 CAV 状态输入预训练的 Transformer，计算最优权重 ，此步骤在系统迭代之外独立执行。
3. CAV 轨迹求解：各 CAV 根据历史预测轨迹在  区间求解一组控制方案，并按照权重  从 Pareto 前沿选取最佳方案。
4. 迭代优化：控制中心接收各 CAV 的决策结果，并依据系统目标函数  评估整体系统性能；若未收敛，则返回步骤 3 进行下一轮协同迭代，直至达到最大迭代次数。
5. 控制执行：将最终方案下发给 CAV 执行，并保证不存在碰撞风险。
6. 结束：进入下一控制周期，滚动优化。

六、案例分析与结果讨论

6.1 参数设置

仿真实验采用真实流量数据：NGSIM 数据集 I‑80 段 5:00–5:30 数据，主线两车道、匝道一车道，仿真时长为 1800 s，其中 1000 s 开始施加控制。HV 纵向跟驰模型使用改进 IDM，CAV 采用 ACC 模型，自由换道行为由 MOBIL 模型描述，预测时域 、控制时域 。主要参数如车长、期望头距、加速度界限等列于表 2。

6.2 基础场景对比

图 6 比较了三种控制情景下每个车道的车辆轨迹：无 CAV、少量未控制 CAV、少量控制 CAV。结果表明：

• 在无 CAV 和未控制 CAV 情景下，车辆排队明显，匝道车辆入主线过程中频繁停走，停车延误较大。
• 在 BDM‑AWM 情景下，CAV 提前换道并利用多次换道避让，提高了匝道合流效率；与无 CAV 情景相比，总停车延误减少 14.3%，比未控制 CAV 情景减少 7.6%，TIT 指标下降 3.7%。
• 控制后的 CAV 通过预判合流态势主动让行，在主线形成安全间隙，体现出系统层面的协同。

6.3 综合场景与结果

在更复杂的 20%/60%/100% CAV‑15% 卡车渗透率场景下，作者比较了无控制（NC）、仅 BDM 和 BDM‑AWM 三种策略的效果。主要发现包括：

• 强制换道减少：在 BDM 情景下，强制换道次数相对 NC 情景降低 48.9%～59.3%；BDM‑AWM 再次降低 9.7%～21.3%。
• 停车延误下降：统计 27 种场景中不同 CAV 与卡车渗透率组合的总停车延误，图 9 显示 BDM‑AWM 在所有条件下均达到最低值，且卡车数量即便很小也会成为“移动瓶颈”，BDM‑AWM 能有效缓解这一问题。
• 安全性提升：以时间积分 TTC（TIT）衡量安全性，BDM‑AWM 情景的平均 TIT 减少 67.8%，显著优于仅 BDM 的 59.7%，说明自适应权重更能保障安全。
• 迭代次数与渗透率关系：敏感性分析发现，20% CAV 渗透率时系统在两次迭代后基本收敛，60% 时需三次，100% 时需五次；卡车存在对收敛次数影响不大。
• 权重分布与交通状态：在 60% CAV‑5% 卡车场景下，根据流量大小不同，优先效率或安全的权重分布不同，流量高时效率优先，流量低时安全优先。
• 模型鲁棒性：考虑有感知缺失的 HVW 或采用不同跟驰模型（OVM），控制效果仍能保持较好，性能下降不超过 15%，表现出一定抗干扰能力。

七、结论与创新点

7.1 研究结论

1. 解决混合车流瓶颈问题：通过构建基于 MPC 的分布式 CAV 行为决策模型（BDM），在合流区提高了行驶效率并降低了安全风险。
2. 协同带来更大收益：随着 CAV 渗透率提高，车辆协商机会增多，协同控制效果显著提升。结合自适应权重模型的 BDM‑AWM 比单纯 BDM 在效率和安全两方面均有更大改进，尤其在安全性上差异明显。
3. 混合车辆环境更适用：协同控制有效消除了混合车流中不同车辆交互导致的随机性，提高了系统鲁棒性。

7.2 创新点与亮点

• 双层控制框架：首次将 CAV 微观决策与系统级自适应权重结合在合流区控制中。BDM 通过非线性混合整数规划考虑了行驶距离、换道及碰撞风险；AWM 利用 Transformer 预测实现动态权重选择，克服了传统线性加权方法只能覆盖凸解集的不足。
• 改进 HV 预测与合作机制：采用改进 IDM 预测 HV 轨迹，并通过安全间距约束实现 CAV 之间及 CAV‑HV 之间的合作，避免碰撞。
• 迭代式协调优化：通过在线滚动优化与车辆间信息共享，CAV 在不断迭代中协调决策，保证系统最终收敛到最优区域。
• 广泛案例验证：基于 NGSIM 实测数据和多种渗透率场景验证了策略有效性；结果显示即便 CAV 比例较低，仍可显著改善拥堵并提高安全性。
• 模型鲁棒性分析：考虑了无感知 HVW 和不同跟驰模型带来的不确定性，证明了控制策略在多种扰动下依旧稳定。

7.3 未来工作

作者指出，当前模型主要依赖滚动优化处理系统扰动，缺乏理论上的鲁棒性保障；未来可深入研究更加精确的 HV 预测模型并探索更高渗透率下的系统稳定性。

通过深入解读该论文，我们可以看到 MPC + Transformer 协同框架在混合车流合流控制中的巨大潜力。它不仅为交叉口、收费站等其他瓶颈区域的控制提供了借鉴，也为智能网联环境下的自适应交通管理开辟了新的方向。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。