混合駕駛環境下交叉口空間資源動態控制方法

蔣賢才，徐慧智

(東北林業大學，土木與交通學院，哈爾濱 150040)

0 引言

美國市場研究機構勒克斯研究報告顯示，預計2030 年全球范圍內將出售約1.2 億輛自動駕駛汽車，中國約占35%，人機混合駕駛時代即將來臨。自動駕駛也為解決交通擁堵問題提供了一種途徑，但道路交通擁堵疏解的關鍵在交叉口。

近年來，基于CAV (Connected-automated Vehicle)軌跡的可控性和CHV(Connected Humandriven Vehicle)速度的可誘導性，人機混合駕駛環境下交叉口時空資源優化配置已成為國際交通控制方向的研究前沿和熱點問題。優化對象從傳統的信號相位及配時(Signal Phase and Timing,SPaT)優化轉變到CAV軌跡與SPaT的分階段優化或聯合優化，同時優化目標呈現多樣化，如交叉口通行效率、CAV軌跡的平滑性、能源效率、環境效益等，但核心問題歸結為CAV 的軌跡優化。如Guo 等[1]提出一種基于動態規劃法和啟發式算法的優化方法，以在混合CHV和CAV環境中獲得接近最優的信號控制方案與CAV軌跡；Pourmehrab等[2]提出一種基于車輛軌跡控制的實時算法，旨在協同優化車輛的軌跡與信號控制參數；Yao 等[3]提出孤立交叉口交通信號和車輛軌跡的聯合優化框架，以減少汽油消耗和交通排放；李柏[4]基于多車初始位置、行駛目的及約束條件，對多車的軌跡進行求解；并研究了集中式MVMP(Multi-Vehicle Motion Planning)的大規模復雜約束與求解效率；王潤民等[5]以智能網聯汽車與網聯人工駕駛汽車混行的交通場景為研究對象，提出基于滾動優化的交通信號—車輛軌跡協同優化控制方法；劉天天等[6]構建智能網聯環境下交叉口混行車隊通行模型；劉春禹等[7]以自動駕駛車輛燃油消耗最小、通行效率最大為目標，構建人機混合駕駛環境下自動駕駛車輛軌跡優化模型，以對車輛進行動態軌跡規劃和控制；龐明寶等[8]提出不妨礙公交車優先通行，滿足換道動機和換道安全條件的智能網聯車借道公交車道的控制策略。

現有研究中，既有將CAVs 與CHVs 在交叉口進口車道中分離行駛的，如Rey 等[9]提出通過專用車道將CAVs 與CHVs 分開，在現有信號相位上設置一個僅供CAVs 使用的藍色相位，在藍色相位里通過優化CAVs的軌跡和進入交叉口的時間以防止沖突車輛碰撞；也有將CAVs 與CHVs 平等對待混合通行的，如Niroumand等[10]基于Rey和Levin的思想提出白色相位及其信號控制方法，當多個方向均出現CAV領頭的車隊時，插入一個白色相位，通過優化帶隊CAV 的行駛軌跡，使各個方向的車隊安全通過交叉口，但該方法無需CAV專用車道，CAVs與CHVs 在進口車道混合通行。在優化配置CAV專用車道方面，除宗芳[11]通過交通仿真界定不同CAV 比例、進口道車道數、交通量和信號配時方案組合情況下交叉口進口CAV專用車道的設置條件外，其他研究鮮有涉及CAV專用車道的適用條件，且已有研究對CAV 專用車道的配置都是靜態的。面向實時交通需求和交叉口幾何條件的多樣性，建立一種通用且動態的交叉口CAV專用車道優化控制方法，對完善交叉口信號控制理論、提升人機混合駕駛環境下交叉口時空資源利用效率具有重要的實用價值。

1 CAV專用車道動態配置方法

Bahrami 等[12]研究表明，混合駕駛車道(CAVs與CHVs 均可使用)的飽和流率受CAV 滲透率影響，即

式中：Sl,1為車道組l中CAV 專用車道的飽和流率(pcu·s-1)；Sl,2為車道組l中人工駕駛車道的飽和流率(pcu·s-1)；Sl,3為車道組l中混合駕駛車道的飽和流率(pcu·s-1)；pbl為車道組l中車道b的CAV滲透率。

從式(1)可以看出，混合駕駛車道的飽和流率并非隨CAV滲透率線性增長，將CAV和CHV分離行駛會有助于提高車道組(進而相位)的飽和流率，但需考慮不同類型車道綠燈時間利用率的平衡，否則會降低交叉口的控制效率。

假設所有車輛均為網聯車，進入交叉口交通信號控制機通信范圍內(5G 在密集的市區可靠通信距離大約在300～400 m)，其速度、位置、加速度等信息可實時獲取。在混合駕駛車道上，CAV跟馳前車(CHV 或CAV)行駛；在CAV 專用車道上，則優化CAVs 軌跡實現安全、高效通行。CAV 無專用交通信號，綠燈期間，相位內所有CAVs和CHVs均可進入交叉口。進口車道功能指示器用來顯示每條車道的功能，安裝在交通信號控制機通信范圍的邊界位置，以便在轉換車道功能時，CAVs與CHVs有充足的變道空間。

定義L為交叉口所有車道組的集合，Bl為車道組l中全部車道的集合，Ba,l、Bh,l和Bm,l分別為車道組l中全部CAV 專用車道、人工駕駛車道、混合駕駛車道的集合。Ibl為車道組l中車道b(b∈Bh,l或b∈Bm,l)上的全部車輛集合，Abl為車道組l中車道b∈Ba,l上的全部CAV集合。圖1為交叉口示例。

圖1 交叉口示例Fig.1 Example of supervising intersection

車道組l中車道變量(bl,1,bl,2,bl,3)的分配取決于未來一段時間CAV滲透率與交通流量的預測結果，信號配時參數(gl,k)由車道組l中全部車輛在時間tibl時的位置(xibl)和速度(vibl)等信息優化得到，加速度(aibl)用來控制CAV的運動軌跡。

1.1 優化目標

以交叉口全部車道組飽和流率最大為目標，同一車道組內不同類型車道流率比均衡為約束，建立的優化目標函數為

當bl,1≠0 且車道組l中的車道條數不小于2時，CAV專用車道、人工駕駛車道、混合駕駛車道由內至外的配置需滿足

式中：bl為車道組l中的車道條數；bl,1為車道組l中CAV 專用車道的條數；bl,2為車道組l中人工駕駛車道的條數；bl,3為車道組l中混合駕駛車道的條數；Vbl為車道組l中車道b∈Bl的交通流量(pcu·5 min-1)；γl為車道組l中CAV右轉車比例；σ為車道組l中評判每車道交通流是否均衡的閾值。

式(2)中，通過合理分配車道功能來實現車道組l飽和流率最大；式(3)用來約束車道組l中不同類型車道上的流率比要均衡，若同一車道組中不同功能車道的流率比不均衡，會導致信號配時參數在滿足最大流率比車道的同時，低流率比車道綠燈時間空耗；式(4)為車道數量約束。

1.2 CAV專用車道動態分配方法

定義綠燈時間有效利用率(el)與轉換指數(Cl)建立車道組l的動態車道分配方法。

(1)當車道組l中有CAV專用車道時

el用車道組l中CAV 專用車道的綠燈時間有效利用率代替，即

式中：hbl為車道組l中車道b的飽和車頭時距(s)；gl,k為第k周期車道組l的綠燈時長(s)。

轉換指數確立方法為

式中：ε1為低飽和度閾值；ε2為高飽和度閾值。

式(6)和式(7)表明，當車道組l中車道b∈Ba,l的el處于低或高水平時，轉換指數加1；否則，轉換指數重置為0。式(6)和式(7)用于確定何時重新分配車道組l中的車道。相關研究表明，當相位飽和度超過0.9時，交叉口容易發生交通擁堵[13]；而當相位飽和度低于0.6時，進口車道又未得到充分利用[14]，這些研究成果同樣適用于我國道路交通環境，如在《交通管理與控制》教材中，交通信號優化配時將流率比之和上界限定在0.9。本文中，綠燈時間有效利用率與相位飽和度相當。這表明，el＞0.9 時，進口車道交通需求過高，故有必要重新分配車道功能，以增加車道組l∈L的飽和流率來降低el，避免交通擁堵。同時，當el＜0.6 時，CAV 專用車道的有效利用率低，也需重新分配車道功能，以均衡不同類型車道的交通負荷。因此，本文中ε1=0.6，ε2=0.9。

當重啟服務于未來信號周期的車道功能分配時，需要預測未來一段時間各車道組的交通流量與CAV 滲透率。滿足精度要求的預測模型其預測的時間步長一般不小于5 min[15]、大于1 個信號周期。本文采用基于張量的方法(Tensor-based Approach)[16]來預測短時交通流量和CAV滲透率。

為避免在一個時間步長內重復預測，重新開啟車道功能分配的時間間隔應不小于預測數據的一個時間步長。因此，本文用3 作為轉換指數的閾值。即Cl,1=3 或Cl,2=3 時，車道組l將依據式(2)～式(4)重啟車道功能的劃分，然后重置Cl,1=0或Cl,2=0。

(2)當車道組l中無CAV專用車道時

el用車道組l中人工駕駛車道與混合駕駛車道的綠燈時間有效利用率代替，即

若該車道組中的車道條數不低于2 且式(9)中Cl=3，則重啟車道功能的劃分。

按照上述方法確定下一信號周期需變換某一車道組內車道功能時，及時更新車道功能指示器顯示內容，至于滯留在車道上的CHVs 或CAVs，因位于同一車道組內，車道功能的轉換并不改變交通流的流向和受同一綠燈信號控制的結果，在下一信號周期中清空。

2 CAV軌跡與信號配時參數協同優化算法

2.1 約束條件

(1)信號配時

式中：gl,max為車道組l的最大綠燈時長(s)；gl,min為車道組l的最小綠燈時長(s)；Il,k為第k周期車道組l的綠燈時間間隔(s)；i為車道組l中車道b上的車輛序號；xibl(t)為時刻t車道組l中車道b上車輛i的位置(s)；tl,k為第k周期車道組l綠燈開啟時刻(s)；d1為車道功能指示器與停車線之間的距離(m)；hbl為車道組l中車道b上的飽和車頭時距(s)；Tl為車道組l的啟動損失時間(s)。

式(10)為信號周期約束，式(11)為車道組l的綠燈時間范圍約束，式(12)用來確保綠燈(gl,k)不小于車道功能指示器與停車線之間排隊車輛的消散時間，當人工駕駛車道/混合駕駛車道轉變為CAV 專用車道時，清空車道內全部CHVs。

(2)車輛軌跡

式中：vibl(t)為時刻t車道組l中車道b上車輛i的速度(m·s-1)；aibl(t)為時刻t車道組l中車道b上車輛i的加速度(m·s-2)；aacc為最大加減速度(m·s-2)；vmax為最大限速(m·s-1)；vmin為最小限速(m·s-1)；Δt為一個時間單元。

式(13)和式(14)為車輛速度和位置更新遵循的基本運動方程；式(15)和(16)則將CAVs的速度和加速度限制在允許的范圍內。

(3)車輛跟馳

Panwai等[17]對Helly建立的跟馳模型進行了改進，以與現實世界的真實交通數據相一致，即

式中：dv為車輛長度(m)；ds為跟馳時相鄰車輛的安全距離(m)；τh為HV/CHV 的反應時間(s)；α1,α2為系數。式(17)中，第1 項考慮了前車和跟馳車輛間的相對速度，第2項考慮了連續車輛間的相對距離。本文人工駕駛車道和混合駕駛車道上CHV軌跡則依據式(17)進行更新。

CAV與前車需保持安全距離，該距離是安全車間距ds、車輛長度dv和CAV 反應時間內行駛距離τavibl(t)的函數，即

式中：τa為CAV的反應時間(s)。

2.2 協同優化算法

(1)基于CAVs可控軌跡優化相位綠燈時長

首先，估算CAV專用車道上第i輛CAV抵達交叉口停車線的最短時間，模型為

式中：vcross為通過交叉口停車線的目標車速(m·s-1)。

式(19)表示從時刻tl,k起車道組l中車道b上第i輛CAV 在無前車干擾的情況下從位置xibl(tl,k)到達交叉口停車線所需的最短時間。在式(19)中，第1 種情況對應僅有加/減速或減/加速過程，無勻速行駛階段；第2種情況，第1部分為加速過程所需時間，第2部分為從勻速到目標速度的減速過程所需時間，第3部分為勻速行駛時間。式(20)中，考慮了前車阻擋情況下第i輛CAV 從位置xibl(tl,k)到達交叉口停車線所需的最短時間，能整合成飽和車隊的，CAVs以飽和車頭時距相繼離開停車線；無法整合成飽和車隊的，表明其之前的車輛對該CAV 自由行駛無干擾，式(19)的計算結果即為最短時間。

依次計算車道組l在綠燈啟亮時刻tl,k車道b上第i輛CAV 與第i-1 輛CAV 各自到達交叉口停車線所需的最短時間。若ρibl(tl,k)-ρi-1,bl(tl,k)≤hbl，則表明能將第i輛CAV 與第i-1 輛CAV 整合成飽和車隊，此時綠燈時間延長至ρibl(tl,k)，繼續考察第i+1 輛CAV 與前車能否整合成飽和車隊?若ρibl(tl,k)-ρi-1,bl(tl,k)＞hbl，表明不能將第i輛CAV與第i-1 輛CAV整合成飽和車隊，此時考察第i輛CAV是否為另一個飽和車隊的頭車？若是，只要綠燈時間未達到最大綠燈時長，則綠燈時間延長至ρi+1,bl(tl,k)，然后從第i+2 輛CAV開始再依次考察能否整合成飽和車隊；若不是，綠燈時間至ρi-1,bl(tl,k)結束，第i輛CAV及其后續車輛安排在下一相位放行。以此確定相位綠燈時長的一個選項，同時按“啟動損失時間+飽和車頭時距×排隊車輛數”測算同車道組內人工駕駛車道和混合駕駛車道所需的綠燈時間，取兩者最大值作為優化的相位綠燈時長。

相位綠燈時長優化算法如下。

(2)基于綠燈時長劃分CAVs 隊列并優化行駛軌跡

若ρibl(tl,k)≤gl,k且ρi+1,bl(tl,k)＞gl,k，則車道組l中車道b上的第i輛CAV 為本相位放行的最后一輛車，優化其行駛軌跡以便能順利通過交叉口停車線；后續車輛安排在下一信號周期放行，以進入速度運行至停車線后等待。

若車道b上的第i輛CAV 已經是交通信號控制機通信范圍內的最后一輛車且ρibl(tl,k)≤gl,k，則下一輛進入通信范圍的CAV仍可能滿足在綠燈期間通過交叉口停車線的條件。則設ti+m,bl為第i輛CAV 之后第m輛CAV 進入通信邊界的時刻，其到達交叉口停車線所需的最短時間為

式中：nl為交通信號控制機通信邊界距交叉口停車線的距離，本文取300 m；ti+m,bl為車道組l中車道b上車輛i+m進入通信邊界的時刻(s)。

若ρi+m,bl(tl+m,bl)≤gl,k-(tl+m,bl-tl,k)且ρi+m+1,bl(tl+m+1,bl)＞gl,k-(tl+m+1,bl-tl,k)，則該CAV 為本相位放行的最后一輛車，其軌跡同樣需要優化以便能順利通過停車線。后續進入車道的車輛安排在下一信號周期放行。

為充分利用綠燈時間，CAVs 被控制在距停止線d處的位置排隊，如圖2 所示，以便在綠燈開啟前，CAVs有加速的空間，綠燈亮起時第1輛CAV帶領車隊正好以目標車速到達交叉口停車線。實際利用了紅燈時間來抵消CAVs的啟動損失時間?；谏鲜鯟AVs 隊列劃分，綠燈啟亮前(式(24))，后續每一輛CAV 以其前CAV 為跟馳目標，根據式(13)～式(18)，采取勻加減速度優化其行駛軌跡，使其以目標車速排隊離開停車線，如圖3所示。

圖2 CAV專用車道的排隊位置Fig.2 Queued position of CAV-dedicated lane

圖3 CAV軌跡控制Fig.3 CAV trajectory control in CAV-dedicated lane

位置d需滿足

式中：d0為第1 輛CAV 到達目標車速行駛的距離(m)。

在綠燈亮起前，第1輛CAV提前啟動的時間為

式中：a1為車輛期望加速度(m·s-2)。

2.3 求解方法及流程

本文采用分枝定界法求解式(2)。從式(2)可以看出，最有利的解是車道組l中所有車道均為CAV專用車道，這構成了解空間的上限；最不利的解是車道組l中所有車道均為人工駕駛車道，這為解空間的下限。解空間的上下限構成了初始的搜索空間。每次搜索解時，用一個中間解將搜索空間縮小1/2。中間解確立如下：第1 次CAV 專用車道數取車道組中車道條數的1/2(均向下取整)，以后每次搜索CAV專用車道數取上一次搜索空間上下限CAV專用車道條數之和的1/2，當搜索空間不再變化時，則搜索空間的下限即為CAV 專用車道的條數；當上下限CAV 專用車道條數之和的1/2 小于1 時，則置CAV專用車道為0，此時車道組l中全部車道均為混合駕駛車道。然后判斷中間解是否滿足式(3)和式(4)的要求。如果滿足，則中間解和搜索區間的上界形成新的搜索區間；否則，新的搜索區間由中間解和搜索區間的下界組成。如此反復，可快速求解式(2)。優化流程如圖4所示。

圖4 求解流程Fig.4 Flow chart describing solution

3 仿真設計

3.1 基本條件

Bahrami 等[12]的研究表明，CAV 專用車道的飽和流率為人工駕駛車道的2 倍及以上。為便于仿真結果分析時標準統一，本文相關參數取值參考文獻[2,10,18]，具體如表1 所示?；赩ISSIM 中COM 組件，依據本文提出的方法開發一套算法用來更新車輛軌跡并在CAV/CHV與信號控制器之間交換信息。在VISSIM中的車道上設置交通流檢測器，采集每輛車進入路段的時間和速度，每0.5 s 采集一次，車輛加速度、速度和位置也每0.5 s更新一次。

表1 本文參數值Table 1 Value of parameters in this study

以圖1交叉口為例，假設其東南西北各進口路段的長度分別為550，450，400，450 m，小時交通流量如表2所示，CAV的右轉率為0.03。初始車道功能配置為1 條混合駕駛左轉車道、1 條CAV 專用直行車道、1 條人工駕駛車道和1 條混合駕駛直行與右轉共用車道。

表2 小時交通流量Table 2 Traffic volume per hour (pcu·h-1)

3.2 仿真設計

本文設計了4 種仿真方案進行對比分析。方案1為全感應信號控制，車道功能按照本文提出的方法進行優化配置；方案2 同樣為全感應信號控制，但所有進口道均為混合駕駛車道；方案3 為本文提出的優化策略。Niroumand等[5]提出的白色相位優化策略，用作既有交通信號與軌跡優化控制的對比研究?；陔p環結構確定相位優化方案，全感應信號控制單位綠燈延長時間取2 s，檢測器距停車線24 m。

4 結果與討論

4.1 結果分析

交通仿真結果如表3～表5所示，括號中的百分比為本文提出方法較方案1的變化程度。

表3 車均延誤Table 3 Average delay (s)

從表3 和表4 可以看出，交通條件不變，方案3的車均延誤和停車率較方案1分別下降了17.3%和9.2%。原因在于方案3 能根據綠燈時間來動態調整CAVs 的軌跡，可使更多的車輛在綠燈期間駛離交叉口，需要停車等待下一個綠燈的車輛數量減少，因此每相位的平均延誤和停車率都有下降，如圖5(a)所示。方案3 和方案2 相比，車均延誤和停車率分別降低了20.86%和21.59%，這種減少歸因于方案3優化了車道分配和CAVs軌跡。CAV專用車道較混合車道的車輛通行效率高，車道組的總飽和流率提高了，在相同的交通需求下，相位所需的綠燈時間縮短。因此，與無車道分配相比，延誤和停車率的降低幅度更大，圖5(a)和圖5(b)表明了這種差異。結果表明，本文提出的優化方法是可行和有效的。

表4 停車率Table 4 Stop rate of vehicles

圖5 部分信號周期CAV軌跡的優化結果Fig.5 Trajectory optimization results of part cycles

表5中，第1列的1、2和3分別表示輸入交通量是表2中所列交通量的50%、100%和150%。從表5可以看出，當CAV 滲透率為50%時，白色相位優化策略在中低飽和交叉口的性能優于本文提出的方法，而在高飽和交叉口則相反。Niroumand 等[10]提出的優化策略中，白色相位的數量隨交通量由低到高逐漸增加。當交通量低時，白色相位中需要規避的沖突車輛少且相位時長短，各個方向的CAVs 可同時釋放，減少了其他相位的停車次數和延誤，能有效提高交叉口時空資源的利用效率。而當交通量較大時，白色相位出現頻次高，增加了一個相位，其他相位車輛等待時間增長；而且沖突車輛增多，需通過頻繁的CAVs軌跡控制進行規避，CAVs的延誤也隨之增大。

表5 不同CAV滲透率下3種交通負荷下的車均延誤Table 5 Average delay for three demand levels with different CAV penetration rates

當CAV 滲透率為100%時，白色相位優化策略與無信號交叉口自動駕駛控制策略相同，但CAVs進入交叉口的時間需要優化。當交通量較低時，CAVs 規避沖突的數量少，因而延誤低。隨著各個方向交通量的增加，各進口道交通沖突數量快速增加，增大了沖突規避的復雜性，如圖6 所示，許多CAVs 需要在路段上減速等待進入交叉口的時間窗，導致延誤迅速增加。在白色相位優化策略中，各進口道上的CAVs 以離散形式進入交叉口，而本文中CAVs 以隊列的形式進入交叉口，不僅減少了計算規模，也提高了通行效率。因此，本文提出的方法更適合高飽和度、高CAV 滲透率的多車道信號交叉口。

圖6 100%CAV滲透率下白色相位的軌跡優化結果Fig.6 Trajectory results of white phase for a 100%CAV penetration rate

4.2 敏感性分析

(1)路段長度對延誤的影響

保持信號相位方案、d(d=20 m)、CAV 滲透率和表2中的交通量不變，路段長度從60～300 m連續變化，步長為20 m，仿真結果如圖7所示。

圖7 路段長度對延誤的影響Fig.7 Road segment length on delay

圖7 中，隨著進口路段長度增長，車均延誤在60～160 m范圍內快速下降，之后延誤在160～280 m范圍內下降速度趨緩，最后在280 m 后趨于穩定。當路段長度小于160 m 時，因保留有加速空間d，剩余路段長度空間不夠致使排隊溢出且CAV軌跡優化困難，導致停車次數快速增加，進而延誤居高不下；當路段長度在160～280 m 時，每相位隊列劃分中可實施CAV 軌跡優化的車輛數逐漸增加，停車次數迅速減少，進而延誤逐漸降低；當路段長度大于280 m 時，各相位隊列劃分中全部CAVs 均能實施軌跡優化，因而延誤趨于穩定。由此可見，當路段長度不小于280 m 時，設置加速空間d是有利的。

(2)CAV滲透率對延誤的影響

保持信號控制方案、每相位的交通量不變，進口交通流的CAV 滲透率(Pcav)從0～1 連續變化，步長為0.05，仿真結果如圖8所示。

當交通量不變時，延誤隨Pcav的增大而逐漸減小。車道優化分配能提高相位的飽和流率，進而降低流量比，如圖9 所示，并使得車均延誤下降。選擇3 種車道分配方案進行數值仿真，驗證Pcav在不同車道分配方案的變化，結果如圖10所示。

圖9 Pcav 對流率比的影響Fig.9 Pcav on flow ratio

圖10 3種車道分配方案下Pcav 對延誤的影響Fig.10 Pcav on delay under three-lane allocation schemes

當Pcav＜0.33 時，無CAV 專用車道的車道分配方案延誤最??；當Pcav分別介于[0.33,0.76]和(0.76,1.00]時，分別在設置1 條和2 條CAV 專用車道時，延誤最??；當Pcav＞0.33 時，分配CAV 專用車道是有利的。Pcav越高，CAV 專用車道需求數量就越多。

(3)最大車速對延誤的影響

在式(19)和式(21)中，最大速度是每相位CAVs隊列劃分的關鍵參數，會影響到優化結果。保持相位方案、CAV 滲透率和交通量不變，最大速度從44～64 km·h-1連續變化，步長為2 km·h-1，仿真結果如圖11所示。

圖11 最大速度對延誤的影響Fig.11 Maximum speed on delay

由圖11(a)可知，最大速度增大會使相位CAV隊列劃分的范圍變大，有更多的車輛可在當前相位通過交叉口，從而延誤降低。圖11(b)為東西直行相位和其他相位延誤隨最大速度增大的變化情況?？梢钥闯?，隨著最大速度增大，本相位延誤線性減小，而其他相位延誤增長率逐漸增加，當本相位延誤減少量不足以抵消其他相位延誤增加量時，繼續增大最大速度無意義。

5 結論

(1)本文提出一種人機混合駕駛環境下CAV專用車道的動態設置方法，并構建CAV 軌跡與信號控制參數協同優化算法。仿真結果表明，與全感應信號控制方案相比，交叉口車均延誤下降了17.3%。同時研究表明，當CAV 滲透率超過0.33時，有必要配置一條或多條CAV 專用車道來分離CAVs 與CHVs 的通行，以提高交叉口的通行效率。與Niroumand等的優化策略相比，本文提出的方法更適合高飽和度、高CAV 滲透率的多車道信號交叉口。

(2) 本文僅解決了CAV 專用道的優化配置問題，尚未涉及CAV專用車道利用效率提升的問題，如左轉CAVs 與直行CAVs 共享CAV 專用車道，以及預留空間d引起的燃油消耗問題等。