利用能够感知和响应交通状况的车辆对道路交通进行建模、监控与控制

《Annual Review of Control, Robotics, and Autonomous Systems》：Modeling, Monitoring, and Controlling Road Traffic Using Vehicles to Sense and Act

交通建模、估计与控制方法综述，涵盖宏观（LWR、AW-Z）与微观（跟随者、最优速度）模型，以及基于卡尔曼滤波和粒子滤波的估计技术。拉格朗日控制通过移动瓶颈（MB）影响交通流，实验显示可缓解波动机理和降低能耗。CIRCLES项目验证了车辆作为分布式控制器在真实高速公路中的有效性，MegaVanderTest评估了百辆级自动驾驶车队控制能力。

　　随着城市化进程的加速和交通需求的不断增长，交通管理与控制已成为一个高度复杂且重要的研究领域。近年来，随着技术的飞速发展，尤其是自动驾驶和车联网技术的兴起，交通系统的建模、估计与控制方法也在不断演进。本文旨在系统回顾当前的交通建模、估计与控制技术，并结合实际的交通实验，探讨这些技术在现实中的应用和未来发展。

### 一、交通建模的演变

交通建模是理解和预测交通行为的基础。早期的交通研究主要依赖于宏观模型，如Lighthill–Whitham–Richards模型，它通过偏微分方程（PDEs）描述整个交通流的密度变化。这类模型虽然在理论上较为成熟，但其在描述非平衡交通动态方面存在一定的局限性。因此，研究者开始引入第二类宏观模型，如Aw–Rascle–Zhang模型，以更好地捕捉交通流的复杂性。这类模型不仅考虑了平均速度，还引入了犹豫函数，用于模拟驾驶员在复杂交通条件下的反应。

与此同时，微观模型也得到了广泛的发展。这些模型通过常微分方程（ODEs）描述每辆车的个体行为，如跟随模型、智能驾驶模型和最优速度模型。其中，跟随模型是最基础的一种，它假设每辆车根据前车的速度调整自身的速度。智能驾驶模型则进一步考虑了驾驶员的行为特征，如最大加速度、最小间距等，以更精确地模拟交通流。最优速度模型则引入了安全距离和最大速度等参数，以确保交通流的稳定性。

近年来，研究者还发展了介观模型，它介于宏观模型和微观模型之间，用于描述交通流的整体行为与个体行为之间的相互作用。这些模型通常基于概率密度分布，并结合了气体动力学的理论。介观模型的引入，使得交通流的模拟更加贴近现实，也为交通控制提供了新的视角。

### 二、交通估计的技术手段

在交通管理中，准确的交通状态估计至关重要。传统的交通估计方法依赖于固定的传感器网络，如感应线圈、摄像头和GPS设备。这些设备能够提供交通密度、速度和流量等信息，从而帮助研究者分析交通流的变化趋势。然而，随着车联网技术的发展，越来越多的车辆配备了高精度的GPS和车内传感器，这使得微观层面的交通数据获取更加便捷和全面。

在交通估计中，卡尔曼滤波器及其变种，如扩展卡尔曼滤波器和粒子滤波器，被广泛用于整合实时数据并进行状态估计。卡尔曼滤波器是一种最小方差估计器，适用于线性系统，但在交通系统中，由于非线性因素的存在，扩展卡尔曼滤波器成为更常用的选择。粒子滤波器则通过模拟多个可能的交通状态，提供了一种更灵活的估计方法，尤其适用于具有多重模式的交通流。

此外，随着大规模的交通数据采集系统的建立，如NGSIM项目和pNEUMA实验，交通估计的精度和范围得到了显著提升。这些数据集不仅提供了车辆的轨迹信息，还能够用于验证和优化各种交通控制策略。例如，I-24 MOTION测试床通过密集的摄像头网络和高性能计算中心，实现了对交通流的实时监控和分析，为交通控制算法的开发提供了重要的数据支持。

### 三、传统交通控制方法的局限性

传统的交通控制方法主要依赖于固定位置的控制设备，如交通信号灯、匝道限流和可变限速标志。这些方法虽然在一定程度上能够缓解交通拥堵，但其控制效果往往受到固定位置的限制，难以适应复杂的交通环境。此外，传统的控制方法通常无法有效应对突发的交通变化，如突然的刹车或加速，这些变化可能导致交通波的形成，从而引发交通拥堵。

为了克服这些局限性，研究者开始探索新的控制方法，如基于车辆的控制策略。这种策略利用自动驾驶车辆（AVs）作为移动瓶颈（MBs），通过调整其速度和间距，来影响整个交通流。与传统的固定控制不同，基于车辆的控制策略能够更加灵活地应对交通变化，从而提高交通流的稳定性和效率。

### 四、基于车辆的控制策略与实验验证

近年来，基于车辆的控制策略得到了广泛关注。其中，CIRCLES项目是一个重要的实验，它通过部署自动驾驶车辆，验证了这种策略在高速公路上的可行性。该项目展示了如何通过控制少数车辆的速度和间距，来平滑交通流并减少能量消耗。实验结果表明，这种策略能够在一定程度上抑制交通波的形成，从而改善交通流的稳定性。

另一个重要的实验是亚利桑那环形道路实验，它通过控制一辆车辆的速度，验证了基于车辆的控制策略在真实交通环境中的有效性。实验中，研究人员发现，即使只有一辆车进行控制，也能够显著改善整个交通流的状况。这一发现为基于车辆的控制策略提供了重要的实证支持。

此外，亚利桑那ACC实验进一步探讨了自动驾驶车辆在交通流中的作用。实验中，研究人员将一辆测试车辆置于ACC车队的前方，并通过调整其速度，观察后续车辆的反应。实验结果表明，即使所有车辆都采用ACC，但由于车辆之间的相互作用，交通波仍然可能形成。这一发现强调了在设计ACC系统时，必须考虑非线性串行稳定性的问题。

### 五、交通控制的未来发展方向

随着自动驾驶技术的不断进步，基于车辆的交通控制策略有望在未来得到更广泛的应用。这些策略不仅能够提高交通流的稳定性，还能够减少能源消耗和提高交通效率。然而，实现这一目标仍面临诸多挑战，如如何在复杂的交通环境中协调多辆自动驾驶车辆的行为，如何确保控制策略的安全性，以及如何在大规模交通系统中部署这些策略。

为了应对这些挑战，研究者提出了多种控制方法，如基于Lyapunov函数的控制策略、基于串行稳定性的控制方法，以及基于控制屏障函数的安全控制方法。这些方法不仅能够确保交通流的稳定性，还能够提高自动驾驶车辆的安全性。例如，控制屏障函数可以用于确保车辆在任何情况下都不会发生碰撞，从而提高交通系统的安全性。

此外，随着人工智能和机器学习技术的发展，交通控制也开始引入这些技术。例如，强化学习被用于优化交通流，使得控制策略能够根据实时交通数据进行调整。这种方法在模拟和实验中都得到了验证，显示出在复杂交通环境中的巨大潜力。

### 六、交通实验的重要性与局限性

交通实验是验证交通模型和控制策略的重要手段。通过实际的交通实验，研究者可以观察交通流在不同条件下的表现，并据此调整模型和控制策略。例如，Sugiyama等人的实验表明，交通波的形成并不总是需要外部因素，而是可以通过车辆之间的相互作用来实现。这一发现为基于车辆的控制策略提供了理论依据。

然而，交通实验也存在一定的局限性。例如，大多数实验都是在封闭的环境中进行的，难以完全模拟现实交通的复杂性。此外，实验中的交通流往往具有较低的速度和较少的车道变化，这可能会影响实验结果的适用性。因此，研究者需要在更广泛的交通环境中进行实验，以确保控制策略的有效性。

### 七、结论与展望

综上所述，交通建模、估计与控制技术在近年来取得了显著进展。无论是宏观模型、微观模型，还是介观模型，都在不同程度上帮助研究者理解和优化交通流。同时，交通估计技术的进步，使得实时数据的获取和分析变得更加便捷，为交通控制提供了重要的支持。

然而，交通控制仍面临诸多挑战，如如何在复杂交通环境中实现高效的控制策略，如何确保控制策略的安全性，以及如何在大规模交通系统中部署这些策略。未来的研究需要进一步探索这些方向，并结合最新的技术手段，如人工智能、强化学习和车联网技术，以实现更智能、更高效的交通管理。

此外，随着基础设施的智能化发展，交通管理将进入一个新的阶段。未来的交通系统将更加依赖于智能基础设施和自动驾驶车辆的协同工作，从而实现系统最优的交通流。这种趋势不仅有助于减少交通拥堵，还能够提高交通安全性，促进可持续发展。因此，交通建模、估计与控制技术的进一步发展，对于实现这一目标至关重要。