混合交通中从L2模式切换到L3模式的能源消耗和排放影响

《Energy》:Energy and emission impacts of L2/L3 mode switching in mixed traffic

【字体: 大 中 小 】 时间:2026年10月23日 来源:Energy 10.1

编辑推荐:

  • 自动化的能源效益与渗透率有关,呈阈值效应,而非逐渐变化。 • 在概率p=1.0时,自愿切换到L2/L3模式的成本增加了48.5%的牵引能量。 • 能源和燃油指标的效果是CO/HC/NOx指标的3-11倍。 • V2I协调可以恢复35%–85%的车队能源效益。 • 模式切换会缩

  • 自动化的能源效益与渗透率有关,呈阈值效应,而非逐渐变化。
• 在概率p=1.0时,自愿切换到L2/L3模式的成本增加了48.5%的牵引能量。
• 能源和燃油指标的效果是CO/HC/NOx指标的3-11倍。
• V2I协调可以恢复35%–85%的车队能源效益。
• 模式切换会缩小安全裕度;套件的重量可能会抵消这种效益。

引言
二级(L2)和三级(L3)驾驶自动化已经投入大规模生产,诸如自适应巡航控制(ACC)、车道保持辅助和交通拥堵引导等功能已在商用车辆上实现[1]。与大多数文献[2][3][4]中研究的完全自动化车辆不同,L2/L3车辆可以在两种模式下运行。在自动化模式下,纵向控制由系统负责;在手动模式下,由人类驾驶员驾驶。驾驶员有权在两种模式之间切换,这一决策与交通状况紧密相关。行为研究表明,驾驶员在拥堵时愿意委托控制系统以减轻驾驶负担,在顺畅行驶时则不愿使用自动化功能以保持驾驶乐趣[5][6]。来自生产中的L2系统实地数据显示的情况恰恰相反:在顺畅行驶和稳定的交通环境中,自动化的使用率较高,而在拥堵的交通环境中最低,作者认为这是由于在复杂条件下驾驶员不愿意委托控制[7]。这两种情况描述的是不同的用户群体,并不相互矛盾。本文关注的是第一种情况,即那些足够信任系统、愿意在拥堵时使用它的驾驶员,这种行为使得模式切换对能源和排放有显著影响。

L2/L3自动化的能源和排放影响因此不是由静态渗透率[8]或车队形成[9]决定的,而是由交通状况和个人驾驶员偏好驱动的动态模式过程决定的。然而,现有的CAVs(自动驾驶车辆)评估通常将车辆视为全自动化车辆或人类驾驶车辆(HDV)来进行分析。例如,Yao等人[8]使用IDM/ACC/CACC和VT-Micro模型评估了CAVs在高速公路上混合交通中的燃油消耗和排放影响,而Dong等人[9]分析了CAVs和HDVs在车队中的空间排列如何影响能源和行驶时间效率。这些研究都将自动化视为固定不变的,从而忽略了真实的L2/L3车队中的模式切换动态[10][11]。同时,实地数据表明,激活自动化可能会因自动化套件的能量需求而使燃油消耗增加约10%[12],并且实际应用的ACC系统经常不稳定[13],这表明自动化的效益依赖于具体情境和评价指标。

关于这些系统实际使用情况的实地证据直到最近才逐渐积累,这也促使了本研究的开展。来自生产中L2系统的自然主义数据显示,驾驶员在同一行程中会反复启用和关闭部分自动化功能。在一项对特斯拉Autopilot的混合自然主义研究中,驾驶员在140次行程中经历了142次从手动到自动化的切换以及160次由驾驶员发起的关闭操作,每次自动化的持续时间中位数为4.6分钟[14]。这样的中位持续时间对应于大约1/276秒的切换频率,与本文中使用的基本频率相同。同一系列研究还显示,一旦启用自动化,驾驶员更可能分心于其他任务[15]。尽管现有能源评估将自动化状态视为固定不变的,但这种行为模式对能源的影响尚未被量化。

本文开发了一个微观框架,其中模式过程是内生的。这项研究旨在识别机制:它阐明了能源和排放效应的方向和相对大小如何取决于模式过程,并且明确不试图预测真实L2/L3车队的绝对数值,因为这些车队的行为参数尚未达到所需的分辨率。主要贡献总结如下:
(1) 我们将驾驶员发起的模式切换建模为一个具有滞后机制的两状态连续时间马尔可夫链,该机制防止了边界抖动,包含不同的自动化偏好,对L3系统施加了ODD(One Way Driving)约束,并避免了非物理加速跳跃。模式过程与IDM/ACC/CACC跟车模型[16][17][18]、VT-CPFM燃油消耗模型[19]以及基于VSP的排放模型[20][21]单向耦合。
(2) 在一致的数值设定下,我们量化了三种机制:首先,出现了渗透阈值效应——当渗透率低于75%时,自动化对能源无影响;只有全渗透时,同质的CACC车队才能节省能源。其次,随着渗透率的增加,切换成本呈单调递增趋势,在全渗透时几乎完全抵消了车队的节能效益。第三,能源和燃油指标的反应强度是CO/HC/NOx指标的3-11倍。ECO-ACC的排放优势对其加速度限制具有鲁棒性,但其燃油优势则不具备这种特性。因此,基于单一指标对自动驾驶策略的评估可能会产生误导。带有MOBIL车道变换的两车道扩展显示,切换成本仍然存在并有所增加,而渗透阈值仅适用于单车道、无超车配置的情况。车道变换为自动驾驶车辆提供了另一种路径到达平衡状态,从而将阈值效应转变为渐进式的效益。
(3) 我们证明了系统层面的切换时机协调可以恢复相当大的车队效益。通过25个样本和配对的非参数测试,无论是同步还是基于波形的诱导方式,在所有测试的渗透率下都能显著降低车队的牵引能量,恢复率达到了潜在效益的35%–85%。此外,我们还发现自动化的能源效益伴随着更宽的安全裕度,但模式切换会缩小这一裕度;在中等渗透率下,自动化套件的能量开销会使净效益变为负值。这三项发现将评估范围从单一能源指标扩展到能源-安全-开销的综合评估,并指出保持平衡的过渡设计是缩小剩余差距的关键手段[22][23]。

本文的其余部分安排如下:第2节回顾相关文献;第3节构建模式切换模型;第4节介绍牵引能量、燃油消耗和排放模型;第5节展示数值实验和讨论;第6节得出结论并展望未来工作。

文献综述
大量研究评估了CAVs对能源和排放的影响。Yao等人[8]将VT-Micro模型与IDM/ACC/CACC跟车模型结合使用,结果显示,在100%的渗透率下,燃油消耗、CO、HC和NOx排放分别减少了40.58%、37.53%、24.33%和27.06%,其中40%和60%是关键临界点。Dong等人[9]指出,CAVs和HDVs在车队中的排列方式可以影响能源效率1.24%–26.27%,以及行驶时间。

基本假设
我们做出以下假设:
A1. 具有L2/L3功能的车辆具有两种驾驶模式:自动化(A)和手动(M),驾驶员可以根据ODD的可用性自由切换模式[1][5][6]。
A2. 基线场景是在单车道上的纵向运动,未对其进行车道变换建模[8][9]。第5.7节报告了包含车道变换的双车道走廊情况,以区分基线和扩展内容的范围。

牵引能量基准
车辆i的轮级牵引功率使用基于功率的公式[35][36]计算:Pi(t)=max{miviai+12ρCDAivi3+migfvi,0},车队能量E=∑i∫0TPi(t)dt。最大值是在整个表达式上取的,而不是仅针对惯性项。如果在最大值之外加入空气动力学和滚动阻力项,这些因素会在车辆减速时也被视为牵引功率,从而导致牵引能量被高估。

仿真设置
我们模拟了一个由25辆车组成的单车道高速公路车队,该车队遵循预设的领车速度曲线。曲线包括60秒以30 m/s的速度巡航,60秒减速至vcong=8 m/s,240秒的停车-行驶拥堵(伴有±1.5 m/s的摆动),60秒的恢复阶段,之后是自由行驶。时间范围为600秒,时间步长Δt=0.1秒,前150秒用于预热,因此每个车队在拥堵开始前都能达到自己的稳定状态。因此,报告的总数描述的是在这种条件下的情况。

结论与未来工作
本文将L2/L3车辆的驾驶员发起的模式切换建模为一个具有滞后效应、异质性和ODD约束的两状态马尔可夫链。该链与IDM/ACC/CACC跟车模型、VT-CPFM燃油消耗模型以及基于VSP的排放模型在微观层面上耦合进行了仿真。结果是在单车道高速公路车队中得出的,应视为机制识别,而非绝对数值的预测。

作者贡献声明
吴云霞:撰写初稿、方法论、形式分析、概念化。
王金润:验证、软件开发、数据整理。
姚志宏:审稿与编辑、监督、项目管理、方法论、概念化。
姜扬生:监督、资源调配、资金获取。

人工智能辅助写作声明
在撰写本文的过程中,作者使用了Deepseek-V4.1-flash(由杭州DeepSeek人工智能基础技术研究院开发的人工智能辅助工具)来协助语言润色。所有由AI生成的输出都经过了作者的彻底审查和修改,作者对本文的学术完整性、准确性和原创性负有完全责任。

利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢
本文得到了中国教育部人文与社会科学基金会(项目编号25YJCZH339)和创高科技(项目编号2025-cg-ky-13)的资助。

作者名单
吴云霞 | 王金润 | 姚志宏 | 姜扬生
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号