混合交通流中用于可解释跟驰响应的领航车类型条件化记忆核

《Physica A: Statistical Mechanics and its Applications》：Leader-type-conditioned memory kernels for interpretable car-following response in mixed traffic

　　

摘要

自动驾驶车辆（AVs）与人类驾驶车辆（HDVs）的共存形成了混合交通交互，其中HDV的车跟驰响应可能取决于前导车辆的类型。虽然实证研究已记录了这种前导类型差异，但在每种前导类型条件下，过去的自身运动和与前导车辆相关的刺激是如何在时间上被加权分配的，仍尚不明确。我们开发了一种前导类型条件的神经记忆核框架用于HDV车跟驰。该框架不强制施加参数化核形状，而是从轨迹数据中学习跟随者速度、间距和相对速度的最近历史在预测当前HDV加速度时如何逐滞后进行加权。一种自残差分解首先从跟随者速度历史中估计自动力学基线，然后将剩余的交互残差归因于间距和相对速度通道，所得的通道归因被解释为以公开拟合顺序为条件。通过将学习到的跟随者模型嵌入闭环编队模拟，我们进一步考察了这些微观响应模式在变化的前导类型条件、AV条件渗透率、空间排列和扰动频率下如何沿车辆链传播。对Lyft Level-5车跟驰事件的实验表明，AV前导条件下关联着比HDV前导条件更宽、更平滑、略微延迟且振幅更低的相对速度记忆核。在闭环模拟中，这些学习到的响应差异与编队层级上可区分的扰动衰减模式相关联。所提出的框架在微观车跟驰响应与混合交通中编队层级的扰动演化之间建立了解释性、数据驱动的关联。

引言

随着自动驾驶车辆（AVs）进入仍以人类驾驶车辆（HDVs）为主的交通流，它们往往不是作为孤立代理出现，而是作为人类驾驶员必须跟随的前导车辆出现。这使得HDV跟随AV交互成为混合交通的基本微观元素之一，与传统HDV跟随HDV交互并列。近期利用大规模自动驾驶轨迹数据的实证研究表明，两者并不相同：跟随自动驾驶车辆时，人类驾驶员可能会调整其间距选择、速度调节和跟驰变异性，与跟随另一个人类驾驶员时相比[1], [2], [3]。

尚不太清楚的是这些变化如何在驾驶员的时间响应中组织。车跟驰响应不仅由当前间距、相对速度或自身速度决定，还取决于驾驶员如何加权这些变量的最近历史来形成当前加速度响应。这种时间组织很重要，因为速度和间距扰动通过连续的车跟驰响应在交通流中传递，其衰减或放大取决于这些响应的时序、持续时间和强度[4]。这种传播过程也是城市交通系统级行为的微观起源，其中局部交互汇聚为涌现的网络级现象并塑造交通系统的鲁棒性和韧性[5], [6]。因此，问题分为两部分：前导类型差异如何在HDV车跟驰的时间响应结构中出现，以及当跟随者依次响应时，这些微观差异是否会传递到扰动演化中。

回答这一问题的第一部分仅比较聚合车跟驰统计是不够的。在加速度输出层面观察到的前导类型差异可能来自跟随者自身速度历史依赖性，来自其对间距或相对速度的响应，或者仅来自两种前导类型被观察时交通条件的差异。因此，有必要按通道暴露滞后相关的响应，而非将最近历史视为单一聚合输入，并在可比的运行条件下比较前导类型，以确保响应差异不与跨交通状态采样差异混淆。回答第二部分需要将跟随者模型置于反馈链中，使每辆车的预测运动成为下一辆的前导输入，从而在编队层级考察学习到的响应差异的行为相关性。

现有车跟驰模型不适合这些要求。经典模型通过瞬时变量如间距、相对速度和自身速度描述驾驶员响应[7], [8]。基于记忆的公式引入时间依赖性，但通常通过预设延迟或参数化记忆结构[9]；针对每种前导类型分别校准此类模型可以揭示参数偏移，但时间响应仍受假设函数形式约束。数据驱动序列模型可以利用长历史并实现强大的预测性能，但其时间依赖性通常嵌入在隐状态中[10], [11]。因此，这些方法对近期过去的哪些部分重要以及哪些响应通道承载前导类型差异提供了有限可见性，阻碍了微观响应及其在编队级动力学中下游后果的解释。

为解决这一空白，我们开发了一种用于混合交通HDV车跟驰的前导类型条件神经记忆核框架。该框架表示跟随者速度、间距和相对速度对当前HDV加速度的滞后相关效应，使得近期过去的加权结构可以直接检查，而非被吸收进固定参数或隐状态中。我们进一步引入自残差分解：跟随者速度历史首先用于估计自动力学基线，然后间距和相对速度历史用于解释剩余的交互残差。由于通道以固定顺序拟合，所得归因依赖于该排序；因此我们将分解视为公开的拟合程序，评估归因对拟合顺序的敏感性，并将通道级差异解释为条件关联而非因果机制。最后，我们将训练好的跟随者模型嵌入闭环编队模拟，以考察学习到的微观响应模式在受控前导扰动下如何传播。

本文的主要贡献有三方面：
•我们提出了一种可解释的神经记忆核模型，从轨迹数据中学习滞后相关的车跟驰响应函数，而不施加固定参数化核形状。这使得能够直接比较不同前导类型间的时间响应模式。所提出框架的主要目标不仅仅是最小化预测误差，而是在保持有竞争力的预测精度的同时恢复可解释的、按通道解析的时间响应结构。
•我们开发了一种自残差分解，将自身运动持续性与前导相关的交互响应分离，并明确评估该归因的顺序依赖性。
•我们将学习到的微观响应结构连接到闭环扰动传播，通过在编队模拟中链式连接训练的跟随者模型。这在车跟驰层级前导类型条件的HDV响应与编队层级扰动演化之间提供了描述性桥梁。

本文其余部分组织如下。第2节回顾车跟驰建模、行为异质性、时间记忆和混合编队扰动分析的相关工作。第3节介绍神经记忆核模型和分阶段分解框架。第4节呈现微观实证发现，包括核解释、状态修正和稳健性分析。第5节报告闭环编队扰动分析。第6节以局限性和未来工作方向总结。

章节片段

混合AV–HDV车跟驰中的前导类型异质性

AV的部署向车跟驰交互引入了一种新的异质性来源。与主要由HDV组成的交通不同，混合AV–HDV交通包含可能在感知、控制逻辑、加速度平滑度、间距策略和响应时序方面存在差异的车辆。这些差异不仅会改变自动驾驶车辆本身的行为，还会改变与之交互的人类驾驶员的响应。近期实证研究已开始表征这类

方法

本节定义所提出的前导类型条件记忆核框架，整体工作流程如图1所示。核心思想是将近期车跟驰历史表示为显式的滞后相关响应核，从而使得过去刺激的时间加权可以在HDV前导和AV前导条件之间进行比较。如图示，模型从观察到的混合交通历史开始，包括跟随者速度、间距、相对速度和前导类型。然后数据集和车跟驰事件构建我们使用从Lyft Level-5运动预测数据集[45]中提取的车跟驰记录。该数据集包含自动驾驶车辆在Palo Alto固定城市路线上收集的轨迹，以及跟踪到的周围道路使用者。这一设置在同一交通环境中提供了两种前导类型条件：Lyft AV后的HDV跟随者和HDV后的其他HDV跟随者。因此我们关注AV–HDV车跟驰事件，其中跟随者是HDV而前导是

学习到的前导类型响应下的闭环编队扰动传播

前述分析表征了单个HDV跟随者对观察到的前导轨迹响应的前导类型异质性。我们接下来将训练好的跟随者模型递归地嵌入闭环跟随者链中，其中每辆车的预测运动成为下一辆的前导输入。基线编队由一个外生前导车辆后跟Nf=10个链式跟随者组成。链中的每个跟随者都是训练好的HDV跟随者模型的副本。HDV条件跟随者使用

结论

本研究考察了在异质交通中HDV车跟驰响应在HDV前导和AV前导条件下的差异。我们不仅关注预测精度，还表征了过去自身运动和前导相关刺激如何随时间被加权。为此，我们开发了一种前导类型条件神经记忆核框架，表示跟随者速度、间距和相对速度对HDV加速度的滞后相关效应。所提出的自残差分解

CRediT作者贡献声明

Qinzheng Wang：撰写—审阅与编辑，撰写—原始草稿，可视化，验证，方法论，调查研究，形式分析，数据管理，概念化。Yiming Bie：撰写—审阅与编辑，监督，方法论，资金获取。Dian Jing：撰写—审阅与编辑，可视化，验证，数据管理。Xiaofeng Li：撰写—审阅与编辑，验证，数据管理。Qishen Zhou：撰写—审阅与编辑，验证，数据管理。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的经济利益/个人关系：Yiming Bie报告获得了中国国家自然科学基金的资助。如果有其他作者，他们声明没有已知的可能影响本文报道工作的竞争性经济利益或个人关系。

致谢

本研究得到中国国家自然科学基金资助（编号72471102和52220105001）。

Qinzheng Wang | Yiming Bie | Dian Jing | Xiaofeng Li | Qishen Zhou
吉林大学交通学院，中国吉林长春130025