智能网联在平面交叉口减排中的应用

栾少华

（招远市政府投资工程建设服务中心，山东 招远 265400）

0 引言

随着社会经济的快速发展和人们对物质文化需求的日益增长，汽车化的进程也不断加快。据公安部统计，截至2021年9月，全国机动车保有量达3.90亿辆，其中汽车2.97亿辆。相比于2020年全国机动车保有量3.72亿辆，其中汽车2.78亿辆，增长率分别是4.84%和6.83%。伴随着车辆数量的日益增长，交通运输带来的问题也愈发需要得到重视，例如，交通拥堵现象的频繁发生和机动车尾气排放造成的城市环境污染等问题，这些都将成为制约我国社会经济全面协调发展的重要因素。

平面交叉口是城市路网中非常重要的一环，是行人、机动车与非机动车在同一时空下发生交互作用的地方，是道路交通的主要集散点。除驾驶员的操作习惯以外，由于受到交通信号配时的调控，车辆在到达平面交叉口时，将频繁出现加速、减速、怠速等不平稳的运行工况。这样不仅没有提高平面交叉口的通行效率，反而增加了尾气排放量，加剧交通运输带来的环境污染。因此，改善车辆在平面交叉口的运行工况对减少污染物的排放具有重要意义，而通过对交通信号配时作优化处理可以有效控制交叉口车辆的行驶情况[1]。随着传感技术和计算技术的快速发展，日益成熟的自动驾驶策略也为交通运输的微观引导控制作用提供了可行的途径。在车联网环境下，车辆与道路基础设施和区域控制中心保持实时通信，提前获知平面交叉口的信号灯状态以及交通流的情况。在保障行车安全的同时，车辆会结合自身的行驶现状自觉做出速度调整决策，避免因驾驶员操作习惯造成急剧加减速或怠速，从而在有效提升交叉口通行效率的同时降低污染物的排放。

1 机动车尾气排放的影响因素

机动车尾气的排放因子是指单辆机动车运行单位里程或时间，或者消耗单位燃料所排放的某种污染物的质量[2]，其单位为g/km或g/s或g/kg。污染物包括气态污染物（如CO、NOx等）和颗粒物（如PM2.5、PM1等），它们的排放因子能够反映机动车的排放特征[3]，也是国家制定尾气排放标准的有效切入点。影响排放因子的因素主要包括车辆技术条件、燃料性质、行驶环境、行驶速度和运行工况等[4]。

（1）车辆的技术条件

车辆的特征参数包括车辆的类型（重量、发动机功率等）、车龄和车辆的行驶里程等。车辆的类型是造成尾气排放量差异的重要因素之一，重型车的尾气排放量远远大于轻型车的尾气排放量，这也是国家在制定排放标准时根据车辆类型分别限值的原因。此外，大量的实验研究表明，随着车龄和车辆行驶里程的增加，污染物的排放量也会逐渐增加[5]。车辆的使用年限较长和维修工作较少时，车辆性能较差，污染物排放将增加。

（2）燃料性质

不同类型的燃料对机动车的尾气排放量有着重要影响[3]，例如柴油车比汽油车的污染物排放量更高。燃油的密度、挥发性和硫含量等是影响污染物排放量的重要因素，其中燃料的挥发性与其饱和蒸气压密切相关，若饱和蒸气压高则不易挥发。

（3）行驶环境

车辆的行驶环境可以分为内环境和外环境，内环境是车辆自身的环境，外环境是车辆所处的气候条件和地理位置。关于内环境，车辆在开启空调时，CO和NOx排放水平将会增加2倍以上[6]。关于外环境，温度、相对湿度等和雾霾、雨雪天气等均会影响机动车的尾气排放量。此外，当车辆行驶在非平坦道路上时，污染物的排放量也会相对于平坦道路上更多。

（4）行驶速度和运行工况

机动车的尾气排放量会随着行驶速度的变化而变化，车速较高时的排放因子较小。机动车尾气排放量与车的运行工况密切相关[7]，在匀速行驶过程中，尾气排放量较少且变化不明显，但是在加减速和怠速的工况下，污染物的排放量会较多，其中NOx的排放量会随转速的增大而增加[6]。

综上所述，机动车的行驶速度较高且较稳定时，单位里程的尾气排放量较低。因此，在面对平面交叉口的交通污染问题时，最直接有效的方法是对车辆的行驶速度和运行工况做出合理优化。

2 交通信号配时控制技术

交通信号控制广泛应用于平面交叉口，信号配时的主要内容是通过设计交通信号运行的参数和逻辑，从而决定各方向的通行权，对单个平面交叉口乃至干线道路和区域路网的运行效率和能耗排放均有至关重要的影响。在平面交叉口处，车辆的尾气排放量由两部分构成，一是匀速行驶时的排放量，该部分排放因子较小，排放量主要由匀速行驶时间决定；二是车辆加速、减速和怠速过程的排放量，该部分排放因子较大，是车辆尾气排放增加的主要部分。交通信号配时优化具有实施简单、见效迅速且无需大规模基础建设投入的特点，所以优化交通信号配时被视为城市“缓堵”和“减排”的首选策略之一。

计算机技术和通信技术的发展推动了自适应控制模式的出现。自适应控制通过检测器检测交通流信息，然后通过网络将实时数据传输到PC上位机，再由上位机实时生成最佳绿灯配时计划[8]。这种控制模式适用于区域管理和干线交通灯协调，上位机可以根据交通流自适应调整运行方案并协调多个信号交叉口以提高整个区域或干线的运行效率[9]。交通信号配时决策系统包括SCATS、TRANSYT和SCOOT等。SCATS（Sydney Coordinated Adaptive Traffic System ）控制技术主要是由路口控制机、地区控制中心和中央监控中心三级联网，通过装在道路上的摄像头和传感器获取车流信息，并采用多种控制方式共存，从而完成点、线、面之间交通信号协调的自适应控制技术。TRANSYT控制技术主要包括仿真模型和优化过程两个部分。首先，系统软件将路网布局、交通流信息及初始信号配时等数据输入到仿真模型中计算获得性能指标PI值。其次，对PI值进行优化后改进信号配时，再把改进后的信号配时重新输入到仿真模型中，反复迭代获得PI值最小的信号配时作为最佳方案。SCOOT控制技术中，系统能够根据对各路段监测数据的计算、需用时间的长短以及各路段拥挤程度的监控，结合原有数据库中的交通参数对各路口的车流量进行预测，从而利用交通环境对子区和路网所配用的信号配时进行优化。我国先后在一些大城市建立了交通信号控制系统，例如在成都、大连、北京等城市引进了SCOOT系统，在上海、广州、沈阳等城市引进了SCATS 系统[10]。

3 自动驾驶技术

自动驾驶汽车又称无人驾驶汽车，是一种通过电脑系统实现无人驾驶的智能汽车。在一切事物都趋向于自动化的智能时代，自动驾驶把任务交给计算机芯片，依靠人工智能、视觉计算、监控装置和全球定位系统协同合作，减少人为操作的失误，自动安全地操作机动车辆。自动驾驶车辆能够安全驾驶的前提是得到正确、及时、可靠的其他车辆信息和路况信息，这些信息的传输依靠车与车之间（V2V）和车与基础设施之间（V2I）的通信技术。在车联网系统中，车辆能够通过专用短程无线通信与其他车辆以及交通基础设施进行信息共享，例如，车辆的位置、速度和加速度等信息可以与其他车辆共享，前方交叉口的信号灯状态和拥堵程度等信息也可供通信车辆使用。自动驾驶汽车将控制驾驶的各个方面，包括遵守限速、检测行人和选择最佳路线等，可以更准确地判断距离和速度，并对由于人类反应延迟而可能导致事故的情况做出即时反应。目前智能信息数据主要来源于“人-车-路”的交互体系，利用人-车交互、车-车通信、车-路感知等得到多方面的智能信息，从而为车辆能在平面交叉口开启生态驾驶模式提供了潜在的应用技术。

高级驾驶辅助系统（ADAS）是自动驾驶汽车的重要组成部分，一般而言，高级驾驶辅助系统是由场景感知模块、数据分析模块和显示控制模块组成。例如，自适应巡航控制（Adaptive Cruise Control，ACC）系统对车辆的节能减排具有重要作用。一般采用三种控制方法：一是全局最优控制，采用动态规划算法来求得全局最优解；二是模型预测控制（Model Predictive Control，MPC），采用滚动优化的思想对最优控制问题反复求解；三是瞬时控制，仅依靠当前车辆状态和道路信息作为控制输入求解控制问题。在自适应巡航过程中，前方无车辆时可以根据驾驶人设定的速度行驶，但是如果前方已经有其他车辆，则需要自适应巡航跟车控制系统来合理调节跟车行驶的速度。人-车交互过程中，车辆可以通过视觉、听觉、触觉等途径来为驾驶人员提供相关信息，通过提供开关、触屏、语音、手势等接受驾驶人员的指令输入，也可以对驾驶人员的操作失误做出及时的主动干预。车-车通信过程中，车辆的感知系统主要是通过控制器局域网（Controller Area Network，CAN）总线采集车内各电子控制单元的信息，以及装载在车上各类传感器实时产生的数据信息[11]，来获取车辆的工作状态。例如，车辆的运动状态包括车辆的位置、速度和加速度等，车辆的动力参数包括横摆角、发动机的转速等。车载自组织网络VANET是基于V2V技术搭建的车辆网络，可由车辆自主创建，不断进行自我配置，即使缺少基础设施的参与也能够参与工作。车-路感知过程中，基于机器视觉的行车感知技术能够采集到丰富的信息数据。地图精度的提高依赖于实时动态载波相位差分技术和激光雷达等高精度定位设备配合后解算的数据处理方式，路域环境感知技术需要通过道路气象信息系统完成，交通基础设施状态感知数字化体系分为交通标识、车道线和交通信号灯等。

4 智能网联的减排应用

当今世界，人们更倾向于关注成本最小化、产量最大化、节能环保、可持续发展等问题，这些在科研领域和工程领域中可以归结为材料、产品、资源或能源利用的优化问题。然而，研究对象和约束条件的日渐增多，使得优化问题变得更加复杂[12]。例如陈志伟等人[13]设计了基于交通环境信号配时优化目标和环境质量约束条件，根据韦伯斯特配时法构建了单交叉口信号配时数学模型，结果表明，该模型减少了55.20%的尾气排放量和55.20%的平均延误时间。王永圣等人[14]以道路级交通指数（Travel Time Index，TTI）、交通延误时间、排队长度和车辆平均碳排放量为目标，提出了一种基于萤火虫算法的单交叉口交通信号配时优化方法，使得最大排队长度下降了29.7%，等待时间下降了33.3%，路口吞吐量上升了11.8%，TTI指数降低了43.4%，车均碳排量下降了32.12%。吴颢等人[15]以交叉口的通行效率和PM2.5的排放量为目标，建立了改进ARRB法的信号控制优化模型，优化后的信号配时使得停车次数减少了45.68%，停车延误缩减了41.84%，车辆加减速过程中的控制延误缩减了37.17%，PM2.5的排放质量减少了4%。封筱[16]考虑到交通诱导信息可能会由于驾驶人员的主观思想对交叉口的通行效率造成不利影响，提出了一种基于多目标Sarsa学习的动态路径规划的交通诱导方法，有效的缓解了交通拥堵。安思颖[17]以关键路径交叉口相位协调率最高为目标，建立了基于相位协调率的多条关键路径相位差群体优化模型，通过基于遗传算法的粒子群优化算法得到最优相位差组合，实现了控制区域多条关键路径协调优化。刘中原等人[18]针对传统路网规模大且包含大量时变参数造成交通协调控制繁杂等问题，提出了一种将路网分解与模糊算法相结合的子区内外层相位时间、相位类型和相序协调优化的控制策略，该策略在内层单交叉口及外层路网中均能实现协调控制，具有较好的时效性和经济性。

在城市道路中，虽然红灯时车辆怠速的次数可以通过将优化的信号配时和先进的控制软件整合到交通信号中来减少，但它们的成本可能非常高，或者可能更容易从车辆方面着手。戴荣健[19]利用自动驾驶技术（AV）和车路协同系统（CVIS），开发了一种交通信号灯和车辆轨迹协同优化控制的方法，通过NETLOGO仿真平台发现，该方法能够降低53.4%的车辆平均通行时间和61.5%的平均停车次数。Yu等人[20]以燃油消耗和尾气排放为目标建立了最优控制模型，优化了CAV（Connected Autonomous Vehicle）环境下的车辆轨迹和交通信号配时。陈壮壮等人[21]基于最优控制理论，优化CAV头车的速度轨迹，并利用基于神经网络训练的弹性反向传播算法（Resilient backpropagation，RPROP）设计了数值求解算法，显著改善了交叉口的通行效益。魏涛[22]以最小化油耗和排放为目标引导车辆的行驶速度，建立了离散速度轨迹优化模型，采用长短时记忆神经网络算法进行求解，他提出的这一生态驾驶策略，能够有效避免行驶过程中的停车和启动现象。Yao等人[23]提出了一种混合自动化车辆和人工驾驶车辆的交通信号和车辆轨迹联合优化框架，以降低汽油消耗和交通排放。结果表明，当自动驾驶汽车普及率达到100%时，车辆延误、汽油消耗和二氧化碳排放量分别可减少57.21%、22.36%和18.61%。

5 结语

本文介绍了机动车尾气排放的影响因素、交通信号配时控制技术和自动驾驶技术，并归纳了智能网联在平面交叉口减排中的应用。在后续的研究中，仍需综合考虑交通排放的各种污染物与交叉口通行能力的各项指标。因此，对高维优化问题的高质量求解将会是研究中的重要突破点。