面向交通流稳定性的粗粒度引导综合分析与研究

自动驾驶车辆(AVs)可实现更高效和可持续的交通系统。大量研究表明,控制一小部分 AV 可平顺交通流并缓解交通拥堵。然而,由于安全和成本顾虑,在真实世界系统中部署 AV 面临挑战。一个可在近期实现的可行替代方案是 $\textit{粗粒度引导}$,即人类驾驶员通过每 $\Delta$ 秒更新的实时指令来引导以稳定交通。虽然先前的理论研究考虑了连续 AV 控制的稳定性分析,本文给出了首个直接将对人类驾驶员的引导与交通流稳定性结果相关联的综合理论分析。将问题纳入 Lyapunov 稳定性框架,本研究推导了具有保持长度 $\Delta$ 的粗粒度引导稳定系统的充分条件,并将分析扩展以纳入额外的人类驾驶行为如幅值误差和反应延迟。数值模拟表明理论分析与模拟结果紧密吻合。该分析进一步提供了系统参数与稳定性判据之间关系的见解,并可用于设计具有更大最大保持长度的改进控制器。