智能驾驶员模型（IDM）的局限性与改进

本文分析了被广泛使用且知名的“智能驾驶员模型”（简称IDM），这是一个由常微分方程组控制的二阶跟车模型。尽管近年来该模型被深入研究以恰当捕捉交通现象与驾驶员制动行为，但据我们所知，对其适定性的严格研究从未开展。首先证明，对于一类特定初值，车辆速度会在有限时间内变为负值甚至发散至 $-\infty$，这两者均为跟车模型不期望具有的性质。随后提出IDM的多种修正以避免此类不适定。对模型的理论补救（而非通过代码实现的临时修正）使得数值实现更为严谨并保留模型特征。事实上，为避免不一致并确保动态接近原模型，可能需检查并清理大量输入数据，这在大规模仿真中可能导致实际不可能之情形。尽管适定性问题仅发生于特定初值，但在分析不同交通场景时可能频繁出现，尤其在存在换道、匝道及其他网络组件时（正如大多数常用微观仿真器中的情况）。另一方面，研究表明通过直接改进即可保证适定性，例如轻微改变加速度以防止速度变为负值。