--关注、星标、回复“自主泊车”--
匝道汇入区域是高速公路中的事故多发段，汇入的匝道车辆会对主干道交通流产生严重干扰，并对交通效率和安全行驶产生各种负面影响。在过去的几十年里，已经开发了许多智能网联驾驶汽车(CAVs)的通信和自动化能力的策略，致力于促进高速公路匝道上的汇入/变道操作。CAVs具有实时通信和精确运动控制的能力，通过加强协调策略，在促进匝道汇入操作方面展现出巨大潜力。本文旨在全面回顾现有自动驾驶汽车匝道汇入策略，重点关注该研究领域的最新趋势和发展。本文对CAVs高速公路匝道汇入的合作/协调策略进行了全面的综述，重点介绍了该领域的最新进展，包括所需的技术、控制决策水平、应用方法和对交通性能的影响。根据不同应用场景将控制策略分为三类：汇入到仅有CAVs的单车道高速公路的策略、汇入到具有混合交通流的单车高速公路的策略和汇入到多车道高速公路的策略。欢迎关注「智驾最前沿」微信视频号
匝道汇入是高速公路交通运行的关键，汇入操作会给主道交通流施加频繁干扰，进而导致各种问题，如交通波动、燃料使用和排放增加、安全问题和经常性交通拥堵(Cassidy和Bertini, 1999; Mergia et al.，2013; Srivastava和Geroliminis, 2013; Han和Ahn, 2018; Wang et al.， 2019; Larsson et al.，2021; Ali et al.，2021; Zhang和Yang, 2021)。然而，随着车辆通信和自动驾驶技术的发展，在匝道汇入区域预防或减轻这种不利交通影响的可能性已经存在。传统的交通管理方法，如匝道计量和变速限制/主道流量控制，只能在聚合级别上控制流量。新兴的联网和自动驾驶汽车(CAVs)为规范单个车辆的行为提供了机会，并促进了入口匝道汇入区域的高级合作与协调。在过去的几十年里，许多基于CAVs的通信和自动化能力的策略已经被开发出来，致力于促进高速公路匝道上的汇入/变道操作。尽管现有策略在改善匝道汇入操作上具有相同的目标，但在许多方面存在重大差异，例如所需的车辆技术(联网、自动或联网和自动)、所需的自动化水平(全自动、部分自动化或驾驶员辅助)、控制方向(纵向、横向或横向)。Scarinci和Heydecker(2014)、Bevly等人(2016)和Rios-Torres和Malikopoulos (2017b)对之前的研究进行了回顾，先前的策略主要集中在少数个别车辆之间的相互作用，仅在简单的用例中展示策略的优点。此外，这些研究通常做出简化了对交通组成和高速公路布局的假设。近年来，CAV匝道汇入技术取得了重大进展，可分为针对连续交通流层面的策略，在CAVs和人类驾驶汽车(HDVs)共存的交通状况下的策略，以及针对多车道高速公路的策略，该场景下主道车辆可自由变化车道，可能影响汇入交通。本文对促进自动驾驶汽车高速公路匝道汇入的合作/协调策略进行了全面的综述，重点介绍了该领域的最新进展。在此基础上，确定了CAV匝道汇入的现有研究空白，并讨论了解决这些空白的潜在和有希望的未来研究方向。根据应用场景的不同，研究被分为三类：全自动驾驶汽车普及率的单车道高速公路、CAVs和HDVs混合的交通条件下单车道高速公路和多车道高速公路策略。根据两个标准对相关文献进行分类：主道是单车道或多车道、仅CAV或混合交通流。汇入区域处主车道数决定了主道车辆能否进行变道机动，从而对汇入控制策略和问题复杂性产生重要影响。仅自动驾驶汽车或混合交通决定了无法控制的人类驾驶员是否参与，从而显著影响控制策略。因此，控制策略随着这两个因素的变化非常显著，所以被用来分类相关文献。请注意，并非回顾的所有研究都假设相同的CAV能力水平，例如，有些策略需要配备车载驾驶员预警系统的联网汽车(CV)，有些策略则适用于配备高分辨率传感器的自动驾驶汽车(AV)。然而，这些策略本质上与需要完整CAV功能的策略相同。例如，仅涉及自动驾驶汽车的策略通常通过假设人类驾驶员将严格遵循预警系统的建议(即人类驾驶员将执行与自动驾驶汽车相同水平的车辆控制)来实现。因此，这些策略可以直接转移到CAV操作中，以获得更好的性能。这些策略的详细特征，包括车辆能力、渗透水平、高速公路布局、控制决策和主要分析方法。本文剩下内容的结构如下：具有全CAV渗透率的单车道高速公路的汇入策略；混合交通单车道高速公路的汇入策略；多车道高速公路配置下的汇入策略；对现有的研究不足和未来的研究方向进行讨论。
新兴的车辆通信和自动化技术赋予了自动驾驶汽车进行协作和协调汇入的能力。通信技术允许使用专用短程无线电通信和蜂窝网络在道路使用者、交通基础设施和控制中心之间进行详细和及时的信息交换。因此，车辆的机动可以通过交通参与者之间的实时协商来规划。此外，因为它们在识别、决策和执行过程中不容易出现延迟和错误，车辆的自动驾驶系统可以稳定、及时地执行规划的活动。根据控制水平的不同，现有CAV汇入策略可分为操作控制和策略控制。操作控制层决定车辆的下层动作，如逐步加速和减速。相反，策略控制层处理上层决策，例如汇入序列和间隙。本节回顾了全CAV渗透的单车道高速公路(如图1所示)的汇入策略。在现实中，主道通常有多条车道，因此，单车道高速公路的控制假设在最外侧车道且无变道行为。图1 CAVs渗透量100%的单车道高速公路的汇入控制下层控制可以规划相关车辆的行动以提高入匝道汇入时的交通性能。解决主道-匝道合流冲突的一个典型方法是采用“虚拟车辆/虚拟编队”的概念，即将主道和匝道车辆映射到彼此的车道上，从而将汇入问题转化为虚拟车辆跟随问题。通过跟随虚拟领导者，而非物理领导者，车辆可以提前调整其纵向位置以保持平稳、安全汇入。Milanés等人(2010)开发了一种用于车辆油门和刹车控制的模糊控制器，使得车辆与其虚拟领导者保持参考距离。应用该控制器的实车实验表明测试车可成功地汇入另外两辆车之间。随后的几项研究采用类似的虚拟编队思想进行无碰撞汇入(Wang等人，2013；Chen等人，2021b；Hu 等人，2021；Liao等人，2021；Mu等人，2021)。虽然这些方法能够实现平稳、安全的汇入，但在汇入效率方面优势不足，这是因为其解决方案更直观，而不是系统最优。还有一些研究并非使用直观的控制策略，而是致力于在优化框架下改善CAV汇入轨迹。这一研究流派的关键区别在于，他们制定了优化控制模型和相应的求解器，通过优化而不是预定义规则来获得控制变量。不同研究中的优化模型针对不同的目标，包括交通效率、能源使用和乘客舒适度，同时受到车辆动力学、安全性要求和技术约束。例如，Cao等人(2015)将匝道汇入区域抽象为二维直角坐标系中的直线，以描述匝道汇入车辆与其主道跟随车辆之间的相互作用，通过最小化由加速度、速度偏差、匝道车辆的横向位置和两辆冲突车辆之间的距离组成的惩罚函数来共同规划车辆的运动。该算法在模型预测控制(MPC)方案中实现，并在仿真中实现了协作、无碰撞的汇入行为。同样，Zhou等人(2019a)将匝道车辆和主道车辆组成的车辆对之间的合作表述为两个相互关联的最优轨迹规划问题，该算法考虑了车辆加速度的显式边界，并允许灵活地选择汇入位置。在该优化框架中，主道通行车的最优控制问题可定义为：其中，t_f为汇入过程持续的时间，x(t)、v(t)是表示通行车距离、速度的状态变量。x_0、v_0是汇入控制开始时的初始状态，x_e、v_e是控制后的预期状态和最终状态。λ是常数项，用于惩罚汇入过程的持续时间。同时，匝道汇入车辆的最优控制问题可表述为：其中，x^m_e和v^m_e分别是控制后汇入车辆的期望位置和速度，λ1和λ2是两个恒定的加权因子，用于惩罚与期望位置、与速度的偏差。采用递归优化方法可解决由前车引入的外部干扰，并通过数值实验验证优化方法的有效性。Xu 和 Shen(2021)研究了混合动力电动汽车(HEV)的汇入问题，该研究同时确定匝道汇入时自动HEV的发动机和电机之间的速度和扭矩分配，以实现最小的行驶时间和能源成本。在集中汇入控制分支中，可以同时提高相关车辆的汇入效率。此外，廖等人(2021)设计了基于车云(V2C)通信的自动驾驶汽车协同系统，车辆将实时状态上传到云服务器，以确定匝道车辆汇入进主道两车之间的建议速度。然而，在轨迹规划中只考虑一辆车会忽略该车控制对交通流中其他车辆的影响，可能导致结果次优。为了全面解决这一缺点，将通讯控制范围从单对车辆扩展到一系列车辆。Ntousakis et al. (2016)假设存在预先确定的相关车辆汇入序列，并且车辆从其实际领导者和假定领导者那里收集信息以规划其最佳轨迹。该研究考虑了各种成本函数，包括车辆加速度、冲击度和他们的一阶导数。结果表明，该控制器在发动机功率和乘客舒适度方面优于典型的自适应巡航控制器（ACC）。RiosTorres和Malikopoulos (2017a)按照先进先出的顺序组织车辆，并建立了控制区域内所有车辆总油耗最小的最优框架，通过只规范一辆可能穿过汇入区的车辆，避免了汇入碰撞。利用哈密顿分析，推导出一个闭环解，并通过仿真验证了汇入算法在平滑车辆轨迹和降低油耗方面的优势。之后，Sonbolestan 等人(2021)进一步采用了通过轨迹规划来降低油耗的思想，确定了匝道车辆的最佳汇入位置，并在以现场交通数据为输入的仿真中验证了该策略。Letter and Elefteriadou(2017)开发了一种基于优化的策略以最大化汇入区域内车辆的平均速度。该算法首先根据估计的车辆到达时间确定汇入序列，然后将每辆车的运动约束在其领导车辆的轨迹上。该策略即使在过饱和条件下也能有效提高汇入吞吐量、效率和舒适度。同样地，Xie等人(2017)提出的策略目标是在特定决策区间内最大化所有车辆的总速度，同时确保所有车道上连续车辆之间的安全距离。该策略在吞吐量、车速和延迟方面优于无控制情况和渐进式限速策略。除了上述方法外，研究人员还开发出其他用于CAV匝道汇入场景的运动决策方法。Ward等人(2017)的研究对一组候选轨迹进行了评估，以根据包含汇入进度、舒适度和风险的成本函数选择最优轨迹，候选轨迹的评估考虑了由概率智能驾驶员模型(IDM)预测的周围车辆的响应运动。Fukuyama(2020)使用双层动态博弈方法来解释一对竞争车辆之间的相互作用，该方法为：每辆车在考虑竞争车辆的潜在行动/反应的同时做出轨迹决策，以最大化其驾驶效用。近年来，反馈和前馈方法已被应用于自动驾驶汽车的实时运动控制中。例如，Chen等人(2021b)设计了一种运动控制器，以速度差和间距误差作为反馈分量，以前馈加速度作为前馈信息，产生纵向运动命令。另外，还分析证明了所提控制器的字符串稳定性。Hu等人(2021)设计了一种运动控制器来处理车辆动力学中的非线性和时变不确定性，控制器以间距误差作为控制对象，在周围车辆速度变化和多匝道车辆同时汇入的危急情况下，对其有效性进行了评估。许多下层运动规划策略需要以汇入序列为输入，然而，其基于相对简单的规则直观地确定汇入顺序，如先进先出、虚拟车辆映射和估计到达时间，这为通过更有效地设计汇入序列来进一步改善汇入协作留下了机会。最近的一些研究揭示了汇入序列规划问题，如Xu等人(2019b)使用遗传算法来解决汇入序列的选择问题。此外，通过结合主道车辆行驶时间和匝道车辆允许汇入数量的适应度函数评估候选序列的效用，如下所示：其中 fmainline和fmerging是主道与匝道车辆的效用函数，与通行时间和汇入车辆的数目有关。ω1和ω2是权重系数，为常数。e_v是汇入后车辆的速度误差，e_s是汇入后车辆的空间误差，g1和g2是惩罚因子。采用遗传算法求解优化问题，该算法对汇入序列进行二值化编码，并通过选择、交叉和变异对候选序列进行采样。经过一定的代数后，选择适应度值最大的汇入序列。Xu等人(2019a)将车间距离小于预定义阈值的车辆分组，组内车辆汇入顺序保持不变。然后，通过列举所有可能的顺序对组进行排序，以选择总通过时间和延迟最小的组。该策略能够以较少的计算时间找到接近最优的解，并在计算效率和流量性能之间取得良好的平衡。同样，Pei等人(2019)开发了一种策略，以在保持结果最优性的前提下提高搜索最优汇入序列的计算效率。通过规定同一道路上的车辆遵循先入先出的顺序，该策略在两条线路(主道/匝道)之间而不是在单个车辆之间分配路权，从而大大降低了排序问题的复杂性。此外，最近的一些研究将汇入序列的选择与车辆轨迹的规划结合起来。例如Ding等人(2020)设计了一系列规则来调整车辆的汇入顺序，并据此规划每辆车的运动。基于不同道路车辆之间的车头时距通常大于同一道路车辆之间的车头时距，建议规则允许同一道路车辆一起通过汇入区域，以减少优先通行权的切换。Jing等人(2019)开发了一种整合汇入序列和轨迹决策的优化模型，模型目标包括与汇入顺序相关的策略成本和由车辆加速度与冲击度决定的动作成本。Chen等人(2020)确定了每个匝道车辆的汇入间隙，而不是决定汇入顺序，该战略由策略层和操作层组成。策略层采用二阶动力学模型估计不同间隙下的轨迹成本，选择成本最低的间隙。操作层利用三阶动力学模型进一步优化轨迹。类似地，Nishi等人(2019)对每个匝道车辆的汇入间隙及其轨迹进行了联合决策，该策略基于从现场数据中学习到的状态值函数，使用被动行为者批评方法选择成本最低的策略。上述CAV匝道汇入策略主要集中在控制单个车辆的局部和微观层面的效益。通过对入口匝道汇入处两种交通流进行综合控制，可以实现整体交通流性能的改善。Scarinci等人(2015)和Scarinci等人(2017)介绍了这种聚合控制系统的一个例子，即在控制策略下，定期将主道交通压缩成较大的间隙，并通过匝道计量信号将匝道车辆释放到间隙中。然而，该策略规定匝道车辆的放行完全取决于主道情况，因此没有主动地考虑匝道交通的效率。该策略建立在宏观交通流理论的基础上，明确考虑了间隙形成的动力学。验证结果表明，所提出的策略与现实世界的实现相兼容，可以减少拥堵的发生和延迟合并车辆的数量。可以预测到，在自动驾驶汽车全面上市之前，CAVs和HDVs会长期共享公共道路。由于HDVs的不可控性会给交通管理带来诸多不确定性，将会给CAVs的汇入控制带来巨大挑战。因此，设计考虑HDVs的CAV控制策略是最近研究的主要目标。本节回顾了CAVs和HDVs共存的单车道高速公路场景下的控制策略。混合交通场景中的一个典型控制问题是指导CAV从匝道汇入进存在HDVs的主车道交通中，应该预测HDVs的策略并将其显式地考虑进CAVs的运动规划中。为解决这个问题，Kherroubi等人(2021)使用人工神经网络和实车数据训练了一个概率分类器来预测人类驾驶员的通过意图。进一步地，将该预测作为强化学习智能体的输入，以控制汇入CAV的纵向加速度。仿真结果表明，该控制方法能够有效减少匝道汇入时车辆的冲突次数和停车次数。Okuda等人(2021)开发了一个逻辑回归模型来估计主车道人类驾驶员的决策(表示为接受前方车辆汇入的概率)。基于这些决策，提出了一种汇入策略，其通过主动调整汇入CAV的速度来最大化主线人类驾驶员的接受概率。优化问题如下所示：其中，t是当前时刻，k是预测域内的时间指数。K是预测域内的总步数。d^M,E、v^M,E和a^M,E分别表示主道跟随车和匝道汇入车之间的距离、相对速度、相对加速度。d^L,E(t)是主道前车和汇入车间的距离，d^gamma,E(t)是汇入车距离加速度区末端的距离。该控制策略执行于MPC方案下。与匝道CAVs汇入控制不同，Zhou等人(2017)关注的是主车道上CAVs的控制。作者采用IDM来捕捉主车到CAVs的适应和合作行为，并研究了一个说明性的案例，结果表明：增加自动驾驶汽车的渗透率可以减少总行驶时间，并平滑入口匝道汇入时的交通波动。此外，一些研究致力于通过同时控制主道和匝道车辆来促进匝道汇入。Zhou等人(2019a)联合规划了匝道汇入车辆和主道通行车辆的运动。随后，该团队进一步引入了通行车辆协同速度的下界，以抑制对上游交通的不利影响，避免主道上速度下降过多。在混合交通场景下对改进策略进行测试，结果表明，该策略能够降低追尾碰撞的风险，并缓解主道交通流量的速度变化。Karimi 等人(2020)根据汇入三联体(即目标车道上的合并车辆、其假定的领导者和追随者)中CAV和HDV的组合将汇入情况分为六类，并为每类情况单独制定了一个合作策略，即在一系列设定点检查期望的速度和车辆间距离。数值研究表明，该策略可以实现平滑、协作汇入。上述混合交通流下的策略关注的是匝道上一辆车和主道上与其直接相邻车辆之间的交互，然而，这些策略忽略了对周围交通的影响。通过在优化框架下对多车运动进行联合规划，可以提高汇入区域的整体交通性能。Mu等人(2021)开发了一种轨迹规划方法，首先将多个主道和匝道车辆组成虚拟队列。然后，规划编队的运动以最大限度地提高车辆在特定规划期间的平均行驶距离。该方法按以下两步操作可将该策略扩展到CAV-HDV混合的场景中:（1）将混合的车辆串划分为包含一个领航CAV和其他几个跟随的HDV的块；Ito等人(2019)设计了一个汇入规划系统，其中全局控制器收集CAV信息并估计HDVs的状态。这些状态信息被编码并传播给汇入区域的所有道路使用者，以便自动驾驶汽车的本地控制器可以使用这些信息来规划他们的轨迹。Omidvar等人(2020)对Letter和Elefteriadou(2017)中的混合交通流合并策略进行了扩展。该模型通过实时校正机制解释了HDV预测行为与实际行为之间的偏差，其不足之处是过于简化了HDV驱动模式。Sun等人(2020)将汇入间隙的选择和车辆轨迹的设计整合为一个优化问题。该问题假设了CAV和HDVs的不同驾驶规则，并考虑了主道上一系列上游车辆的利益。Ding等人(2019)将他们之前的策略(Ding等人， 2020)应用于CAV-HDV混合条件下，讨论了CAV的渗透量对吞吐量、交通效率、燃料使用和排放的影响。Rios-Torres和Malikopoulos(2018)将Rios-Torres和Malikopoulos (2017a)开发的运动规划器应用于CAV和HDV共存的环境，以调查CAV的增加的百分比如何影响入口匝道汇入时的能源使用。然而，这些研究(Rios-Torres 和 Malikopoulos, 2018;Ding等人，2019)侧重于评估现有控制框架下CAV渗透率的影响，而不是针对混合交通条件设计特定的CAV控制策略。在交通流层面，Chen等人(2021a)采用了周期性间隙产生的思想，并将其与批量汇入策略相结合，以消除入匝道车辆变道机动引起的额外时间间隙。从理论上证明了该系统可以减少未使用的道路容量，提高合并吞吐量。
上述策略考虑的是仅有一条车道的简单高速公路布局，忽略了主车道间的变道行为。然而，单车道高速公路的布局在实践中并不常见。本节回顾了适用于更现实的多车道高速公路场景的CAV匝道合并策略，如图4所示。由于主车道上有多条车道，主车道车辆的换道决策会影响匝道车辆的汇入选择，同时在匝道汇入合作中引入更多的不确定性，给网联汽车的控制带来巨大挑战。Marinescu(2012)等人率先展开研究，设计了集中控制和分布控制相结合的混合系统，以进行主道车辆和匝道车辆间的协商。该系统将多车道高速公路上的空间划分移动槽，为车辆分配移动槽以实现简单的汇入。规定主道车辆倾向于驶入其左前方的空闲槽，以利用内车道的空间，从而为匝道车辆合并腾出更多的槽。后续研究遵循类似的思想，提出了各种解决方案，以通过主动控制车辆来释放最外侧车道的空间。Karbalaieali等人 (2020) 考虑双车道场景下，从各种候选动作（加速、减速或换道）组合中选择能最大限度地减少匝道车辆和主车道上的直接竞争车的总行驶时间的行动。虽然交通效率有所提高，但所提策略使用离散的策略空间，更复杂的动作控制问题还有待研究。Hang等人(2021)将汇入过程解释为涉及匝道车辆和直接受其影响的主车道车辆的合作博弈。在该博弈中，每辆车基于其对效率、安全性和舒适性的个性化偏好决定是合作还是独立行动。此外，以合作利益最大化为目标，对每次合作的变道决策和车辆纵向轨迹进行优化。Karbalaieali等人(2020)和Hang等人(2021)一次仅考虑一辆匝道车辆，这使得当匝道车辆频繁到达时，策略的有效性降低。为了适应多匝道车辆合并，Hu和Sun(2019)对Letter和Elefteriadou(2017)的轨迹优化策略进行扩展，以应用于多车道场景，具体的扩展策略是在轨迹控制区的上游设计一个合作变道区，将外车道部分主车道车辆分配到内车道，以平衡汇入后主车道间的流量。在优化过程中，对汇入轨迹进行优化，使目标车辆的速度最大化，目标函数及约束如下:其中，t是时间步长索引，xt和Xt分别是本车和冲突车的位置，vt、at和jt分别是本车的速度、加速度和冲击度。g^GM_max、dmi分别是最小时距和最小车头间距。仿真结果表明，综合策略在降低延迟和提高车速方面优于原策略。Liu et al.(2021)也将车道选择模型与轨迹规划问题集成在一起，以考虑车道之间的不均匀性。车道选择模型采用强化学习方法，根据实时交通流情况输出每辆车的车道选择决策。此外，最近的研究考虑了多车道汇入区域中CAV和HDV共存的更复杂的情况。Gao等人(2021)开发了一种基于优化的轨迹规划策略，可以灵活选择方便主车道车辆和汇入点。在双车道高速公路汇入区，对该策略进行了不同CAV渗透率下的测试。Williams等人(2021)考虑了车辆在多车道高速公路上可以自由变道的挑战场景，特别是与不受控制的HDVs共存的情况，因此协调的主道车辆可能会随着时间的推移而变化。为解决这一问题，本研究提出了一种更新汇入序列的机制，并实时考虑测量车辆位置的偏差。Guo等人(2020)开发了一种用于高速公路出入匝道场景下变道控制的强化学习方法。自动智能体将车辆的速度及其与周围车辆的距离(在当前和相邻车道上)作为输入，并输出速度决策(增加/减少速度)和变道决策(保持当前车道或改变车道)。近期的研究考虑了匝道宏观交通流性能，提出了综合多种匝道控制措施的策略。例如，Tajdari等人(2020)将自动驾驶汽车的变道控制与传统的匝道计量策略相结合。该组合策略基于基于单元格的交通流模型，通过确定车道间换道流量和匝道流入率，将瓶颈密度保持在最大吞吐量的临界密度水平。Pan等人(2021)采用了类似的想法，将自动驾驶汽车的匝道计量、变速控制、变道控制及相应地给HDVs的建议集成在一个控制系统中。该策略明确考虑了交通流的稳定性和人类驾驶员的服从率，在交通效率、能源使用和排放方面有明显的好处。
基于对CAV匝道汇入协调领域现有研究的综合回顾，发现目前研究仍存在如下空白：以往对CAV匝道汇入的研究大多集中在底层的车辆轨迹设计上，有些则考虑了上层决策，如选择汇入序列和汇入间隙。此外，只有少数研究涉及交通流层面的控制策略的发展。因此，需要一个综合的系统来考虑这两个控制层次的各种基本要素。现有混合交通下的策略通常对HDVs的驾驶模式进行简单的假设。例如，这些策略假设HDVs严格遵循特定的预定义驾驶规则，且在人类驾驶员中不存在错误、延迟或差异。不幸的是，这些假设往往低估了HDVs带来的不确定性，高估了人类驾驶员的合作意愿。大多数现有的混合交通下的策略仅将HDVs视为一个会限制CAV行为的不受控制的外部因素，而尚未探讨影响HDVs行为的可能性，以增强协调效益。由于多车道控制问题比较复杂，现有的许多策略只能在离散的决策空中给出解决方案(如一个步长内速度增加/减少，换道与否)。因此，在深入的交通流层面结果分析的基础上，应进一步研究更复杂的纵向和横向协调策略。
本文对现有的CAVs高速公路匝道汇入策略进行了全面的回顾，重点介绍了该领域的最新趋势和发展。根据应用场景，将策略分为三类：以往关于CAV汇入协调的研究倾向于简化汇入场景，并假设具有自动驾驶汽车总渗透率的单车道高速公路布局。在简化场景下，主道上的自由变道行为和由不受控制的HDVs引起的不确定性被忽略。最近的研究工作陆续地将这些因素考虑在内，如考虑存在HDVs的研究致力于预测HDVs的意图/行为，并将预测作为CAV规划控制的输入。在多车道高速公路的配置下，将主道自动驾驶汽车的主动变道决策纳入控制框架，以充分利用汇入口的容纳能力，提高匝道汇入操作的整体性能。优化是应用于CAV汇入问题求解的最广泛方法，特别是轨迹规划问题。优化模型的目标侧重于交通效率、安全、能源利用和乘客舒适度等不同性能指标，同时受到车辆动力学、技术限制、安全约束和交通流运行要求的约束。最近的研究对应用其他先进方法实现CAV汇入控制的可能性进行了探索，如机器学习、博弈论和反馈控制。现有的CAV匝道汇入研究大多侧重于轨道规划等底层控制，尽管有一些研究解决了仅存在CAV的单车道高速公路的上层控制问题，但应用于多车道和单车道混合交通场景的上层控制和交通流控制研究非常有限，这就是为什么在混合交通场景及多车道场景下，没有分别对单车道高速公路的上层和下层控制进行综述的原因。因此，未来应主要进行改进多车道和混合交通场景下的匝道汇入鲁棒控制研究，这两种场景在未来会普遍存在。尽管本文进行了全面的综述，但研究仍有一些不足。首先，该综述关注CAV匝道协调的最新进展，不包括一些关于自动公路系统的早期研究(Ioannou, 2013;例如，欧洲航空安全局，2007年)。读者可参考包含前期研究的综述，如Scarinci 和 Heydecker (2014)和Rios-Torres 和 Malikopoulos (2017b)，以获得全面了解。其次，本文对CAV匝道汇入情况进行了研究。然而，覆盖更多情况的策略研究有利于对CAV合并问题的总体理解，比如工作区汇入(Cao等人，2021)，车道下降(Zhang等人，2019)以及在匝道和编织路段变道(郑，2014;Amini等，2021;Nagalur Subraveti等人， 2021)等情况。Jie Zhu, Said Easa, Kun Gao, Merging control strategies of connected and autonomous vehicles at freeway on-ramps: A comprehensive review, Journal of Intelligent and Connected Vehicles.转载自智能运载装备研究所，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。
-- END --
