CN113838287A - 判断网联自动驾驶环境下的混行交通流状态的方法及装置 - Google Patents

Abstract

本发明公开了一种判断网联自动驾驶环境下的混行交通流状态的方法及装置。其中方法包括，建立混行交通流的匝道元胞自动机模型；根据安全换道和行车最小化跟车时间，确定混行交通流的换道方法；基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系；并根据上述关系，判断混行交通流交通状态。本发明研究在匝道瓶颈处自动驾驶车和人工驾驶车混行交通流的换道和跟车规则，据此对下游匝道车流的合理疏导，在接近临界车辆密度时能够显著提高车辆通行效率。

Description

判断网联自动驾驶环境下的混行交通流状态的方法及装置

技术领域

本发明涉及交通技术领域，更具体地，涉及一种判断网联自动驾驶环境下的混行交通流状态的方法及装置。

背景技术

随着五峰山长江大桥南北公路接线工程的交工建成验收，标志着全国首条“面向未来的高速公路”正式建成完工，此项工程全力打造基于5G通信技术的车路协同技术。可以看出自动驾驶汽车是未来智慧城市交通的重要组成部分，尽管该系统仍处于开发阶段，但在不久的将来，自动驾驶汽车和人工驾驶的汽车将在交通系统中共存。

现阶段研究匝道瓶颈处的通行规律需要涉及以下两个部分技术：

第一，需要考虑自动驾驶车和人工驾驶特性的异质交通流模型。在国内，目前广州、长沙、上海、武汉、沧州、北京等6个城市已允许载人测试。根据相关行业发展调研显示，至2030年，自动驾驶车的销量占比为10.8％，据此测算，到2050年，自动驾驶车的市场占有率将达24.8％。因而，在以后数十年的时间里，自动驾驶车以及人工驾驶的车辆将会一起在路上驰骋，针对自动驾驶车和人工驾驶车混行交通流的研究就变得非常关键。除此之外，目前自动驾驶车受到多种因素制约能够获得的实测数据较少，我们需要借助微观仿真技术来研究自动驾驶车在匝道瓶颈处的通行状态。

第二，需要建立能够对应真实道路场景的自动驾驶车匝道换道和跟车规则。在现实生活中，匝道瓶颈道路包括了换道和跟车的复杂道路场景，我们通过对匝道瓶颈处混行交通流特征进行研究，分析车辆密度区间、出匝道比例以及匝道设施对城市道路通行效率的影响。

现有技术尚未对此有充分考虑。

发明内容

为了解决背景技术中存在的上述缺陷，本发明公开一种判断网联自动驾驶环境下的混行交通流状态的方法及装置。

本发明的第一方面，提供了一种判断网联自动驾驶环境下的混行交通流状态的方法，所述方法包括：

建立混行交通流的匝道元胞自动机模型；

基于所述混行交通流的匝道元胞自动机模型，根据安全换道和行车最小化跟车时间，确定混行交通流的换道方法；

基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系；

根据所述在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，或道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系，判断混行交通流交通状态。

本发明的第二方面，提供了一种判断网联自动驾驶环境下的混行交通流状态的装置，其包括处理器，所述处理器配置为，建立混行交通流的匝道元胞自动机模型；

基于所述混行交通流的匝道元胞自动机模型，根据安全换道和行车最小化跟车时间，确定混行交通流的换道方法；

基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系；

根据所述在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，或道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系，判断混行交通流交通状态。

本发明的第三方面，提供了一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据本发明各个实施例所述的判断网联自动驾驶环境下的混行交通流状态的方法。

本发明实施例提供的判断网联自动驾驶环境下的混行交通流状态的方法及装置，基于元胞自动机的自动驾驶车和人工驾驶车混行的匝道瓶颈通行模型，研究匝道缓冲区对交通流的影响。该实施方法充分考虑了自动驾驶车的跟车和换道特点，进而发现不同的混行车辆比例、自动驾驶车通信能力约束、匝道缓冲区出车道的设置和道路车辆密度对路网中交通流的影响。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。

图1示出了根据本发明实施例的判断网联自动驾驶环境下的混行交通流状态的方法的流程图；

图2示出了根据本发明实施例的无出车道匝道换道模型；

图3示出了根据本发明实施例的有出车道的匝道换道模型；

图4示出了根据本发明实施例的有出车道模型中间车道换道模型；

图5示出了根据本发明实施例的未发生拥堵时混行车流状态理论图解；

图6示出了根据本发明实施例的无出车道匝道瓶颈处交通流仿真模型；

图7示出了根据本发明实施例的考虑随机慢化概率下，上游主干道交通流基本图理论解与仿真解对比图；

图8示出了根据本发明实施例的考虑随机慢化概率下，下游主干道交通流基本图理论解与仿真解对比图；

图9示出了根据本发明实施例的考虑随机慢化概率下，下游匝道交通流基本图理论解与仿真解对比图；

图10示出了根据本发明实施例的判断网联自动驾驶环境下的混行交通流状态的装置的硬件框图。

具体实施方式

为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

图1所示为根据本发明实施例的判断网联自动驾驶环境下的混行交通流状态的方法的流程图。

如图1所示，本发明实施例的判断网联自动驾驶环境下的混行交通流状态的方法始于步骤S100，建立混行交通流的匝道元胞自动机模型；

需要注意的是，本文中所述的混行交通流并非仅仅包含人工驾驶车和自动驾驶车的交通流，还包含只有人工驾驶车或者自动驾驶车的交通流，即，此时，其中的一个车辆类型占比为0，另一个车辆类型占比为1。

在一些实施例中，混行交通流的匝道元胞自动机模型可以基于Nagel-Schreckenberg模型来建立，当然，本领域技术人员清楚，若采用其他模型，也可以依照本发明实施例中的技术思路来建立相同的模型，本发明实施例此处只是以该模型为示例，详细阐述本发明实施例的具体实施原理。

具体来说，对于人工驾驶车辆，直接使用Nagel-Schreckenberg模型，设定

是第n辆人工驾驶车在t时刻时的速度状态，

是第n辆人工驾驶车在t+1时刻时的速度状态，v_max为当前匝道允许行驶的最大车辆速度，

表示第n辆车与前车之间的车间距大小，其速度更新公式如下：

但是，本发明实施例还考虑到驾驶员的主观因素影响，需要考虑随机慢化的情况，其概率表示为q，因此，考虑随机慢化的情况下，对于人工驾驶车辆，其速度更新公式如下：

对于自动驾驶车辆，设定其自动驾驶车通信能力约束μ，自动驾驶车根据5G-V2X路测单元通信能力可以获得前方k辆车的速度信息，人工驾驶车会阻碍通信能力导致失效产生，这种通信能力能够使得自动驾驶车按照k+1辆车的规模编队行驶。设定

为第n+1辆车获得μ-1辆车速度来更新自己用于决策规划的虚拟速度状态。故，自动驾驶车的速度更新公式如下：

特殊的，当前一辆车时人工驾驶车的时候，则第n+1的虚拟速度表示为

此时

为0。

接着，本发明实施例根据如上所得到的速度更新公式，可以获得每辆车的位置更新公式：

其中，

是第n辆车在t+1时刻时的位置，

是第n辆人工驾驶车在t时刻时的位置，

是第n辆人工驾驶车在t+1时刻时的速度状态。

然后，在步骤S200中，基于所述混行交通流的匝道元胞自动机模型，根据安全换道和行车最小化跟车时间，确定混行交通流的换道方法。

在一些实施例中，处于非匝道缓冲区的车要满足安全原则和行车最小化跟车时间原则条件下进行换道。在当前车辆有超车行驶需求时，判断与待进入车道的前车间距是否满足行车时间最小，另外评估与后车的间距是否符合安全性换道的原则。处于匝道缓冲区的车辆需要采用强制换道原则，在满足上述安全性原则条件下，如果靠近匝道的车道无车则立即换道，这种强制换道可能会带来道路的快速拥堵。通过仿真实验，在本发明实施例的模型中，匝道缓冲区长度有利于增加道路平均车流量，自动驾驶车的比例和通信能力对车流量有一定提升。

具体来说，本发明实施例考虑到了多种换道模型，下面将一一根据如上所述的原则详细阐述各个换道模型的工作原理。

示例性的，图2示出了一种无出车道匝道换道模型。

如图2所示，无出车道匝道换道模型以两车道对称换道模型作为示例，其中

表示第n辆车与前车之间的车间距大小；

表示此时和其他车道的前车的间距大小；

表示此时和其他车道的后车的间距大小。

因此，Main Road的换道条件：

Shuffle Road的换道规则如下：

当当符合上述的要求后，则该辆车可以进行换道。

示例性的，图3示出了一种有出车道强制换道模型。

如图3所示，显示了无出车道缓冲区的双车道图。

Shuffle Road出匝道规则：

Shuffle Road非出匝道规则：

示例性的，图4示出了有出车道中间车道换道规则的车道图。中间车道的出匝道车辆和右方车道进行比较，满足换道条件后立即换到右侧出车道。若为非出匝道车辆则禁止驶入右侧车道，满足换道条件后可向左车道换道。

左车道的出匝道车辆与中间车道进行比较，判断是否满足换道条件，满足换道条件后立即换到中间车道。若匝道的首个元胞被车辆占用，则右车道的头车在匝道入口处停车等待。

在步骤S300中，本发明实施例可以利用微观模型，分析在匝道瓶颈处，道路车辆密度、自动驾驶车的比例、自动驾驶车通信能力约束和车流量之间的关系。具体来说，是基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系。

本发明实施例，对于人工驾驶车，由于受到司机的主观因素影响，需要考虑到车辆行驶中的随机慢化概率，而对于自动驾驶车流，则无需考虑。

在一些实施例中，考虑到混行交通流中仅仅只包含人工驾驶车或者自动驾驶车的情况。在该情况下，当不考虑慢化概率影响时，对人工驾驶车和自动驾驶车来说，当车道占有率α比较小时，根据Nagel-Schreckenberg模型，其解析表达式如下：

F_aver＝v_maxα

当车道占有率大时，发生拥堵时，临界交通流量为：

F_aver＝1-α

当车道占有率大时，发生拥堵时，临界车辆密度和交通流量为：

F_aver＝vα＝(μ+1)(1-α)

在考虑慢化概率影响时，假设慢化概率为q。当车道占有率小时，用

表示车流量的均值，其推导关系如下所示：

当车道占有率大时，发生拥堵时，临界车辆密度和交通流量为：

在一些实施例中，考虑到混行交通流中同时包含人工驾驶车和自动驾驶车的情况下。在该情况下，假设自动驾驶车的比例为β，车辆的通信能力μ为10，则可以知道有10(1-β)辆车会在前面行驶，且均为人工驾驶车。

在考虑慢化概率影响时，慢化概率q为0.2，当车道占有率小时，平均速度和交通流量为：

v_aver＝v_max-q+qβ

当车道占有率较大时，且k≥l(l为车队长度，β＝0.2)时，车道占有率与速度和交通流量之间的关系：

当车道占有率较大时，且k<l(l为车队长度，β＝0.8)时，车道占有率与速度和交通流量之间的关系：

在步骤S400中，根据所述在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，或道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系，判断混行交通流交通状态。

下面，本发明实施例将详细解释如何判断混行交通流交通状态。

根据上述分析推导，进行匝道上下游交通流的理论推导和仿真实验。如图5和图6所示，假设慢化概率大小为q，当车道占有率比较小的时候，每辆车都可以以最大速度行驶。上游主干道车流量的均值表示为

车道占有率为α。下游主干道车流量的均值表示为

车道占有率为α1。下游匝道车流量的均值表示为

车道占有率为α2。在上游主干道到达临界车辆密度α之前，其理论关系如下所示：

α＝α1+α2

当上游主干道(Main Road)车辆密度大于临界车辆密度，上游主干道产生拥堵，下游主干道(OUT)和下游匝道(Ramp)畅行时，每辆车的速度为v。此时，车道占有率与速度和流量之间的关系：

联立上述表达式可得在匝道瓶颈处的交通流状态为：

当上游主干道、下游主干道和下游匝道车辆密度均大于临界车辆密度时会产生拥堵，此时，车道占有率与速度和流量之间的关系：

联立上述表达式可得在匝道瓶颈处的交通流状态为：

接下来，为了验证上述理论的准确性，进行微观仿真试验，参考图7-图9所示，本发明实施例验证了在慢化概率为0.2，出匝道概率p为0.3时，最大车速v_max＝5时的匝道瓶颈处同质交通流“车道占有率-交通流量”解析式的合理性。将仿真解和理论解进行对比，发现仿真解聚集在了理论解均值的周围，匝道瓶颈处的上下游交通流流量关系也满足上述表达式，说明理论解析证明是正确的。

图10示出了根据本发明实施例的一种混合不确定下的主动故障诊断装置的硬件框图。如图8中所示，所述主动故障诊断装置400包括处理器410和存储器420，处理器410执行存储在存储器420中的指令时可实现。

处理器410可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，处理器410可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。处理器410还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。处理器410可以通信地耦合到存储器420并且被配置为执行存储在其上的计算机可执行指令，以执行上述实施例的判断混行交通流交通状态的方法。

存储器420可以是非暂时性计算机可读的介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。

本发明实施例还提供了一种存储有指令的非暂时性计算机可读介质，当指令由处理器执行时，执行根据如上任一所述的控制方法。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本发明的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，所述判断网联自动驾驶环境下的混行交通流状态的方法包括以下步骤：

建立混行交通流的匝道元胞自动机模型；

基于所述混行交通流的匝道元胞自动机模型，根据安全换道和行车最小化跟车时间，确定混行交通流的换道方法；

基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系；

根据所述在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，或道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系，判断混行交通流交通状态。

2.如权利要求1所述的判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，所述建立混行交通流的匝道元胞自动机模型，包括：

获取t时刻每个车辆的行驶速度和位置；

对于每辆人工驾驶车，根据以下公式更新的行驶速度：

其中，

是第n+1辆车在t时刻时的行驶速度，

是第n辆车在t时刻时的行驶速度，v_max为当前道路允许行驶的最大车辆速度，

表示第n辆车与前车之间的车间距大小；

对于每辆自动驾驶车，根据以下公式更新的行驶速度：

其中，

是第n+1辆车在t时刻时的行驶速度，

是第n辆车在t时刻时的行驶速度，v_max为当前道路允许行驶的最大车辆速度，

表示第n辆车与前车之间的车间距大小，

为第n+1辆车根据μ-1辆车速度获得的虚拟行驶速度，μ表示自动驾驶车通信能力约束，当第n-1辆车为人工驾驶车时，

3.如权利要求2所述的判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，对于每辆人工驾驶车，根据以下公式更新的行驶速度：

其中，

是第n+1辆车在t时刻时的行驶速度，q为慢化概率。

4.如权利要求1或2或3所述的判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，所述基于所述混行交通流的匝道元胞自动机模型，根据安全换道和行车最小化跟车时间，确定混行交通流的换道方法，包括：

在当前车辆有超车行驶需求时，判断与待进入车道的前车间距是否满足行车时间最小，以及与后车的间距是否符合安全性换道距离，若满足，则换道。

5.如权利要求4所述的判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率和交通流量之间的关系，包括：

在混行交通流中只有人工驾驶车的情况下，获取车道占有率α；

确定所述车道占有率α是否达到第一阈值；

在所述车道占有率α低于第一阈值的情况下，平均交通流量分别为：

其中，v_max为当前道路允许行驶的最大车辆速度，α为车道占有率，

平均交通流量，q为慢化概率；

而在所述车道占有率α达到第一阈值的情况下，平均交通流量为：

其中，

为平均交通流量，v为每辆车的行驶速度，q为慢化概率。

6.如权利要求4所述的判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，包括：

在混行交通流中只有自动驾驶车的情况下，获取车道占有率α；

确定所述车道占有率α是否达到第二阈值；

在所述车道占有率α低于第二阈值的情况下，临界交通流量为：

F_aver＝v_maxα

其中，F_aver表示临界交通流量，v_max为当前道路允许行驶的最大车辆速度，α为车道占有率；

而在所述车道占有率α达到第二阈值的情况下，临界交通流量为：

F_aver＝vα＝(μ+1)(1-α)

其中，μ表示通信能力约束，F_aver表示临界交通流量，v为每辆车的行驶速度。

7.如权利要求4所述的判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系，包括：

在所述混行交通流包含有人工驾驶车和自动驾驶车的情况下，获取车道占有率α，自动驾驶车的比例β、自动驾驶车通信能力约束μ；

确定所述车道占有率α是否达到第三阈值；

在所述车道占有率α低于第三阈值的情况下，平均速度和平均交通流量为：

v_aver＝v_max-q+qβ

其中，v_aver为平均速度，

为平均交通流量，q为慢化概率；

在所述车道占有率α低于第三阈值的情况下，当k≥l时，其中，k为自动驾驶车与前方车辆进行通信的最大车辆数，l为车队长度，车道占有率与速度和平均交通流量之间的关系为：

其中，v为每辆车的行驶速度；

在所述车道占有率α低于第三阈值的情况下，当车道占有率较大时，且k＜l时，k为自动驾驶车与前方车辆进行通信的最大车辆数，l为车队长度，车道占有率与速度和交通流量之间的关系：

其中，v为每辆车的行驶速度。

8.如权利要求5或6或7所述的判断网联自动驾驶环境下的混行交通流状态的方法，其特征在于，所述根据所述在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，或道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系，判断混行交通流交通状态，包括：

若在匝道瓶颈处的交通流状态为：

其中，

为上游主干道车流量的均值表示，

为下游主干道车流量的均值，

为下游匝道车流量的均值，

判断混行交通流交通状态为：上游主干道车辆密度大于临界车辆密度，上游主干道产生拥堵，下游主干道和下游匝道畅行；

若在匝道瓶颈处的交通流状态为：

其中，q为慢化概率，

为上游主干道车流量的均值表示，

为下游主干道车流量的均值，

为下游匝道车流量的均值，

判断混行交通流交通状态为：上游主干道、下游主干道和下游匝道车辆密度均大于临界车辆密度。

9.一种判断网联自动驾驶环境下的混行交通流状态的装置，其特征在于，包括处理器，所述处理器配置为：

建立混行交通流的匝道元胞自动机模型；

基于所述混行交通流的匝道元胞自动机模型，根据安全换道和行车最小化跟车时间，确定混行交通流的换道方法；

基于所述混行交通流的匝道元胞自动机模型，获得在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系；

根据所述在匝道瓶颈处，道路占有率和交通流量之间的关系，或道路占有率、自动驾驶车通信能力约束和交通流量之间的关系，或道路占有率、自动驾驶车的比例、自动驾驶车通信能力约束和交通流量之间的关系，判断混行交通流交通状态。

10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至8中任一项所述的判断网联自动驾驶环境下的混行交通流状态的方法。

Images