梁 军，王 军，杨云庆，陈 龙，盘朝奉，鲁光泉

（1. 江苏大学汽车工程研究院，镇江 212013；2. 江苏大学运输服务中心，镇江 212013；3. 北京航空航天大学交通科学与工程学院，北京 100191）

前言

在网联车（connected and autonomous vehicle，CAV）与传统车辆共存的混行交通流场景下，伴随着自动驾驶技术的突飞猛进和CAV 渗透率（指其数量在混合交通流全部车辆中的比例）的不断提高［1］，出现了实时性差、车队稳定性不足等问题。因此，混行交通流下CAV跟驰模型成为当前研究热点［2-3］。

目前CAV跟驰模型主要有刺激-反映模型［4］、安全距离模型［5-6］、生理-心理模型［7］和人工智能类模型［8-9］4种。人工智能类模型主要是通过驾驶员的逻辑推理来研究驾驶行为的跟驰模型［10-11］，相比于前3种跟驰模型，它具有局部稳定性好［12］、计算时间短和准确率高的特点［13］。张金辉等［14］在混行交通流场景下，通过贝叶斯网络对跟驰过程中前车未来0.1、0.5、1 和2 s 时刻的运动状态进行预测，但该模型计算时间较长，导致跟驰模型准确率较低，对CAV 控制不够精确；郭艳君等［15］利用遗传算法优化了BP神经网络跟驰模型，提高了CAV 跟驰模型的准确率，但模型在混行交通流下仍存在一定的局限性；Ding等［16］将基于 BP 神经网络的 Gipps 模型与 BP 模型耦合，改进了最优加权法的目标函数，建立了线性组合跟驰模型（linear combination car‑following model，LC‑CF），提高了跟驰模型在混行交通流下的适应能力，但对于前车车速变化的实时性较差；Kuefler 等［17］将模仿学习扩展到循环策略的训练中，将驾驶员行为克隆添加进跟驰行为中，提升了混行交通流下跟驰车辆的实时性，但不足的是无法对不良驾驶行为进行识别剔除，存在安全隐患。……