谢光强，赵俊伟，李 杨，许浩然

（广东工业大学 计算机学院，广东 广州 510006）

车辆换道是基本驾驶行为之一，不合理的换道行为可能会导致道路交通拥堵[1]。车辆换道的早期研究[2-5]都是根据现实车辆获取信息方式和人工驾驶的前向特征进行模型构建，如MITSIM模型[2]、最小安全换道距离模型[3]、STCA模型[4]及其改进的STCA-I模型[5]等。但是人工驾驶会因视觉的障碍使上述模型对提高交通效率具有局限性。随着车路协同技术的发展，有学者探讨在未来车路信息交互的方式下新的车辆协同换道机制[6]。李珣等[6]提出车路协同技术下基于行车指引的改进STCA双车道模型STCA-M，利用了网联车辆(Connected vehicles， CV)信息共享的特性，提高了换道频率。但这类模型局限于元胞自动机理论状态离散化的特点，无法精确地模拟车辆在真实场景下的换道轨迹，主要用作微观交通流的研究。

智能网联汽车(Connected and Automated vehicle，CAV)是拥有完善的车辆控制系统并且能实时与周围车辆分享路况信息的智能车辆，能够有效弥补人为因素的缺陷[7-8]。近些年，针对CAV环境下的协同换道研究取得不少进展[9-14]。杨刚等[10]建立新的安全距离模型，根据车辆轨迹规划实现车辆并行场景下的协同换道。Li等[11]提出一个两阶段的路径规划框架允许多辆CAV同时换道并且不用考虑碰撞约束。但由于上述方法较为复杂并且会随着换道过程中增加的协作车辆数量进一步增加控制问题的维度和计算复杂性[13]，不具有普适性。而多智能体系统属于分布式人工智能，具有自治性、鲁棒性、高效和低成本等优势[15-17]。……