TRB | 自动驾驶车越多,道路通行能力一定越高吗?

论文提出CAV聚集强度指标，用马尔可夫链推导混合车道容量，并比较渗透率、车队规模和车辆排列对容量边界及随机波动的作用，为道路规划提供新基准。

联网自动驾驶车辆进入道路后，车道容量并不只取决于CAV占比。相同渗透率下，CAV是分散在人工驾驶车辆之间，还是相互靠近形成车队，会改变道路上的跟驰组合和平均安全车头时距；通信距离、串稳定性与安全要求又会限制车队能够持续扩大的规模。

这篇论文为车辆排列提出可直接计算的CAV聚集强度指标，并把渗透率、最大车队规模与聚集强度写入同一个容量函数。结果显示，在激进和中等技术情景中，提高CAV渗透率与聚集强度通常增加容量；但在保守情景中，渗透率提高反而降低容量。若把车队规模错误地视为无限，在50%渗透率处，容量上界和下界分别可能相差29.1%与21.4%。

1

基本信息

论文原题名：Unveiling traffic capacity in the mixed HV and CAV environment: A theoretical approach with CAV clustering intensity

中文译题：揭示HV与CAV混合环境下的交通容量——基于CAV聚集强度的理论方法

期刊全称：Transportation Research Part B: Methodological

全部作者：Tongfei Li、Hongfei Zhu、Min Xu、Huijun Sun

第一作者：Tongfei Li。论文未注明共同第一作者。通讯作者：Min Xu。

单位：北京工业大学交通工程北京市重点实验室；香港理工大学工业及系统工程学系；北京交通大学系统科学学院。第一作者所属单位为北京工业大学交通工程北京市重点实验室。

关键词：Connected and autonomous vehicle；Mixed lane capacity；Clustering intensity；Mixed traffic flow

发表时间：2026年3月23日在线发表；2026年6月刊载于第208卷

DOI：10.1016/j.trb.2026.103447

2

研究动机与背景

1、解释CAV与人工驾驶车辆长期共存时的容量变化。CAV具有更短反应时间，并可借助实时通信以更紧凑的车头时距组成车队，因此被认为能够提升道路容量。但人工驾驶车辆不会在短期内完全退出交通系统，两类车辆将长期共享道路。与此同时，V2V通信范围、串稳定性和安全约束都会限制CAV车队规模；达到最大规模后，后续CAV不能继续加入原车队。作者因此把研究对象放在有限车队条件下的混合交通，而不是理想化的纯CAV道路。

2、把车辆前后次序带来的随机性写进容量计算。混合车道上，相邻车辆可能形成HV-HV、HV-CAV、CAV-HV、车队内CAV-CAV和车队间CAV-CAV等跟驰关系，每类关系对应不同的安全车头时距。即使CAV渗透率相同，车辆排列不同也会改变各类跟驰关系的占比，进而改变平均车头时距和容量。因此，混合车道容量不再是固定常数，而是受车辆序列影响的随机变量。

3、摆脱完全随机或固定排列等简化假设。既有研究常假设车辆完全随机分布、周期性排列，或把状态转移矩阵和车队强度作为外生参数进行标定。另一些容量边界研究为便于推导，假设CAV车队规模不受限制，或预先限定不同车头时距之间的关系。作者希望用具有明确物理含义和显式表达式的指标刻画车辆聚集程度，使容量函数不再依赖某一种预设排列。

4、在车头时距尚无共识时给出可用的容量范围。尚未大规模实现的混合交通中，不同跟驰模式的精确安全车头时距还没有形成统一认识；参数设置不同，CAV渗透率对容量的作用甚至可能方向相反。论文因此不仅计算一个容量值，还试图在任意参数设定下求出精确上下界、对应的车辆排列，以及容量均值、方差和概率分布，为规划与管理提供可解释的参考范围。

3

核心创新点

1、用显式指标刻画CAV在车道上的聚集程度。论文将CAV-CAV相邻车辆对的比例与CAV渗透率联系起来，定义CAV聚集强度E。该指标能够直接由车辆序列计算：当CAV尽量分散时取较低值，全部聚集时达到1。相同渗透率但排列不同的车流因此可以被区分；在容量计算中，具有相同渗透率、最大车队规模和聚集强度的车辆序列对应相同容量。

2、从车辆序列推导马尔可夫链转移概率。作者没有把转移矩阵作为外生输入，而是从CAV渗透率和聚集强度推导HV与CAV之间的一步转移概率，再结合最大车队规模计算不同车队长度与五类跟驰模式的稳态概率。由此得到的混合车道容量，是渗透率、最大车队规模和聚集强度的显式多元函数，既有若干容量公式可被视为其特例。

3、把容量上下界转化为车辆排列问题。论文指出，给定渗透率、最大车队规模和各类安全车头时距后，寻找容量上下界等价于安排HV与CAV的前后次序。作者分别针对车队规模无限和有限两种情形建立线性规划，推导上下界及能够达到边界的车辆分布，并说明完全聚集或尽量分散并非在所有参数下都对应同一方向的容量极值。

4、同时给出容量的边界与随机分布。除显式容量函数和精确边界外，论文还通过数值模拟计算随机容量的均值、方差和概率分布，并在激进、中等、保守三类CAV技术情景中比较渗透率变化。这样既能看到理论可达范围，也能观察完全随机车辆排列下容量更可能落在什么位置。

4

论文摘要

联网自动驾驶车辆整合先进通信与自动驾驶技术，预计能够缩短反应时间，并通过车队行驶形成更紧凑的安全车头时距，从而展现提升道路容量的潜力。然而，在较长过渡期内，人工驾驶车辆与联网自动驾驶车辆将共同使用城市交通基础设施，CAV车队规模还受到技术约束和安全因素限制，这使混合交通容量的计算与理论分析更为复杂。不同于纯人工驾驶环境中的固定常数，混合HV与CAV环境下的交通容量是受CAV渗透率、最大车队规模和异质车辆空间分布等因素共同影响的复杂随机变量。为提供通用的混合车道容量计算与分析方法，论文提出CAV聚集强度指标。该指标具有清晰物理含义和显式表达式，无需对跟驰模式和混合交通空间分布作简化假设，即可定量描述异质车辆的纵向分布。在此基础上，作者建立马尔可夫链模型，从理论上推导混合车道容量的显式表达式，将其表示为CAV渗透率、最大车队规模和聚集强度的多元函数，并严格分析各因素对容量的影响。随后，作者把尚未实现的混合交通环境中容量上下界的计算等价转化为车辆排列问题，针对车队规模无限和有限两种情形建立线性规划模型，推导容量边界及对应的交通流空间分布。最后，论文计算随机车道容量的均值、方差和概率分布，以更全面地呈现其随机特征。

5

研究方法

作者先识别混合交通中决定安全车头时距的跟驰关系。按照后车与前车的类型，车辆对先分为HV-HV、HV-CAV、CAV-HV和CAV-CAV；对于CAV-CAV，还要判断两车是否属于同一车队。由此形成五类跟驰模式，分别对应五种安全车头时距。

作者先按前后车辆类型识别HV-HV、HV-CAV和CAV-HV，再根据两辆CAV是否属于同一车队，区分车队内与车队间跟驰。

论文把最大允许车队规模记为L。当一支CAV车队达到L后，后续CAV不能继续加入，只能单独行驶或另组新车队。这个设定使车队内跟驰与达到上限后的车队间跟驰具有不同车头时距，也把通信和安全限制带入容量计算。

灰色车辆为HV、绿色车辆为CAV；当车队达到最大规模L后，后续CAV不能继续加入，因而产生不同的安全车头时距。

作者把CAV-CAV相邻对占CAV总量的比例定义为聚集强度E。给定渗透率后，E越高表示CAV越倾向连续出现；所有CAV聚在一起时E趋于1，尽量分散时E达到由渗透率决定的最小值。该指标可由轨迹或传感器得到的车辆类型序列计算，用于描述现实车流的协调和成组程度。

三种排列具有相同CAV渗透率，却分别对应完全分散、完全聚集和周期性成组，聚集强度E依次为0、1和1/2。

作者把环形单车道上的车辆依次编号，将每辆车的类型视为马尔可夫链状态。初始概率由CAV渗透率决定，一步转移概率则根据渗透率与聚集强度推导。车辆首尾相接的环形设定，使车辆数、车头时距数和相邻车辆对数量一致，便于建立车辆类型、车辆对和跟驰模式之间的概率关系。

作者把车辆沿环道的前后次序视为有限状态马尔可夫链，每一步从当前车辆类型转移到下一辆车辆类型。

在马尔可夫链稳态分布基础上，论文进一步推导不同长度CAV车队出现的概率。当最大车队规模和聚集强度变化时，单车CAV、两车车队以及更长车队的概率会同步变化，最终决定五类安全车头时距在整条车道上的占比。

四组堆叠柱比较不同E和L组合下各车队长度的概率，显示相同最大规模并不意味着形成相同的实际车队结构。

作者先用五类跟驰模式的概率加权相应安全车头时距，得到车道平均安全车头时距，再取其倒数计算混合车道容量。代入马尔可夫链推导出的稳态概率后，容量被写成CAV渗透率、最大车队规模和聚集强度的显式函数。论文随后通过导数和引理分析三项因素在不同车头时距关系下如何改变容量。

为了寻找容量上界和下界，作者不再枚举所有车辆序列，而是把不同相邻车辆对及车队结构的概率作为决策变量，以最小化或最大化平均安全车头时距。车队规模不受限时形成一个线性规划；有限车队情形还要记录不同长度车队及其相邻车辆，并增加车队数量与跟驰模式之间的约束，构成第二个线性规划。

图中列出不同长度CAV车队与前后相邻车辆的组合，并用这些组合概率构造有限车队规模下的车辆排列优化模型。

数值分析设置激进、中等和保守三类技术情景，以不同的五类安全车头时距代表CAV技术从早期到成熟的差异，最大车队规模取5。容量边界实验把CAV渗透率从0提高到1；随机性实验在每类情景下设置11个渗透率水平，并按完全随机的车辆空间分布反复生成车辆序列，计算容量均值、方差和概率分布。

6

实验结果

三类技术情景给出了不同的车头时距组合。在激进和中等情景中，混合车道容量随CAV渗透率和聚集强度提高而增加；在保守情景中，容量却随CAV渗透率提高而下降。原因在于早期CAV性能和公众信任不足时，人工驾驶车辆跟随CAV以及CAV跟随其他车辆可能保留更大的安全间隔。

热力图比较CAV渗透率和聚集强度变化时的容量：激进与中等情景总体上升，保守情景则随渗透率提高而下降。

这个结果直接否定了“CAV占比越高，车道容量必然越大”的普遍化判断。论文的理论分析表明，渗透率、最大车队规模和聚集强度对容量的方向，取决于五类跟驰车头时距之间的具体关系；在没有明确这些参数前，不能仅凭自动化水平作定性结论。

在不限制CAV车队规模时，三类技术情景下的容量都落在由车辆排列决定的上下界之间。随着渗透率变化，上下界的走势和间距并不相同；同一渗透率下，车辆是形成连续车队还是尽量分散，可能产生明显不同的通行能力。

三类情景下，红蓝曲线给出不同CAV渗透率对应的容量上界与下界，区间宽度反映车辆排列带来的容量不确定性。

将最大车队规模限定为5后，容量仍位于上下界之间，但边界位置随有限车队约束发生变化。作者把下界解释为风险规避型规划可采用的最低服务基准，把上界解释为通过车队协调或车道管理可能接近的潜在能力；二者之差则对应车辆空间组织可管理的容量增益。

把最大车队规模限制为5后，容量仍落在上下界之间，但边界位置发生变化，说明有限车队约束不能被忽略。

两种设定的差异在中等渗透率最明显。以L=5为基准，无限车队假设与有限车队结果之间的百分比差异先随CAV渗透率增加而扩大，随后缩小，并在渗透率为50%时达到最大：容量上界相差29.1%，下界相差21.4%。

无限车队假设与L=5基准的差异先增后减，在50%渗透率处最大：上界相差29.1%，下界相差21.4%。

这意味着在CAV尚未占据绝大多数车辆的过渡阶段，把车队规模视为无限会明显高估道路容量边界。通信距离、稳定性和安全规则所限制的实际车队长度，不只是微观运行细节，而会直接影响道路规划采用的容量参数。

随机抽样结果把容量的不确定性拆成均值与方差。除保守情景外，平均容量随CAV渗透率提高；但三类情景的容量方差都先增加后下降。中等情景的方差最大，其次是激进情景，保守情景最小，说明CAV技术发展带来容量提升时，也可能伴随更明显的通行能力波动。

除保守情景外，容量均值随CAV渗透率提高；三类情景的方差均先升后降，中等情景波动最大。

作者进一步给出0.3、0.5和0.7三种渗透率下的容量分布。即使技术情景和CAV占比固定，不同随机车辆序列仍会形成一组容量值。对出行者而言，这种波动可能转化为行程时间不确定性；论文特别提醒，应关注中等技术情景中较大的容量方差。

九个直方图展示渗透率为0.3、0.5和0.7时的容量分布，说明相同渗透率下仍存在由车辆序列带来的随机波动。