自适应多SWAL：具有灵活车道设计的实时交叉口控制

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Adaptive multi-SWAL: Real-time intersection control with flexible lane design

提出一种基于多特殊宽度入口车道（multi-SWAL）的车道变化引导与自适应信号控制协同优化方法，通过动态调整车道宽度和信号配时，有效减少交叉口平均延误并提升通行效率，仿真验证和敏感性分析表明其适用于不同交通需求场景。

　　

史宇琦|杨凯迪|杨晓光

教育部道路与交通工程重点实验室，同济大学，曹安路4800号，上海，201804，中国

摘要

随着道路上车辆数量的增加与道路容量的限制之间的矛盾日益突出，优化单个车辆的空间分配受到了广泛关注。无车道行驶方式允许车辆在没有车道边界限制的情况下行驶，显示出适应更高交通密度的潜力。然而，这种方式依赖于自动驾驶车辆（AVs）的高渗透率，在AVs初期部署阶段存在安全隐患。为了解决这一限制，我们提出了一种新的多特殊宽度车道（multi-SWAL）管理方法，该方法利用SWALs来减少车道宽度，同时保持结构化的基于车道的框架。这种方法适用于各种场景，从初期AVs渗透率较低的情况到成熟系统中的全面采用AVs的情况。所提出的方法将车道变换引导与自适应信号控制相结合，以增强交叉口资源的空间和时间利用效率。通过动态优化多车道上的车辆位置并协调车辆释放时机，该方法最小化了平均延误并提高了交叉口效率。仿真结果表明，multi-SWAL方法在各种交通需求水平下均显著优于传统的车道设计和其他现有方法。敏感性分析进一步证明了其在不同交通条件下的鲁棒性。

引言

车辆数量的快速增长给城市道路基础设施带来了巨大挑战，因为道路的容量受到可用空间的限制（Dubey等人，2024年；Samra等人，2014年；Yu等人，2017年；Zhao和Ma，2021年）。有效管理这一受限空间对于优化交通运行和缓解拥堵至关重要。提高空间利用的策略包括动态车道分配（Wang等人，2024年；Zhang和Wu，2012年）、可逆车道（Liu等人，2022年；Phan等人，2019年；Zhao等人，2015年）、左转专用出口车道（Zhao和Liu，2017年；Zhao等人，2013年）以及无车道分配策略（Hao等人，2023年；Yu等人，2019年），这些策略通过促进不同交通流在不同时间无缝共享总道路容量来减少空间浪费。然而，现有研究主要关注纵向空间的共享，但忽略了一个基本限制，即总可实现道路容量最终受到车道数量的限制（Seliman等人，2020年；Zeng等人，2022年）。当车道数量固定时，这些策略的有效性仍然有限，因为只有通过改变车道“量子”才能显著增加总容量（Malekzadeh等人，2021年）。

提高横向空间的利用似乎是一个有前景的策略，可以容纳更多的并行行驶车辆，从而可能增加整体道路容量。不同大小的车辆对横向空间的需求各不相同。例如，一辆中型汽车的宽度通常约为1.8米，而卡车的宽度则约为2.5米（Papageorgiou等人，2021年）。在传统的车道设计中，车道宽度是根据较大车辆的尺寸来确定的，以确保所有类型车辆的安全行驶（Hancock和Wright，2013年；Manual，2000年）。这种做法往往导致小型车辆的空间利用率不足，因为研究表明高速公路上的横向占用率仅略高于50%（Papageorgiou等人，2021年），这凸显了空间利用的低效率。因此，提高横向道路空间的有效利用是一个重要的发展领域。Papageorgiou等人（2021年）提出的无车道概念是一个值得注意的横向空间共享范例，它允许车辆在没有车道边界限制的情况下行驶，从而优化了横向空间的使用。后续研究集中在实时内部边界控制上，以灵活共享总道路宽度和容量，从而最大化总流量效率（Karafyllis等人，2022年；Malekzadeh等人，2024年；Naderi等人，2025年；Troullinos等人，2021年；Yanumula等人，2023年）。然而，要成功实施无车道设计，需要自动驾驶车辆（AVs）的高渗透率来确保安全和可靠的交通流动（Beza等人，2025年）。在当前和可预见的未来，实现如此高的AVs渗透率是具有挑战性的（Sadaf等人，2023年），这限制了其即时应用性。

特殊宽度车道（SWAL）概念提供了一种在保持结构化、基于车道的框架的同时提高横向空间利用的策略，该框架用于安全地调节车辆轨迹（Zhao等人，2016年）。如图1所示，SWAL包括两个相邻的较窄的接近车道，这些车道可以由两辆轿车或一辆重型车辆（例如公交车或卡车）动态共享。通过减少每个车道的宽度，这种配置有助于增加车道数量，从而提高道路容量（Zhao等人，2020年）。值得注意的是，这种方法不会妨碍交通安全和有序流动，因为轿车和重型车辆都限制在各自指定的车道边界内。此外，较窄的车道已被证明可以降低车辆速度（Han等人，2023年），从而显著减少横向位移（Godley等人，2004年）并提高安全性（Lee等人，2015年；Liu等人，2016年）。在德国卡尔斯鲁厄实际应用SWAL设计的现场观察表明，驾驶员在较窄的车道中驾驶时更加谨慎，以避免横向冲突（Zhao等人，2020年）。Shi等人（2025年）的进一步改进细化了SWALs及其相邻车道的宽度分配，以优化整体交通流量。然而，有效管理多个SWALs存在挑战。如图1(a)所示，使用三个相邻的SWALs可能导致纵向空间利用效率低下（如虚线区域所示）。例如，车辆5（重型车辆）阻碍车辆6（轿车）的情况表明，这种配置可能导致延误和排队长度增加。SWALs在减少横向空间方面的预期好处因纵向空间利用不足而受到影响。

为了缓解由于SWAL导致的纵向空间利用不足问题，车联网（CV）技术的进步提供了有希望的解决方案（Guo等人，2019a；Lu等人，2014年）。CV技术能够收集详细的车辆信息（例如位置和类型），以便进行有效的交通管理（Feng等人，2015年；Guler等人，2014年；Long等人，2022年；Yang等人，2016年）。同时，这些技术可以促进交通信息（例如信号时序和路线引导）向车辆的传输，以改善它们的运行（Liang等人，2020a；Ma等人，2023年；Yao等人，2023年；Yu等人，2018年）。这种双向信息交换可以通过两种互补的方式增强SWAL操作，从而证明车道引导和信号控制的联合优化是合理的。首先，车道引导策略可以直接影响车辆的空间分布，从而减少空间浪费。例如，如图1(b)所示，如果车辆5收到向左变道的提示，它前面的空间就会变得可用，允许第六辆轿车移动到停车线。这种操作不会影响其他车辆的排队长度，但显著减少了车辆5的排队长度。然而，仅靠空间优化往往是不够的，因为由于物理限制（例如安全变道距离不足）或异质交通条件，仍可能产生不可避免的间隙。其次，在这种情况下，自适应信号控制可以通过根据从CVs收集的实时车辆分布信息调整相位序列或延长绿灯时间来发挥补充作用（Feng等人，2015年；Liang等人，2020b；Tsitsokas等人，2023年）。这确保了有剩余间隙的车道能够及时释放剩余车辆，从而减轻空间浪费的负面影响并减少延误。通过这种方式，车道引导优化了车辆分布的空间维度，而自适应信号控制优化了车辆释放的时间维度。它们的协调整合实现了一个时空优化框架，显著提高了交叉口效率。

尽管已经进行了大量关于轨迹和信号控制优化的研究（Feng等人，2018年；Guo等人，2019b；Li等人，2014年；Soleimaniamiri等人，2020年；Yu等人，2018年），但这些研究不能直接应用于多SWAL场景。在图1(a)中，车辆6的前进受到车辆5的影响，而车辆5又受到车辆4的影响，车辆4又受到车辆3的影响，车辆3的行为又受到车辆1和2的影响。这种多SWAL设计引入了基本的建模和控制挑战。在传统的交叉口控制中，每个车道可以被视为独立的，其信号时序主要由该车道内的车辆决定。然而，当多个SWAL并排放置时，车道间的交通动态变得紧密耦合：一个车道中的车辆移动直接影响相邻车道的释放效率。因此，建模和解决过程变得更加复杂。特别是，出现了两个主要困难。第一个困难是耦合的车辆跟随关系，即车辆关系不再局限于单个车道，而是跨越多个车道，需要优化过程考虑车道间的依赖性和协调的车辆关系。这里，以下关系指的是车辆之间的动态依赖链，如图1中的箭头所示。此外，多个车道间的信号释放决策也是耦合的。例如，要在图1(a)中释放车辆6，必须先释放车辆1、2、3、4和5，这意味着释放顺序不仅取决于同一车道内的车辆，还取决于相邻车道内的车辆。第二个困难在于车道选择决策。在传统设计中，车辆通常根据贪婪原则选择车道，即选择等待时间最短的车道。相比之下，在多SWAL设计中，车道选择本身成为一个关键的控制变量，它影响车辆的整体空间分布，从而影响下游的释放性能。

在本文中，我们提出了一种基于多SWAL的车道引导和自适应信号控制方法，以协同利用孤立交叉口的空间和时间资源。这项研究的贡献有两个方面。首先，我们利用SWAL的潜力来减少车道宽度并增加车道数量，建立了一种多SWAL车道管理方法，充分利用了整个道路的横向空间。与传统的车道设计和单SWAL配置（例如Shi等人（2025年）相比，所提出的多SWAL方法更充分地利用了狭窄的车道，从而提高了道路空间利用率，进而提高了运营效率。其次，我们提出了一种基于多SWAL的车道引导和自适应信号控制方法，以优化车辆的空间分布和释放时机。这最大化了交叉口空间和时间资源的利用，从而减少了平均车辆延误并提高了整体交叉口效率。所提出的优化问题与现有的轨迹和信号控制工作（例如Yu等人（2018年）有显著不同，后者仅考虑单车道设置。通过优化不同车道间车辆之间的关系，我们确定了车辆的最佳空间分布，并相应地引导它们变道。最佳空间分布也与车辆在其各自车道的释放时机相关，这需要车道变换引导和自适应信号控制的协同优化。

本文的其余部分结构如下。第2节介绍了关键符号和问题描述。第3节介绍了优化车辆序列、信号控制和车辆变道引导的提出模型。第4节分析了所提方法的效果并进行了敏感性分析。第5节总结了本文并提出了未来的研究方向。

章节摘录

问题陈述和方法论框架

本节在2.1节介绍了基于多SWAL的车道引导和自适应信号控制问题，并在2.2节介绍了我们提出的方法论框架。为了方便读者，表1列出了关键已知参数，包括几何参数、车辆参数和信号参数，而关键决策变量在表2中进行了总结。在这些表格中，每个符号后的[?·?]表示其单位。

优化模型的构建

为了降低单一集成模型的复杂性并提高计算效率，优化模型分为两个阶段。在第一阶段，模型根据当前车辆位置和现有信号方案优化车辆跟随关系和信号时序计划，旨在最小化车辆延误。然后利用优化后的跟随关系与当前情况之间的偏差来识别需要变道的车辆。

案例研究

我们在一个典型的孤立交叉口进行了基于仿真的研究。第4.1节描述了仿真设置，第4.2节分析了仿真结果，第4.3节对关键算法参数进行了敏感性分析。

结论和建议

在本文中，我们提出了一种基于多SWAL的车道引导和自适应信号控制方法，该方法利用缩窄的SWALs的潜力来优化交叉口的空间和时间资源利用。这是少数几个通过缩小实际或虚拟车道宽度来增加容量的开创性工作之一。通过整合车道引导和自适应信号控制，该方法动态优化了车辆的空间分布和释放时机，从而提高了整体

CRediT作者贡献声明

史宇琦：撰写——原始草稿，验证，方法论。杨凯迪：撰写——审阅与编辑，方法论，概念化。杨晓光：资金获取，概念化。