如何使用

你坐在一辆车里,前后都是车,大家以同样的速度、同样的间距出发。主画面是驾驶座看出去的路,右上角的小窗是从车顶往下看、拉直了的一段路,用来看你和前后车的距离。

  • 自己开。 按「我来开」接管,↑ 加速,↓ 刹车(先点一下画面,或者用下面的两个踏板;手机上按住踏板)。松开踏板,车就保持当前速度,像定速巡航;踏板是渐进的,轻点一下很温和,按住越久越用力。跟得太近时,自动紧急制动会替你刹住:这个实验里不会有事故。
  • 交给电脑。 「电脑开」时,你的车和其他车一样开。「吸收示范」让你的车换一种开法,见下文。
  • 从天上看。 「升空看看」会画出整条路,以及一张时空图:横轴是时间,纵轴是车在环道上的位置,每条线是一辆车,颜色越深(深色主题下越亮)车越慢。沿着一道拥堵条纹按住拖动,可以量出它移动的速度。
  • 实验台。 加车、减车(新车插进最大的空当里);关掉「驾驶噪声」,司机们就完全精确;「反应时间」是司机看到情况到真正动脚之间的迟滞;「前车点一下刹车」让你正前方那辆车轻踩一秒刹车。旁边的理论图给出每种车数下,一个小扰动是会被放大还是会自己消失。

右边的「实验单」有七步,做到哪一步会自动打勾,并给出一句解释。嫌慢可以用「3 倍速」或「快进 60 秒」。

驾驶画面的 3D 场景是用 Blender 搭的:赛道、看台、车和路两旁的林荫道(阔叶树、杨树、松树和灌木,两百多棵)都由一段脚本生成,光照用 Cycles 渲染器提前烘焙,白天一套、黄昏一套,跟着网站的浅色和深色主题切换。页面先显示一张简图,再从本站下载约 520 KB 的场景文件,不经过任何第三方。设备不支持 WebGL、下载失败,或者取消勾选「3D 画面」时,驾驶画面就换成简图:同一台相机,同一条路,实验照常进行。

它展示了什么

堵车不需要原因。 2008 年,日本的一组物理学家把 22 辆车放在一条周长 230 米的圆形跑道上,均匀排开、同速出发,没有路口、没有瓶颈、没有人变道。车开了一阵,车流里就冒出一团停停走走的拥堵,而且一直不散。这里的默认设置就是这个实验。

真正的原因是:车多到一定程度,均匀车流就不稳定了。 每个司机都只看前车:车距小了就减速,车距大了就加速。前车稍慢一点,你发现得晚一点,减得又多一点;后车再晚一点、再多一点……一个小小的减速沿着车队往后传,每传一辆就被放大一点,最后有人不得不停下来。车少的时候,车距宽裕,每个人都有余地把这一下吸收掉,波动传几辆车就平了。分界线可以算出来:把均匀车流稍微推一下,看推出来的波动随时间是增长还是衰减(线性稳定性分析)。理论图上曲线穿过零线的地方就是临界车数。默认参数下,19 辆车稳定,20 辆起不稳定。把反应时间拉长,临界车数会往下掉。

那一脚刹车只是导火索。 关掉驾驶噪声后,车流可以一直保持完美均匀。这时让前车轻点一下刹车:车少时,这一下留下的凹陷会被慢慢抹平;车多时,它会越传越大,长成一团拥堵。同样一脚刹车,结果完全不同。差别不在刹车本身,而在车流是否稳定。Sugiyama 等人的论文摘要里说,瓶颈只是触发器,不是堵车的本质原因。

堵点在往后退。 时空图上,每辆车的轨迹都往右上方走(车在往前开),拥堵条纹却一律向右下方倾斜:车从堵点的前头开出去,又从后头补进来,堵点本身逆着车流往后移。这里量出来大约是每小时 15 公里,而且几乎不随车数变化。高速公路上实测的走走停停波,向后移动的速度也在这个量级。

一辆车就能救场。 Stern 等人在美国亚利桑那州图森重做了环道实验(2018 年发表;周长 260 米,21 到 22 辆车),其中一辆是可以自动驾驶的车。等走走停停波出现以后,他们让这辆车按平均车速匀速开:前面堵,它就提早慢慢减速,用车距把波动吃掉,而不是跟着急刹。在效果最好的一段里,全场车速的标准差下降了 80.8%,每车每公里的急刹次数从 8.58 次降到 0.12 次。「吸收示范」用的就是这个思路(他们那套带饱和的比例积分控制器的简化版)。在这里的模型里,它能把车速差异压到原来的两成左右。然后切到「我来开」,换你试试:诀窍是留出比别人大的车距,按平均速度匀速开,别跟着前车一停一走。

这个模型的边界

司机是一个公式。 其他车用的是智能驾驶模型(IDM,Treiber 等人 2000 年提出),再加上 0.3 秒的反应迟滞和一点点随机的油门抖动。它只看前车的车距、自己的车速和接近前车的速度。真实的司机会看更远的车,会分心,也会在不同时间开得不一样。参数是为了让 22 辆车在 230 米环道上以约每小时 25 公里巡航、并且不稳定而挑选的,不是对哪一位真实司机的测量。

拥堵比真实实验更深。 在这个模型里,一团拥堵里会有十来辆车同时停住,平均车速掉到每小时十几公里。真实环道实验里的拥堵通常更松一些。临界车数、波速和停车的多少都取决于参数,这里要讲的是机制:车流超过临界密度就会不稳定,拥堵向后传播,平滑驾驶能够吸收它。

理论只管「会不会开始」。 线性稳定性分析回答的是一个极小的扰动会增长还是衰减,它不预测拥堵最后有多大。在临界点附近,噪声偶尔能把稳定的车流推进拥堵(这里 20 辆车有时堵、有时不堵),已经形成的拥堵也不一定会因为减掉一辆车就立刻散开。

自动紧急制动不是物理。 为了让「没有事故」这个前提成立,你的车跟得太近时会被强制刹住,其他车也永远不会相撞。现实中追尾正是走走停停波最危险的后果之一。

光敏安全。 路边的标杆每 10 米一根,树每二三十米一棵,路面上只有实线,路缘也不做红白相间的条纹:以这辆车最快每小时 60 公里计,任何一处画面每秒变化不到两次。刹车灯有 0.6 秒的最短保持时间,不会频闪。开启「减弱动态效果」时,实验暂停在起点,可以用「快进 60 秒」直接看结果。

延伸阅读

  • Sugiyama, Y. et al. (2008). Traffic jams without bottlenecks—experimental evidence for the physical mechanism of the formation of a jam. New Journal of Physics 10, 033001 — IOP 开放获取
  • Tadaki, S. et al. (2013). Phase transition in traffic jam experiment on a circuit. New Journal of Physics 15, 103034 — IOP 开放获取
  • Stern, R. E. et al. (2018). Dissipation of stop-and-go waves via control of autonomous vehicles: Field experiments. Transportation Research Part C 89, 205–221 — arXiv:1705.01693
  • Treiber, M., Hennecke, A. & Helbing, D. (2000). Congested traffic states in empirical observations and microscopic simulations. Physical Review E 62, 1805 — arXiv:cond-mat/0002177
  • Bando, M. et al. (1995). Dynamical model of traffic congestion and numerical simulation. Physical Review E 51, 1035
  • Treiber, M. & Kesting, A. (2013). Traffic Flow Dynamics: Data, Models and Simulation. Springer
  • 站内:第一个技能 也是一群简单个体合起来,做出谁也没有打算做的事