近年来,随着经济的不断发展,城市化进程的加快,居民的出行需求也不断增长。由于道路设施的建设速度无法满足日益增长的出行需求,交通供需矛盾日益凸显。理论和实践均表明,ITS(智能交通系统)是缓解上述问题的有效方法,而对于交通状态的准确估计是ITS实施的前提。然而,通过传统估计方法只能获取路段级的交通状态,而且大都精确度较低,无法满足ITS精细化控制管理的需求,因此研究车道级的交通状态估计方法具有重要意义。此外,智能网联车技术发展迅猛,智能网联车已经进入成熟的商用阶段。可以预见,未来较长的时间内道路上都会是智能汽车与普通汽车混合行驶的环境。在这样的环境下,智能汽车在道路上行驶时,其安装的多种高精度传感器可以探测到其他车辆。因此,智能汽车可以作为一种数据采集器,采集道路上其他车辆的信息。基于这种高精度的数据,我们可以实现车道级的交通状态估计。本文通过模拟智能网联车的数据采集,得到高精度的智能网联车数据,进而研究车道级的交通状态估计。本文主要的工作内容如下:1.深入分析了智能网联车系统中的环境感知模块,基于其中传感器的工作原理以及道路上车辆之间的几何关系,开发了一套模拟智能网联车的数据采集算法,该方法能够模拟真实智能网联车在行驶过程中的数据采集。然后,将其应用于NGSIM数据集,得到了模拟采集的智能网联车数据。2.分析了智能网联车数据在时空分布上的特点,随后建立了智能网联车比例与数据采集效率之间的指数模型,并利用NGSIM数据集验证了模型的准确性,结果表明我们提出的模型能够完全拟合两者之间的关系。3.提出了两种车道级交通状态估计方法:基于前后车车头间距的方法(GAP)和基于轨迹点统计分析的方法(SA)。基于模拟采集的智能网联车数据对这两种估计方法进行了验证。实验结果表明这两种方法对车道级交通状态的估计具有较好的准确性和鲁棒性,而且在较低的智能网联车比例下,两种方法对速度的估计优于对密度和流量的估计。不同情况下的估计结果主要取决于智能网联车采集到的数据量。车道间交通状态存在明显差异时,需要车道级的交通状态估计,路段级的估计结果没有意义。本文提出的方法可以快速精准地估计车道级的交通状态,为交通控制管理策略提供输入参数。