我国自动驾驶车辆的投放目前处于初级试验阶段,自动驾驶车辆市场渗透率较低,基于自动驾驶车辆技术完善需要一定时间,我国汽车交通将在很长一段时间处于人工驾驶车辆与自动驾驶车辆共存的异质交通流状态。自适应巡航跟驰以及协作式巡航跟驰是智能网联自动驾驶车辆进行跟驰决策的重要功能之一,能够改善交通运行效率提升交通流稳定性。由于人工驾驶车辆和自动驾驶车辆在跟驰决策方面存在差异性,这将对异质交通流的稳定性产生影响。本文考虑人工驾驶车辆跟驰特性和自动驾驶车辆跟驰特性,在低市场渗透率下分别对人工驾驶车辆跟驰、自动驾驶网联车自适应巡航跟驰以及协作式巡航跟驰分别建模。(1)通过引入人工驾驶车辆跟驰车辆的运动学参数,基于IDM创建考虑后车追逐时的跟驰拓展模型IDM-D,基于物理信息深度学习框架,分别使Long Short term Memory(LSTM)与IDM和IDM-D融合,利用2个模型结果的线性组合,建立模仿人工驾驶跟驰行为的跟驰模型。根据Next Generation Simulation(NGSIM)数据集训练的结果,该模型优于传统机器学习模型,相较于不考虑后车影响时的精度提升了9.38%,并在生成的轨迹中对于人工驾驶减速阶段的拟合效果更优。(2)基于人工驾驶车辆跟驰数据分析,设计适用于提升交通稳定性的深度强化学习奖励函数,利用Open AI gym搭建考虑人工驾驶车辆跟驰的自动驾驶Agent学习环境,利用Deep Deterministic Policy Gradient(DDPG)算法训练Agent去跟驰NGSIM中的车辆轨迹,最终获得自适应巡航跟驰模型。自动驾驶车辆使用提升交通稳定性的利他行为奖励函数可以减少以不同物理跟驰模型作为人工驾驶跟驰策略时产生的加速度波动约8%-16%,提升了异质交通流的稳定性。(3)为缓解在低市场渗透率下协作式跟驰模型(Cooperative adaptive cruising control,CACC)退化为自适应巡航所带来的交通流稳定性劣化影响,通过研究驾驶人的跟驰特性以及对于稳定性,构建了一种特定V2V信息流拓扑结构下的协作式巡航跟驰模型,该模型考虑了通讯延误和人工驾驶反应时间。将第一部分建立的人工驾驶跟驰模型、第二部分建立自动驾驶跟驰模型分别抽象为物理模型,获得更加方便用于仿真与分析的模型。利用传递函数法分析由以上三种模型组成的混合车队稳定性并利用python进行数字仿真,实验结果表明该混合车队的理论稳定性强于发生CACC退化的混合车队。同时,数字仿真证明了该混合车队中自动驾驶车辆抗击并消散速度扰动的能力更强,提升了异质交通流的稳定性。本文所研究的提升异质交通流稳定的自动驾驶跟驰模型,分别为低市场渗透率下单车自动驾驶和V2V协作式自动驾驶设计提供科学依据。自动驾驶跟驰模型能够包容人工驾驶车辆跟驰决策差异性,对提升混合交通流稳定性与行车安全具有重要的意义。
暂无评论