城市快速路作为重要交通走廊,其合流区交通调度更为复杂。为保障智能网联车辆(Connected and Automated Vehicle, CAV)在城市快速路合流区高效、安全、舒适行驶,基于城市快速路合流区的换道特征,开展了考虑换道风险动态评估结果的...
详细信息
城市快速路作为重要交通走廊,其合流区交通调度更为复杂。为保障智能网联车辆(Connected and Automated Vehicle, CAV)在城市快速路合流区高效、安全、舒适行驶,基于城市快速路合流区的换道特征,开展了考虑换道风险动态评估结果的CAV换道决策模型的相关研究。首先,对换道车辆与邻车进行时空重叠分析,将分析结果作为潜在风险判别依据,对存在时空重叠的CAV及其邻车计算换道碰撞时间(Lane Change Time to Collision, LCTTC),实现换道风险动态评估;然后,将换道风险动态评估结果融入多目标奖励函数优化的DQN(Deep Q-Network)网络结构,并综合考虑车辆行驶高效性、安全性与舒适性等因素,提出具有风险感知的SIDQN(Security Improvement Deep Q-Network)换道决策;最后,通过仿真试验进行验证。研究结果表明:相较于对比策略,提出的SIDQN策略换道成功率保持在95%以上,且运行平均速度不低于21.008 m·s-1;此外,在复杂的交通合流场景中,融入安全性奖励的SIDQN策略表现出最佳安全性,其LCTTC平均占比仅为9.56%,远低于其他对比策略,同时事故率统计结果持续保持较低水平;在舒适性方面,SIDQN策略下换道次数仅为4次,连续换道和无效换道次数均为1次,并显著降低了频繁换道和极端加速减速操作次数,提升了乘客的舒适体验。提出的换道决策模型综合性能优势明显,可为智能网联环境下城市快速路合流区CAV安全换道决策研究提供参考。
暂无评论