混合交通环境下网联自动驾驶车辆行驶决策与控制方法研究

作     者：李光泽 

作者单位：长安大学 

学位级别：硕士

导师姓名：汪贵平

授予年度：2022年

学科分类：08[工学] 080204[工学-车辆工程] 0802[工学-机械工程] 

主      题：混合交通环境 HDV CAV 决策与控制 CAV队列 

摘      要：在全面实现车辆智能网联之前,很长一段时间内都将出现人工驾驶车辆(HumanDriven Vehicles,HDV)和网联自动驾驶车辆(Connected and Automated Vehicles,CAV)共存的混合交通环境。考虑到HDV驾驶行为的多样性和CAV决策的复杂性,本文依托国家重点研发计划项目(2018YFB1600600),针对混合交通环境,提出一种CAV纵向决策控制方法,并将该方法扩展应用到CAV队列控制中。主要研究内容如下:(1)针对混合交通中HDV驾驶行为模拟不充分的问题,在集成学习框架下提出了一种传统模型和数据驱动方法融合的跟驰模型。首先,从微观交通流角度对驾驶行为进行分析,利用编码器-解码器结构对换道行为进行建模,来提高HDV换道轨迹预测准确性;之后,在考虑跟驰队列和周围驾驶环境影响因素情况下,使用集成学习方法对传统和数据驱动跟驰模型的输出特征进行线性和非线性融合,通过模型对比实验发现:采用非线性融合方法的跟驰模型的精度要高于传统模型、数据驱动模型以及线性融合模型。(2)针对混合交通中复杂行驶状况下CAV驾驶安全性不足的问题,在TD3(Twin Delayed Deep Deterministic Policy Gradient)的基础上提出一种融合多场景防碰撞策略的TD3-MSCA纵向行驶决策方法。将HDV设置为CAV行驶过程中可能遇到的跟驰和插入车辆,利用HDV行驶状态信息设计考虑多驾驶因素的奖励函数。在极端和非极端场景测试实验中,分析了前方紧急插入的HDV对CAV以及对后方跟驰队列的影响,探究了不同CAV渗透率对道路通行效率以及本车驾驶状态的影响。通过模型对比实验发现:(1)TD3-MSCA在学习最优策略过程中能够更快收敛且发生更少的碰撞,在测试实验中安全、效率和舒适指标表现最好且对后方跟驰队列的影响最小;(2)在CAV低渗透率以及高渗透率实验中TD3-MSCA对道路通行效率的改善最佳。(3)将TD3-MSCA纵向决策方法应用到CAV队列控制中,利用深度强化学习过程来迭代队列的纵向控制策略,根据控制需求调整内部奖励函数,使用TD3-MSCA求解队列纵向控制问题。此外,针对CAV队列可换道场景,设计了考虑距离、加速度和轨迹约束的换道轨迹生成方法,利用模型预测控制方法对队列进行横向控制。在队列纵向编队行驶和整体换道两种测试实验中发现:TD3-MSCA队列纵向控制方法与传统方法相比大大缩短了决策控制时间,并能够按照预定的安全换道轨迹完成队列整体换道任务。