基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

判定跟驰状态的研究

在大量实际观测交通流数据的基础上,深入分析跟驰车辆运行特性与车头时距的关系,提出利用相对速度绝对值随车头时距变化的规律定量地判定车辆行驶状态的新方法,即利用坐标变换确定车辆跟驰状态与自由行驶状态转折点。通过大量实测数据对该方法的验证表明,车头时距低于5s的车辆处于跟驰状态,而大于8s的车辆处于自由行驶状态;同时,车速对跟驰状态的界限没有显著影响。     

基于车路协同环境的信号交叉口车速引导方法

针对现有的车速引导模型存在未综合考虑车辆跟驰行为、引导场景划分较粗略等问题，研究了4种基于车路协同环境下实时优化各车的车速引导模型。对车辆进行所属车辆列队划分，考虑车速引导影响对FVD跟驰模型进行改进。以车辆列队为引导单元，将车辆可能面临的交通状况细分为8种引导场景，以引导车辆不停车或少停车通过交叉口为目标，直接优化车辆加/减速度，建立车辆列队后车根据改进的跟驰模型计算目标跟驰加/减速度，并与头车组成列队以同一目标车速通过交叉口停车线的4种车速引导模型。以南昌市海棠北路/枫林西大街交叉口为例进行仿真验证，结果表明，所提出的车速引导模型能使车辆行程时间减少18.9%，最大排队长度减少58.8%，延误减少60.8%，燃油消耗减少36.4%，且适用于不同交通饱和状态，对提高信号交叉口通行效率和减少车辆燃油消耗有显著效果。      

基于人-车-路环境下的车辆跟驰模型

在现有的跟驰模型基础上,综合考虑驾驶员个体差异、车辆制动性能差异和交通路况因素,并针对前车静止、减速和匀速或加速三种不同行驶状态,以前后车所需的最小安全距离为目标,建立不同行驶工况下的人-车-路环境下的最小安全距离车辆跟驰模型。最后,针对前车不同行驶工况下对最小安全距离进行数值计算,并与现有的传统模型计算结果进行对比。结果表明:在车辆跟驰过程中,前后车之间所需的最小安全距离会受人、车、道路环境影响而有所变化,文中建立的模型更加准确、合理,符合真实交通现象。     

网联车对抗神经网络跟驰模型

针对当前混行交通流场景下网联车对前车速度变化的实时性、安全性和车队稳定性较差的状况,提出一种由生成模型和辨别模型构成的网联车生成式对抗网络车辆跟驰模型(GANVFM)。其中,生成模型提取跟驰参数中的前车速度、跟驰车速和相对车距计算生成加速度;辨别模型对生成模型生成的加速度参数进行相似度计算,并通过更新函数加以更新。采用速度和加速度的均方差σ、追尾预测因子γn和跟驰状态因子φn作为对应的指标,对车辆的实时性、安全性和车队的稳定性进行分析。实验结果表明:GANVFM的σ和γn均最小,GANVFM对前车速度变化的实时性和安全性高;随着网联车渗透率δ的升高,φn降低、车队长度缩短,车队稳定性提高。     

基于V2V通信的车队纵向协同控制

传统的车队在实现车辆纵向队列控制时,仅仅依靠雷达或者视觉传感器进行感知,从而致使车辆获取信息的能力有限,无法满足车辆在复杂交通环境下的跟随性能。为了克服雷达和传感器的不足,文章将车车（V2V）相连通信技术应用于车辆的纵向协同控制系统中,通过车辆上搭载的车载单元（OBU）之间的通信进行数据交互。首先,设计车队纵向跟随的控制策略,选择固定车头时距的间距跟驰策略,根据前车状态反馈对后车车速进行调节,该方法能够保证后车的跟驰安全,提升跟驰的稳定性。然后基于Prescan/Simulink建立车队纵向协同控制系统的模型和实验场景,仿真结果证明车辆纵向跟随控制策略的准确性和间距跟驰策略的准确性。     

考虑道路因素的智能车辆纵向运动决策与控制研究

针对智能车辆纵向运动时的交通道路适应性问题,考虑路面附着系数和前车运动速度等因素,研究了智能车辆纵向运动决策与控制方法。论文研究了基于车头时距的纵向运动决策方法并建立不同驾驶行为的目标车速模型,运用变论域模糊推理算法设计了目标加速度模型。基于纵向动力学模型,运用自适应反演滑模控制算法建立了驱动控制器和制动控制器。对高附着系数路面和低附着系数路面的行驶工况进行仿真试验验证,结果表明,在不同的附着系数路面和前车变速行驶条件下,智能车辆能实时、合理地决策目标车速、目标加速度,实现安全、高效、稳定的跟驰。     

基于分子动力学的跟驰特性及其模型

为更好地研究车辆跟驰特性,缓解道路交通拥堵,在车辆跟驰行为受前导车和道路环境等影响的基础上,将单车道道路虚拟为一维管道,道路上的跟驰车辆抽象成相互作用的分子。考虑需求安全距离和期望速度2个影响因素,基于分子动力学构建车辆相互作用势和分子壁面势函数,并建立基于相互作用势函数的分子跟驰模型,给出跟驰车辆的加速度模型。在实际交通环境中建立视频采集试验路段,采集试验路段不同点位的交通流样本,从视频中获得模型所需数据,并将数据分为两部分,一部分用于参数标定,其余用来模型验证。将车辆运行状态分为常态行驶、起动加速和减速停车3种。根据实测交通数据分别对3种车辆运行状态下的经典GM模型和分子跟驰模型进行参数标定,选取3种不同运行状态下的试验数据各3组,代入标定后的分子跟驰模型与经典GM模型计算模型输出加速度,并与实测加速度进行误差分析对比,结果表明,分子跟驰模型输出加速度与实测加速度之间的误差,总体上比经典GM模型要小,而且根据绝对误差方差显示,分子跟驰模型较经典GM模型稳定性更高。选取有代表性的一组跟驰过程进行数据绘图,对比可以看出分子跟驰模型输出加速度与实测数据变化趋势几乎一致,其拟合效果比经典GM模型更好。     

基于非线性模型预测控制的车辆纵向队列协调控制

本文中针对基于分层控制结构的车辆队列上、下层控制缺少联系的问题,提出了车辆队列跟驰与个体车辆动力学稳定性协调控制的思路,其基本思想是在保证队列中个体车辆安全稳定行驶的同时,尽可能实现队列跟驰控制的目标。基于非线性模型预测控制(nonlinear model predictive control,NMPC)方法设计了车辆队列协调控制方案,设计了包括跟驰间距误差、跟驰速度误差以及车速与车轮圆周速度差3个子目标的优化目标函数,将队列跟驰与车辆动力学稳定性的协调控制转化为约束优化控制问题;基于序列二次规划(sequential quadratic programming,SQP)方法进行求解,得到车辆前、后轴的制动/驱动力矩来实现上层决策输出的期望跟驰加速度。基于由3车辆组成的非线性队列模型对控制方案进行了仿真分析,结果表明,所提出的基于NMPC的车辆队列协调控制策略可以在大范围操纵工况下,在保证车辆安全稳定行驶的基础上实现队列的跟驰控制。     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。