基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

考虑潜在类别的老年行人交通事故严重程度致因分析

人口老龄化问题日益突出，老年行人的出行安全同样引起各界重视。本文基于潜在类别聚类分析和随机参数Logit模型相结合的两步法深入探究影响老年行人交通事故严重程度的诱因。对北卡罗来纳州2007—2019年65岁及以上老年行人与机动车的碰撞数据进行清洗。为消除碰撞数据中固有的未观察到的异质性，首先进行潜在类别聚类分析，依据拟合优度指标确定最佳聚类数，将数据分成3个集群，分别对每个集群进行特征描述。然后，分别对每个集群建立随机参数Logit模型，以进一步探索集群内部未观察到的异质性，同时计算各显著变量的边际效应，量化其对事故严重程度概率的影响。结果显示，随机参数Logit模型具有更好的拟合优度；不同集群参数估计结果有所差异，一些变量只在特定集群内是显著的；集群1中，“救护车援助”为随机变量，集群2中“事故发生在城市”为随机变量，集群3中未发现随机变量，退化为多项Logit模型。本文研究结果可为交通工程师和政策制定者提供更可靠准确的老年行人交通事故严重程度诱因信息，为老年行人出行安全改善方案的制定提供理论支撑和技术支持。