联网自动驾驶混合动力汽车生态驾驶的深度强化学习框架
系统与控制
2023-09-21 v3 系统与控制
摘要
联网自动驾驶汽车（CAVs），尤其是具多动力源者，有望在真实驾驶条件下显著降低油耗与行程时间。其中，生态驾驶问题旨在基于来自联网与高级地图特性的前瞻信息，设计最优速度与动力使用剖面，以最小化给定行程的燃油消耗。本文将生态驾驶问题建模为部分可观测马尔可夫决策过程（POMDP），并以前沿深度强化学习（DRL）演员-评论家算法——近端策略优化求解。我们开发了生态驾驶仿真环境用于训练与评估。为基准测试DRL控制器性能，给出了代表人类驾驶员的基线控制器、轨迹优化算法及后见之明确定性最优解。在极低车载计算需求与可比行程时间下，DRL控制器通过调节沿途车速及在信号交叉口进行高能效接近与离开，较基线控制器降低油耗逾17%，并优于计算需求更高的轨迹优化方法。
引用
@article{arxiv.2101.05372,
title = {A Deep Reinforcement Learning Framework for Eco-driving in Connected and Automated Hybrid Electric Vehicles},
author = {Zhaoxuan Zhu and Shobhit Gupta and Abhishek Gupta and Marcello Canova},
journal= {arXiv preprint arXiv:2101.05372},
year = {2023}
}
备注
This work has been accepted by IEEE Transactions on Vehicular Technology. Paper summary: 13 pages, 11 figures, 4 tables