基于深度强化学习的自动驾驶车与人驾驶车混合交通流的宏观特征
天体物理仪器与方法
2026-04-20 v1
摘要
在交通中混合存在自动驾驶车（AV）和人驾驶车的场景中，自动驾驶车的控制面临着在安全、效率、舒适性、燃油效率和遵守交通规则之间进行权衡的重大挑战，同时要捕捉异构驾驶员行为。传统的跟随模型，如智能驾驶员模型（IDM），往往难以在多样化的交通情景中泛化，通常也不考虑燃油效率，促使采用基于学习的方法。尽管深度强化学习（DRL）在跟随条件下显示出强大的微观性能，但其宏观交通流特征仍属未探索领域。本研究聚焦于分析DRL方法在混合交通中的宏观交通流特征和燃油效率。实现了基于双重延迟确定性策略梯度（TD3）算法的AV控制，并使用NGSIM高速公路数据集进行训练，使其能够与人驾驶车实现真实交互。评估了在不同驾驶员异构性、异构时间间隙渗透率以及不同比例的RL控制车辆下的交通性能。还对燃油效率在宏观层面的比较进行了分析。结果表明，交通性能对安全时间间隙的分布以及RL车辆的比例高度敏感。从完全人驾驶交通向完全RL控制交通的转变可将道路容量提高约7.52%。进一步地，与IDM相比，RL方法的AV在高速（50 km/h以上）下的平均燃油效率提高约28.98%，在低速（50 km/h以下）下提高约1.86%。总体而言，DRL框架在不损害安全性的前提下提升了交通容量和燃油效率。
引用
@article{arxiv.2603.25327,
title = {Calibration of key parameters during the in-orbit phase for the Taiji-2 gravitational reference sensor},
author = {Haoyue Zhang and Chang Liu and Xiaotong Wei and Peng Xu and Li-E Qiang and Ziren Luo and Ye Dong},
journal= {arXiv preprint arXiv:2603.25327},
year = {2026}
}
备注
10 pages, 11 figures