CAV-AHDV-CAV：通过新型车隆跟随结构和强化学习消除CAV的交通振荡
机器人学
2024-07-12 v2 人工智能
摘要
连接自动驾驶车辆（CAVs）为混合交通（包含CAVs和人驾车辆HDVs）的挑战提供了可行方案。此类场景下的重要挑战是车隆跟随期间出现的交通振荡，即“来回”模式。虽然HDVs依赖有限信息，CAVs可利用其他CAV的数据进行更好的决策，从而预测并消除恶化交通流的减速波。我们提出一种新型“CAV-AHDV-CAV”车隆跟随框架，将两个CAVs之间的HDVs序列视为单个实体，消除来自个体驾驶行为的噪声。该深度强化学习方法分析车辆平衡状态，采用状态融合策略。我们在HighD、NGSIM、SPMD、Waymo、Lyft等多样化数据集上进行训练和测试，累计超过70,000条车隆跟随实例。实验结果表明，我们的模型在碰撞避免、维持前后车辆平衡状态以及实现最低时间头程标准差方面均优于基线方法。这些结果表明我们方法在开发稳健的混合交通CAV控制策略方面有效。我们的模型有望消除交通振荡，提高交通效率，增强整体安全性。
引用
@article{arxiv.2407.02517,
title = {CAV-AHDV-CAV: Mitigating Traffic Oscillations for CAVs through a Novel Car-Following Structure and Reinforcement Learning},
author = {Xianda Chen and PakHin Tiu and Yihuai Zhang and Xinhu Zheng and Meixin Zhu},
journal= {arXiv preprint arXiv:2407.02517},
year = {2024}
}
备注
Due to errors identified in the experimental methodology and results sections, we request to withdraw this paper