基于带循环神经网络模型预测控制的密集交通中协作感知换道机动

本文提出一种密集交通下自动驾驶的实时换道控制框架，其利用了其他驾驶员的协作行为。本文关注车辆若不与其他驾驶员协作便无法换道的重度交通情形。在此情况下，经典鲁棒控制可能不适用，因为在不与其他驾驶员交互的情况下没有可并入的安全区域。也就是说，从控制工程师的角度看，对复杂且交互式的人类行为建模是极非平凡的。我们提出一种基于模型预测控制（MPC）的数学控制框架，其包含最先进的循环神经网络（RNN）架构。具体而言，RNN 预测其他驾驶员针对自动驾驶车辆潜在动作的互动运动，随后这些运动在安全约束中被系统性地评估。我们还提出一种实时启发式算法以寻找局部最优控制输入。最后，给出了仿真研究上的定量与定性分析，以阐明所提框架的优势。