基于深度学习的网联自动驾驶车辆主动式多目标生态路径策略
最优化与控制
2020-12-29 v2 人工智能
机器学习
多智能体系统
摘要
本研究利用信息通信技术（ICT）、网联自动驾驶车辆（CAVs）和感知技术的进展，开发主动式多目标生态路径策略。为稳健应用，考察了若干温室气体（GHG）成本计算方法。路段层面的交通与排放状态的预测模型采用带外生预测变量的长短期记忆深度网络构建。研究发现，无论路径目标如何，主动式路径策略均优于短视策略。无论是短视还是主动式，以行驶时间和 GHG 最小化为目标的多目标路径均优于单目标路径策略，使平均行驶时间（TT）、平均车辆行驶公里数（VKT）、总 GHG 和总 NOx 分别减少 17%、21%、18% 和 20%。最后，网络中车辆所经历的额外 TT 和 VKT 对网络产生的 GHG 和 NOx 量产生了不利影响。
引用
@article{arxiv.2006.16472,
title = {Deep Learning Based Proactive Multi-Objective Eco-Routing Strategies for Connected and Automated Vehicles},
author = {Lama Alfaseeh and Bilal Farooq},
journal= {arXiv preprint arXiv:2006.16472},
year = {2020}
}