城市与高速公路场景下用于生态自适应巡航控制的基于深度学习的车速预测
系统与控制
2022-12-02 v1 机器学习
系统与控制
摘要
在典型的车辆跟驰场景中，目标车辆的速度波动作为对主车的外部扰动，进而影响其能耗。为了使用模型预测控制（MPC）以节能的方式控制主车，并进一步增强生态自适应巡航控制（EACC）策略的性能，预测目标车辆的未来速度至关重要。为此，本文研究了基于深度循环神经网络、使用长短期记忆（LSTM）和门控循环单元（GRU）的车速预测方法。此外，还讨论了基于物理的恒速（CV）和恒加速度（CA）模型。用于训练的序列时间序列数据（例如，通过车联网（V2V）通信获取的目标车辆及其前车的速度轨迹、道路限速，以及通过车路协同（V2I）通信收集的交通信号灯当前与未来相位）均采集自微观交通仿真器 SUMO 中构建的城市与高速公路网络。所提出的车速预测模型针对目标车辆未来速度的长期预测（长达 10 s）进行了评估。此外，结果表明，基于 LSTM 的速度预测器在未见测试数据集上取得了更好的预测精度，从而展现出更好的泛化能力。进一步地，评估了装备 EACC 的主车在预测速度下的性能，并展示了其在不同预测时间跨度下的节能效益。
引用
@article{arxiv.2212.00149,
title = {Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive Cruise Control in Urban and Highway Scenarios},
author = {Sai Krishna Chada and Daniel Görges and Achim Ebert and Roman Teutsch},
journal= {arXiv preprint arXiv:2212.00149},
year = {2022}
}
备注
Submitted to IFAC World Congress 2023