混合交通中增强安全性：基于学习的建模与自动驾驶及人类驾驶车辆的高效控制
机器人学
2024-04-11 v1 机器学习
系统与控制
系统与控制
摘要
随着自动驾驶车辆（AVs）在公共道路上的日益普及，开发稳健的控制策略以应对人类驾驶车辆（HVs）的不确定性至关重要。本文介绍了一种先进的HV行为建模方法，将第一原理模型与高斯过程（GP）学习相结合，以提高速度预测精度并提供可量化的不确定性。我们利用现场实验的真实数据验证了这种创新的HV模型，并将其应用于开发GP增强模型预测控制（GP-MPC）策略。该策略通过将不确定性评估纳入距离约束，旨在提高混合车辆队列的安全性。与传统模型预测控制（MPC）方法的对比仿真研究表明，我们的GP-MPC策略确保了更可靠的保持安全距离，并促进了高效的车辆动力学，在队列中实现了显著更高的速度。通过在HV建模中采用稀疏GP技术并在MPC框架内采用动态GP预测，我们显著减少了GP-MPC的计算时间，仅比传统MPC高4.6%。这代表了实质性的改进，使得该过程比我们未采用这些近似的初步工作快了约100倍。我们的研究结果强调了基于学习的HV建模在提高混合交通环境中的安全性和运行效率方面的有效性，为更和谐的AV-HV交互铺平了道路。
引用
@article{arxiv.2404.06732,
title = {Enhancing Safety in Mixed Traffic: Learning-Based Modeling and Efficient Control of Autonomous and Human-Driven Vehicles},
author = {Jie Wang and Yash Vardhan Pant and Lei Zhao and Michał Antkiewicz and Krzysztof Czarnecki},
journal= {arXiv preprint arXiv:2404.06732},
year = {2024}
}
备注
in IEEE Transactions on Intelligent Transportation Systems, 2024