基于深度确定性策略梯度与协同自适应巡航控制的混合跟车策略

基于深度确定性策略梯度（DDPG）的跟车策略因其在复杂环境下的探索能力，可突破微分方程模型的约束。然而，DDPG 的跟车性能常因奖励函数设计不合理、训练不足及采样效率低而下降。为解决此类问题，提出一种基于 DDPG 与协同自适应巡航控制（CACC）的混合跟车策略。首先，将跟车过程建模为马尔可夫决策过程，在每一帧同时计算 CACC 与 DDPG。给定当前状态，分别从 CACC 与 DDPG 得到两个动作。随后，选取对应奖励更大的最优动作作为混合策略输出。同时，设计规则以确保加速度变化率小于期望值。因此，所提策略既通过 CACC 保证跟车基本性能，又借助 DDPG 充分利用其在复杂环境下探索的优势。最后，仿真结果表明所提策略的跟车性能优于 DDPG 与 CACC。