提升混合交通安全性：一种用于自动驾驶与人驾驶车辆队列的基于学习的模型预测控制
机器人学
2024-04-03 v3
摘要
随着自动驾驶车辆 (AV) 在公共道路上变得越来越普遍，它们在混合交通中与人驾驶车辆 (HV) 的交互是不可避免的。这要求 AV 采用新的控制策略来处理 HV 不可预测的特性。本研究重点关注由 AV 和 HV 组成的混合车辆队列中的安全控制，特别是在纵向车辆跟驰场景中。我们引入了一种新模型，该模型将传统的第一性原理模型与基于高斯过程 (GP) 机器学习的模型相结合，以更好地预测 HV 行为。我们的结果显示，在预测 HV 速度方面有显著改善，与单独使用第一性原理模型相比，均方根误差降低了 35.64%。我们开发了一种名为 GP-MPC 的新控制策略，该策略使用所提出的 HV 模型来管理混合队列中车辆之间更安全的距离。GP-MPC 策略有效利用了 GP 模型评估不确定性的能力，从而在紧急制动场景等具有挑战性的交通场景中显著提高了安全性。在仿真中，GP-MPC 策略优于基线 MPC 方法，在混合交通中提供了更好的安全性和更高效的车辆运动。
引用
@article{arxiv.2211.04665,
title = {Improving safety in mixed traffic: A learning-based model predictive control for autonomous and human-driven vehicle platooning},
author = {Jie Wang and Zhihao Jiang and Yash Vardhan Pant},
journal= {arXiv preprint arXiv:2211.04665},
year = {2024}
}