信号交叉口生态驾驶策略的学习

主干道上的信号交叉口会导致车辆持续怠速和过度加速，从而增加燃油消耗和二氧化碳排放。因此，已有系列工作研究生态驾驶控制策略，以降低交叉口的燃油消耗和排放水平。然而，如何在多样的交通场景下制定有效的控制策略仍是一个难题。本文提出一种强化学习（RL）方法，用于学习有效的生态驾驶控制策略。我们分析了所学策略对燃油消耗、二氧化碳排放和行程时间的潜在影响，并与自然驾驶和基于模型的基线方法进行了比较。我们进一步展示了所学策略在混合交通场景下的泛化能力。仿真结果表明，在网联自动驾驶车辆（CAV）渗透率达到100%的场景下，燃油消耗可降低高达18%，二氧化碳排放水平可降低高达25%，同时行驶速度甚至可提升20%。此外，结果表明，即使仅有25%的CAV渗透率，也能带来至少50%的总体燃油和排放降低效益。