基于深度强化学习的混合交通流宏观特征
人工智能
2026-03-27 v1
摘要
在混合交通环境中（即自动驾驶车辆与人类驾驶车辆共存）的自动驾驶车辆控制，面临在安全、效率、舒适性、燃油效率和遵守交通规则之间进行权衡的重大挑战，同时要捕捉异构驾驶员行为。传统的车跟模型，如智能驾驶员模型（IDM），往往难以在多样化的交通情景中普遍化，且通常不考虑燃油效率，促使使用基于学习的方法。尽管深度强化学习（DRL）在车跟条件下展现出强大的微观性能，但其宏观交通流特征仍属未探索领域。本研究聚焦于分析DRL模型在混合交通中的宏观交通流特征和燃油效率。实现了针对自动驾驶车辆控制的双延迟深度确定性策略梯度（TD3）算法，并使用NGSIM高速公路数据集进行训练，使其能够与人类驾驶车辆实现真实交互。通过在不同驾驶员异构性、异构安全时间间隙分布和不同比例的RL控制车辆下评估基本图（FD），来评估交通性能。还对RL基于车辆模型与IDM在宏观层面的燃油效率进行比较。结果表明，交通性能对安全时间间隙分布和RL车辆比例十分敏感。从完全人类驾驶向完全RL控制的交通，可将道路容量提高约7.52%。进一步地，与IDM相比，RL基于车辆在高速（>50 km/h）时提高平均燃油效率约28.98%，在低速（<50 km/h）时提高1.86%。总体而言，DRL框架在不损害安全性的前提下提升了交通容量和燃油效率。
引用
@article{arxiv.2603.25328,
title = {Macroscopic Characteristics of Mixed Traffic Flow with Deep Reinforcement Learning Based Automated and Human-Driven Vehicles},
author = {Pankaj Kumar and Pranamesh Chakraborty and Subrahmanya Swamy Peruru},
journal= {arXiv preprint arXiv:2603.25328},
year = {2026}
}
备注
Total 5 figures and 2 table