面向网联自动驾驶车辆非局部流动建模的物理信息神经网络
系统与控制
2025-06-24 v1 系统与控制
摘要
网联自动驾驶车辆(CAV)的巡航控制策略已在微观层面得到广泛研究。CAV 控制器能够感知并响应上游与下游的交通,但大多数宏观模型仍假设局部性,即期望速度仅依赖于局部密度。能够显式刻画"前视"与"后视"非局部 CAV 动力学的非局部宏观交通流模型仍研究不足。本文提出一种物理信息神经网络(Physics-informed Neural Network)框架,直接从一般的"前视-后视"车辆运动模型学习宏观非局部流动模型,从而弥合微观-宏观建模之间的鸿沟。我们由所提出的微观控制设计生成的合成 CAV 轨迹重构宏观交通状态,然后学习嵌入非局部守恒律的非局部交通流模型,以刻画由此产生的前视-后视动力学。为分析 CAV 控制参数如何影响非局部交通流,我们开展了高保真驾驶模拟器实验,在不同的下游与上游可见性条件下采集人类驾驶员的轨迹数据,作为标定 CAV 控制增益的基线。我们的分析验证了所学习的非局部流动模型比局部模型更准确地预测 CAV 交通动力学,且基本图在速度-密度关系上表现出更少的离散性。我们进一步表明,前视/后视控制增益主要重塑非局部核,而宏观速度与非局部密度的关系主要取决于 CAV 控制器所选的期望速度函数。我们的结果为直接从一般 CAV 控制设计学习非局部宏观交通流模型提供了一种系统化方法。
引用
@article{arxiv.2506.18357,
title = {Physics-Informed Neural Networks for Nonlocal Flow Modeling of Connected Automated Vehicles},
author = {Chenguang Zhao and Huan Yu},
journal= {arXiv preprint arXiv:2506.18357},
year = {2025}
}