面向带扰动混合交通流的安全强化学习生态驾驶控制
系统与控制
2024-02-01 v1 系统与控制
摘要
本文提出了一种为混合交通流量身定制的安全学习型生态驾驶框架，旨在优化能源效率，同时保证实际系统操作中的安全性。尽管强化学习（RL）能够在复杂环境中优化能源效率，但它在训练过程中面临安全要求的挑战。将训练好的策略部署到实际应用中时，缺乏安全保障是另一个担忧。与 RL 相比，模型预测控制（MPC）可以处理受约束的动力学系统，确保安全驾驶。然而，主要的挑战在于复杂的生态驾驶任务和扰动的存在，这分别对 MPC 的设计和约束的满足构成了挑战。为了解决这些局限性，所提出的框架结合了基于管道的增强 MPC（RMPC），以确保 RL 策略在扰动下的安全执行，从而提高控制的鲁棒性。RL 不仅优化了混合交通中网联自动驾驶汽车的能源效率，还处理了更多不确定场景，其中人类驾驶车辆的能源消耗及其多样化和随机的驾驶行为被纳入优化框架。仿真结果表明，与 RMPC 技术相比，所提出的算法在整体能源效率上平均提高了 10.88%，而与 RL 算法相比，它有效防止了车辆间的碰撞。
引用
@article{arxiv.2401.17837,
title = {Safe Reinforcement Learning-Based Eco-Driving Control for Mixed Traffic Flows With Disturbances},
author = {Ke Lu and Dongjun Li and Qun Wang and Kaidi Yang and Lin Zhao and Ziyou Song},
journal= {arXiv preprint arXiv:2401.17837},
year = {2024}
}