混合交通流环境下基于MSIF-DRL的网联自动驾驶车辆换道决策模型
韩磊1
张轮1
郭为安2
1.同济大学 道路与交通工程教育部重点实验室,上海 2018042.同济大学 电子与信息工程学院,上海 201804;同济大学 中德工程学院,上海 201804
摘要：现有的网联自动驾驶车辆(Connected and Automated Vehicles,CAV)换道决策模型鲁棒性较差,存在安全隐患,且单纯依赖自车信息、较小范围内的感知信息,难以在CAV与人工驾驶车辆(Human-Driven Vehicles,HDV)混行的环境中推断出最优动作.综合考虑感知信息、自车以及车-车通信(Vehicle-to-Vehicle,V2V)范围内上、下游CAV信息,提出一种混合交通流环境下集成多源信息融合的深度强化学习(Multi-Source Information Fusion Deep Reinforcement Learning,MSIF-DRL)端到端网联自动驾驶换道决策模型.首先,构建含有多源信息的状态空间,并为不同信息分配权重;其次,通过编码网络将各种动态信息编码到高维特征空间,进行信息融合得到特征图;然后,将其扁平化送入拥有优先经验回放机制的竞争双深度Q网络中,进行动作的选择和评估;最后,分别设计适用于主线、匝道CAV的奖励函数引导所提MSIF-DRL模型解决高速公路合流区驾驶场景中CAV的自由以及强制换道问题.基于SUMO软件在各种仿真条件下进行实验,将所提出的MSIF-DRL换道决策模型与现有换道模型进行比较,验证其有效性和优越性.研究结果表明:相较于现有模型,所提MSIF-DRL模型在各种仿真条件下均拥有最高的奖励值、换道成功率、合流成功率、平均行车速度、舒适性以及最低的碰撞风险,其中换道成功率、合流成功率、平均行车速度最大分别提升了29.17%、27.71%、17.43%;随着渗透率的提高,该模型在处理混合交通流环境下CAV的换道决策问题时拥有更强的性能和鲁棒性.
关键词：智能交通网联自动驾驶深度强化学习换道决策模型多源信息融合混合交通流
分类号：U491.1(交通工程与公路运输技术管理)
论文发表日期：2023-10-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：14( 148-161 )
英文信息