论文部分内容阅读
近年来,随着智能网联汽车(Connected and Autonomous Vehicle,CAV)的飞速发展,CAV开始渗透进传统车辆(Manual Vehicle,MV)的车流之中,逐渐演变形成了混行交通流。CAV的控制模型研究成为了当前智能交通与智能车辆领域的研究热点。如何满足CAV车队在进行变道、跟驰等驾驶行为下的安全性、实时性和车队稳定性成为了CAV控制模型的难点。论文针对CAV在纵向控制上安全性、实时性不足的问题,提出了对抗神经网络(Generative Adversarial Nets,GANs)的CAV纵向控制模型(GANs Longitudinal Vehicle Following Control Model,GVFM);为提高CAV在横向控制上的车队稳定性,提出了对抗神经网络模仿学习横向控制模型(GANs Imitation Learning Lateral Control Model,GAIL-LCM);最后结合CAV车队控制策略,提出了基于GVFM和GAIL-LCM的CAV车队纵/横向协同控制。论文主要研究工作如下:(1)针对当前CAV在纵向控制过程中对前后车速度变化的实时性较差,从而导致安全性不足的问题,结合GANs零和博弈的算法思想,构建由生成模块(Generator Model,GM)和辨别模块(Discriminator Model,DM)两部分组成的GVFM,并通过设定不同渗透率对其性能进行验证。实验结果表明,GVFM在测试集上的准确率为95.3%,相比于其他模型GVFM更能满足安全性、实时性以及车队稳定性的需求。(2)针对目前CAV横向控制模型处理行驶参数较慢从而导致CAV车队控制稳定较差的情况,采用激励函数并通过GANs和模仿学习的方法,设计了GAIL-LCM模型。设定多种场景对GAIL-LCM性能进行验证,实验结果表明GAIL-LCM在测试集上的方向盘转角、横向加速度以及纵向加速度三个行驶参数的准确率分别为96.1%、97.2%和98.6%,有效得改善了CAV横向控制稳定性不足的问题。(3)针对混行交通流场景下CAV车队纵/横向协同控制模型受周围车辆影响较大的导致稳定性较差得情况,结合CAV车队控制策略,提出基于GVFM和GAIL-LCM的CAV车队纵/横向协同控制模型,并在多场景下与其他控制方法进行实验对比。结果表明,GVFM和GAIL-LCM协同控制有效得降低了车队的车速损失,提高了CAV车队稳定性。综上,本文围绕混行场景下道路通行能力的提升,在对CAV纵/横向优化控制研究的基础上,研究并验证了基于GVFM和GAIL-LCM的CAV车队纵/横向协同控制。研究成果进一步丰富了交通流理论及方法。