Nov, 2023

超越模拟驾驶员：评估混合交通控制中实际车辆跟随的影响

PDF
TL;DR人工驱动车辆导致交通拥堵，增加燃油消耗、碰撞风险和减少容量利用率。本研究通过分析真实世界中的人类驾驶轨迹，提取了在车跟随过程中的加速行为，并将这些行为与之前研究中的自动驾驶车辆结合起来，以减少拥堵并评估其安全性、效率和稳定性。此外，还引入了基于强化学习的自动驾驶车辆，利用拥堵阶段分类神经网络来优化 “安全 + 稳定” 或 “效率”，并在不同密度、配置和渗透率的混合交通控制环境中进行评估，并与现有的自动驾驶车辆进行比较。
human-driven vehiclescongestionfuel consumptioncollision risksreinforcement learning
发现论文，激发创造
  • 增强驾驶员行为模型用于高保真模拟研究碰撞检测算法

    本文使用模拟平台进行了复杂的交通仿真实验，针对连通与自动驾驶汽车的驾驶行为进行了建模，并分析了多种人为与机制相关的因素对交通网络的影响。

    Aug, 2022

  • 混合交通中的联网自动驾驶车辆：学习人类驾驶员行为以实现有效的匝道并入

    该论文提出了一种学习连接和自动化车辆 (CAV) 与进入匝道的人驾驶车辆 (HDV) 进行安全控制的方法，使用高度信息状态模型，学习了混合交通情况下 HDV 的行为，并生成安全控制策略，然后在 CAV 与 HDV 交互的模拟场景中进行了验证。

    Apr, 2023

  • 通过强化学习进行交通流随机化的自主车辆决策与控制

    我们提出了一种方法，通过随机化基于规则的微观交通流的车辆跟随模型和变道模型的某些参数来随机化周围车辆的驾驶风格和行为，发现在高保真度微观交通流下训练的策略相比其他微观交通流下训练的模型具有更高的成功率和更好的计算奖励。

    Mar, 2024

  • 自动驾驶车辆在全自动和混合交通条件下的开发与评估

    自动驾驶汽车技术快速发展，对道路交通安全产生了重大影响，同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动，本研究提出了一个多阶段的方法，采用共享和关怀的车对车通信策略来加强协同行为。通过进行一项调查来验证自动驾驶汽车的驾驶性能，并可用于一个混合交通案例研究，重点研究人类驾驶员如何对待与他们同时驾驶在同一条道路上的自动驾驶汽车。研究结果表明，采用深度强化学习，自动驾驶车辆获得了接近人类驾驶性能的驾驶行为。在自动驾驶汽车网络中采用共享和关怀的车对车通信可以提高其驾驶行为，促进更有效的行动计划，并增进自动驾驶汽车之间的合作行为。调查结果显示，无法保证混合交通中的安全性，因为我们无法控制人类驾驶员出于自我的行为，如果他们决定与自动驾驶汽车竞争。因此，本研究倡导加强对自动驾驶汽车在公共道路上安全融入的研究。

    Dec, 2023

  • 具备深度强化学习的类人自动驾驶车辆跟随模型

    该研究提出了一种基于深度强化学习的类人自动车跟随规划框架，并通过创新的奖励函数和反应延迟考虑等方法，将人的驾驶行为映射到速度、相对速度和车辆间距离等状态空间，实现了精度更高的自动驾驶策略学习，具有较强泛化能力，可以为智能驾驶算法和交通流模型的发展提供帮助。

    Jan, 2019

  • 通过强化学习分析非信号化路口的混合交通行为

    本研究报告探讨了强化学习 (RL) 代理在停车迟迟及加速停车场景中所表现的多模态分布程度，并调查了 RL 控制的机器人车辆 (RVs) 在复杂交通环境中如何有效导航方向与其他车辆进行协作。通过分析多模态队列长度、流量和编队大小分布以及队列长度与流量之间的皮尔逊系数相关性，考虑了机器人和人驾驶车辆 (HVs) 的相同和不同行驶方向，还研究了因果推断模型，揭示在涉及不同行驶方向的场景中影响队列长度的因素。通过这些调查，本报告为混合交通 (RVs 和 HVs) 在交通管理和协调中的行为提供了宝贵的见解。

    Nov, 2023

  • 自动驾驶中驾驶员干预行为分析 —— 一种融入 VR 的方法

    该研究通过实施虚拟现实和交通微模拟集成的实验环境，并在典型和多样化的交通场景下进行测试，提出了驾驶员介入行为的新视角，从而改善自动驾驶在类似情景下的表现，并为人与自动化系统之间的信任关系研究提供了有价值的综合与沉浸式工具。

    Dec, 2023

  • 利用人类反馈进行逼真交通模拟的强化学习

    通过使用强化学习和人类偏好对齐，该研究旨在改善现有交通模型的模拟真实性，解决交通模拟模型的多样性和人类偏好的问题。该研究还提出了用于实现真实性对齐的数据集，并以 nuScenes 数据集的综合评估验证了 TrafficRLHF 框架在生成与人类偏好一致的逼真交通场景方面的能力。

    Sep, 2023

  • 利用社会心理因素的强制合并情境中自主车辆的交互感知决策

    通过包含社会行为和驾驶员个人目标的行为模型，利用贝叶斯滤波和对于不明确意图的附近车辆行为的预测，开发了一种基于滑动时域控制的决策策略，以在线估计其他驾驶员的意图。通过与博弈论控制器和真实世界交通数据集的模拟研究进行比较，验证了所提出的决策策略的有效性。

    Sep, 2023

  • 基于深度强化学习和真实世界轨迹数据的无人车交通平滑控制器

    通过使用田纳西州 I-24 高速公路的实际轨迹数据，在一条车道的仿真中运行深度强化学习方法来训练减少能耗的波浪平滑策略，我们展示了在低 4% 的自动驾驶车辆渗透率下，对于出现许多停停走走波浪的轨迹，可以实现超过 15% 的显著节省燃料，分析了控制器的平滑效果以及对仿真中添加车道变更和消除下游信息的鲁棒性。

    Jan, 2024