Dec, 2023

基于 TD3 和 CACC 的自适应卡尔曼混合车辆跟随策略

PDF
TL;DR提出了一种基于自适应卡尔曼滤波器的混合车辆跟随策略，结合合作自适应巡航控制（CACC）和双时滞深度确定性策略渐变（TD3）算法，在混合交通流情景下改善了车辆跟随的性能，提高了安全性。
autonomous drivingdeep reinforcement learningcooperative adaptive cruise controlhybrid car following strategyadaptive kalman filter
发现论文，激发创造
  • 一种合作自适应巡航控制系统中的驾驶员变道预测新模型

    本文利用 HighD 数据集构建 LSTM 模型，通过 ACC 和 CACC 两种与周围车辆交互的情景，探究车辆位置、速度和加速度等信息对车道变更预测准确率的影响，提高车道变更预测准确率至 59.15% - 92.43%。

    May, 2023

  • 通过考虑通信相关的限制，实现连接自主车辆的协同自适应巡航控制

    本文提出了一个新的方法 CACC-OIFT 来实现自适应车队控制，它可以动态地优化信息流拓扑结构，从而在有多种交通条件的情况下提高车队的稳定性。

    Jul, 2018

  • CAV-AHDV-CAV：通过一种新颖的车辆跟随结构和强化学习减轻 CAV 的交通振荡

    我们提出了一种新颖的 “CAV-AHDV-CAV” 车辆跟随框架，该框架将两辆 CAV 之间的 HDV 序列视为一个单一实体，消除了个体驾驶员行为的噪声。通过对车辆平衡状态的分析和采用一种状态融合策略，我们的深度强化学习方法在多样化的数据集上进行训练和测试，包括超过 70,000 个车辆跟随实例，超越基线模型在避免碰撞、与前后车辆保持平衡以及实现最低时间间隔标准差等方面的效果。这些结果证明了我们的方法在开发混合交通的强健 CAV 控制策略方面的有效性，我们的模型有潜力减轻交通振荡，提高交通流效率并增强整体安全性。

    Jun, 2024

  • 基于深度集成的自适应巡航控制的感知不确定性自动驾驶

    我们在这篇论文中开发了一个基于深度神经网络的集成回归器，用于自适应巡航控制中估计与前车的车头距离，并通过概率安全约束来实现跟踪速度和保持安全跟车距离的目标。

    Mar, 2024

  • EditFollower：可调节的车跟随模型用于可定制的自适应巡航控制系统

    我们提出了可编辑行为生成（EBG）模型，这是一种数据驱动的车辆跟随模型，允许调整驾驶不礼貌水平，该模型整合了多种礼貌计算方法，通过 LSTM 和 Transformer 架构提供了全面的方法来捕捉细微的驾驶动力学。该模型是第一个可以动态调整不礼貌水平的数据驱动车辆跟随模型，为考虑驾驶员社交偏好的 ACC 系统开发提供了有价值的见解。

    Jun, 2024

  • 增强型智能驾驶模型用于评估驾驶策略对交通容量的影响

    使用新的汽车跟随模型模拟自适应巡航控制的车辆对交通流的影响，发现不同的自适应巡航控制策略会显著地改变交通的最大容量和动态瓶颈容量。

    Dec, 2009

  • 基于分层深度强化学习的考虑车辆重量的风险预测自主驾驶策略

    自动驾驶策略研究提出了基于风险预测的方法，利用周围车辆的重量建立风险指示器并采用分层深度强化学习。模拟结果显示该方法能同时降低潜在事故的发生几率和后果，并提高驾驶效率。

    Dec, 2023

  • 自主驾驶的基于可区分多传感器卡尔曼滤波的概率三维多目标合作跟踪

    通过可微分的多传感器卡尔曼滤波器，本文提出了一种新颖的用于自动驾驶的 3D 多目标合作追踪算法，该算法学习估计每个检测的测量不确定性，以更好地利用卡尔曼滤波器追踪方法的理论属性，实验结果表明，与 V2V4Real 中的最新方法相比，我们的算法提高了 17% 的追踪准确性，且仅有 0.037 倍的通信成本。

    Sep, 2023

  • 安全感知的智能自适应巡航控制在自动驾驶车辆中的应用：基于深度强化学习

    SAINT-ACC 是一种利用深度强化学习来动态调整车距的自适应巡航控制系统，同时优化交通效率、行驶安全和驾驶舒适性，具有较高的性能和可行性。

    Mar, 2021

  • 混合交通合作车道变换的深度强化学习算法性能比较

    协同车道变换机制在考虑人工驾驶车辆的不确定性和人车之间的微观交互作用的基础上，利用最先进的深度强化学习算法，通过性能比较证明了 PPO 算法在安全性、效率性、舒适性和生态性等方面具有更好的性能，为 CAV 的车道变换规划带来了更大的优势。

    Jun, 2024