摘要
随着智能网联、5G等技术水平的不断提高以及生产成本的逐渐下降，自动驾驶将迎来一个全面发展的时期。未来很长一段时间内，人类驾驶车辆将与自动驾驶车辆、辅助驾驶车辆共同行驶于城市路网中，形成具有新型特征的混合交通流。因此，针对混合交通流的建模与仿真，自动驾驶虚拟仿真测试的相关研究必将成为智能交通领域的热点问题。然而，现有交通仿真软件均存在缺乏自动驾驶车辆模型的问题，自动驾驶仿真软件则无法提供真实的交通流模型。为了解决上述问题，本论文结合了人工智能领域前沿的深度强化学习算法，基于交通仿真软件SUMO进行二次开发，构建自动驾驶车辆微观控制与宏观路径规划模型，同时针对SUMO与自动驾驶仿真软件Carla的联合仿真测试展开了相关研究。 现有仿真路网搭建工具（或软件）存在精度不高、效率低下、易产生路网错误等问题，论文针对上述问题提出了一种融合多源地图数据的智能化路网优化方法，包括融合SHP与OSM数据的车道数修改算法与考虑路网拓扑关系的新型仿真路网道路ID修改算法。在此基础上，结合活动出行链理论，完成了基于活动的多模式出行输入。在实现仿真路网的智能化搭建与优化的基础上还原了更加真实的交通场景。 其次，论文分析了深度强化学习算法的原理以及经典的车辆跟驰、换道模型的模型机理。在此基础上，将交通领域知识融合到了自动驾驶车辆微观控制的强化学习问题定义中，结合了深度强化学习PPO算法，完成了模型的搭建。并结合了SUMO仿真场景进行模型训练，结果显示自动驾驶模型能够更安全、快速、高效的完成驾驶任务。 然后，在对经典的路径规划问题深入分析的基础上，论文构建了基于深度强化学习的自动驾驶宏观路径规划模型，结合了深度强化学习的DQN算法与定制化的SUMO仿真场景完成了模型搭建与训练，结果显示自动驾驶模型在获取起终点信息后能够根据道路交通的变化选择最优路径，更快地到达终点。 最后，论文将自动驾驶微观控制模型与宏观路径选择模型实现了一体化整合，并选取了苏州古城区域作为案例城市进行测试，结果表明该模型具有高泛化性，可以广泛应用于众多交通仿真场景。在此基础上，分析了SUMO与Carla的联合仿真原理，实现了案例城市的实时协同自动驾驶联合仿真，完成了全链条的自动驾驶虚拟仿真测试。
NETL