摘要
交通震荡或“走停”现象给交通运行带来了严重干扰，在此过程中车辆频繁的加减速行为会导致能源消耗增多、尾气排放增加、安全隐患增加等问题。既有研究表明，在自动驾驶技术中合理设置自动驾驶车辆纵向控制策略能使其成为交通流中的“稳定器”，起到抑制交通震荡的作用。然而当前自动车辆运动建模更多延续自然人驾驶跟车的单边控制策略建模思路，即只考虑前方车辆的运动状态，缺乏对前后方车辆运动状态的综合考虑，本研究探索性设计一种考虑车辆运动前后关联的双边控制模型，并分析其对交通震荡现象的影响，主要研究内容如下: 首先，采取双边控制策略，建立基于深度强化学习的双边控制模型（BilateralControlModelBasedonDeepReinforcementLearning,BCM-RL）。该策略要求当前车辆在位置上应处于前方车辆和后方车辆的中间位置，速度上应保持为前方车辆和后方车辆的平均速度。以此策略为基础，构建模型的动作空间、车辆自身及其前后方车辆信息的状态空间，并设计考虑控制效率、抑制震荡能力以及安全性的多目标奖励函数。考虑到在双边控制模型车链中尾车不能使用双边控制策略的限制，设计出一种单边控制策略，基于深度强化学习的跟驰模型（CarFollowModelBasedonDeepReinforcementLearning,CFM-RL）作为BCM-RL车链尾车，以辅助BCM-RL车辆行驶。 其次，提出一种两阶段嵌套训练框架实现模型的高效训练。本次研究提出一个嵌套式的两阶段训练架构，首先在第一阶段CFM-RL训练环境中，训练得到合格的CFM-RL,随后在第二阶段BCM-RL的训练中，将第一阶段的CFM-RL车辆作为BCM-RL的车链尾车辅助BCM-RL训练，并使用参数共享的方式训练BCM-RL。在训练框架中将美国道路公开数据集（NextGenerationSimulation,NGSIM）中具有交通震荡的I-80数据作为训练集，开展两种模型的有效训练。 最后，设计模拟实验方案测试双边控制模型对交通震荡的抑制效用。为提高测试仿真的真实性和复杂度，将I-80数据中的速度曲线进行拼接，构建复杂交通场景的测试集。随后，分别在纯自动驾驶环境和混合交通环境中测试模型的安全性、燃油消耗、尾气排放以及行驶效率。实验结果表明:在纯自动驾驶环境测试中，相较于其他模型，在保证正常跟驰效率的情况下，BCM-RL车链的指标更加出色。在混合交通测试场景中，BCM-RL车链能有效缓解交通震荡，并随着车链长度的增加，交通环境不断得到改善。
NETL