混合交通环境下网联自动驾驶车辆行驶决策与控制方法研究.pdf

摘要

在全面实现车辆智能网联之前，很长一段时间内都将出现人工驾驶车辆（Human-

DrivenVehicles，HDV）和网联自动驾驶车辆（ConnectedandAutomatedVehicles，CAV）

共存的混合交通环境。考虑到HDV驾驶行为的多样性和CAV决策的复杂性，本文依托

国家重点研发计划项目（2018YFB1600600），针对混合交通环境，提出一种CAV纵向决

策控制方法，并将该方法扩展应用到CAV队列控制中。主要研究内容如下：

（1）针对混合交通中HDV驾驶行为模拟不充分的问题，在集成学习框架下提出了

一种传统模型和数据驱动方法融合的跟驰模型。首先，从微观交通流角度对驾驶行为进

行分析，利用编码器-解码器结构对换道行为进行建模，来提高HDV换道轨迹预测准确

性；之后，在考虑跟驰队列和周围驾驶环境影响因素情况下，使用集成学习方法对传统

和数据驱动跟驰模型的输出特征进行线性和非线性融合，通过模型对比实验发现：采用

非线性融合方法的跟驰模型的精度要高于传统模型、数据驱动模型以及线性融合模型。

（2）针对混合交通中复杂行驶状况下CAV驾驶安全性不足的问题，在TD3（Twin

DelayedDeepDeterministicPolicyGradient）的基础上提出一种融合多场景防碰撞策略的

TD3-MSCA纵向行驶决策方法。将HDV设置为CAV行驶过程中可能遇到的跟驰和插

入车辆，利用HDV行驶状态信息设计考虑多驾驶因素的奖励函数。在极端和非极端场

景测试实验中，分析了前方紧急插入的HDV对CAV以及对后方跟驰队列的影响，探究

了不同CAV渗透率对道路通行效率以及本车驾驶状态的影响。通过模型对比实验发现：

①TD3-MSCA在学习最优策略过程中能够更快收敛且发生更少的碰撞，在测试实验中安

全、效率和舒适指标表现最好且对后方跟驰队列的影响最小；②在CAV低渗透率以及

高渗透率实验中TD3-MSCA对道路通行效率的改善最佳。

（3）将TD3-MSCA纵向决策方法应用到CAV队列控制中，利用深度强化学习过

程来迭代队列的纵向控制策略，根据控制需求调整内部奖励函数，使用TD3-MSCA求

解队列纵向控制问题。此外，针对CAV队列可换道场景，设计了考虑距离、加速度和轨

迹约束的换道轨迹生成方法，利用模型预测控制方法对队列进行横向控制。在队列纵向

编队行驶和整体换道两种测试实验中发现：TD3-MSCA队列纵向控制方法与传统方法相

比大大缩短了决策控制时间，并能够按照预定的安全换道轨迹完成队列整体换道任务。

关键词：混合交通环境，HDV，CAV，决策与控制，CAV队列

I

Abstract

Amixedtrafficenvironmentinwhichhuman-drivenvehicles(HDVs)andconnectedand

automatedvehicles(CAVs)willcoexistforalongtimebeforetherealizationoflarge-scale

intelligenceandconnection.ConsideringthediversityofHDVdrivingbehaviorandthe

complexityofCAVdecision-making,thispaperreliesonthesub-projectoftheNationalKey

RDProgram(2018YFB1600605),andproposesaCAVlongitudinaldecision-makingand

controlmethodformixedtrafficenvironment,andextendsthemethodtoCAVplatooncontrol.

Themainresearchcontentsareasfollows:

(1)Aimingattheproblemoft