期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
智能网联车辆加速车道类人化汇入控制研究
1
作者 谷梦路 葛振振 +2 位作者 王畅 苏彦奇 郭应时 《中国公路学报》 EI CAS CSCD 北大核心 2024年第3期134-146,共13页
为研究智能网联车辆(Intelligent Connected Vehicle, ICV)与高速公路主线传统人工驾驶车辆(Human-driven Vehicle, HDV)交互时通过高速公路加速车道的汇入控制算法,提出了一种融合随机森林(Random Forest, RF)算法和深度Q网络(Deep Q-n... 为研究智能网联车辆(Intelligent Connected Vehicle, ICV)与高速公路主线传统人工驾驶车辆(Human-driven Vehicle, HDV)交互时通过高速公路加速车道的汇入控制算法,提出了一种融合随机森林(Random Forest, RF)算法和深度Q网络(Deep Q-network, DQN)算法的ICV汇入控制模型(DQN-RF)。首先,建立路侧数据采集平台,采集了中国G70高速公路加速车道汇入区域HDV的真实汇入过程数据。其次,考虑汇入环境车辆历史数据流和汇入车在加速车道的汇入紧迫度,建立了基于RF算法的类人化汇入决策模型。采用城市交通仿真(Simulation of Urban Mobility, SUMO)平台搭建了高速公路加速车道ICV汇入场景,并基于Python语言建立了ICV汇入控制深度强化学习测试脚本环境,建立了基于DQN的纵向加速度控制算法。最后,将RF汇入决策模型嵌入DQN纵向加速度控制算法中,实现了ICV汇入决策和纵向加速度控制的融合。将SUMO内置的LC2013换道模型与DQN模型融合为DQN-LC2013模型,作为基线模型与DQN-RF模型进行对比。研究结果表明:相较于未考虑类人化汇入决策的DQN-LC2013模型,考虑类人化汇入决策的DQN-RF模型获得了更高的奖励值;当加速度动作取值空间为[-1,2] m·s^(-2)时,DQN-RF和DQN-L2013控制下的ICV通过汇入控制区域的平均加速度分别为0.55、0.09 m·s^(-2),通过汇入控制区域的速度分别为21.4、19.7 m·s^(-1);DQN-RF模型控制下ICV无停车等待现象,DQN-LC2013控制下ICV在100次汇入过程中出现了7次停车等待。提出的DQN-RF汇入控制模型可以实现类人化的驾驶决策,提高ICV通过汇入控制区域的效率和汇入成功率,可用于ICV通过高速公路加速车道汇入区域的汇入决策和纵向加速度控制。 展开更多
关键词 交通工程 汇入控制模型 DQN-RF 智能网联汇入车辆 加速车道 SUMO仿真
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部