高速公路浓雾环境下换道决策规则提取及决策算法

依据换道决策规则进行换道是当前无人驾驶车辆常用的决策方法之一。针对浓雾环境下换道决策规则提取困难和研究较少的问题,研究了高速公路浓雾环境下的换道决策行为。首先,招募24名职业司机,利用Auto Sim驾驶模拟舱搭建虚拟高速公路浓雾环境进行驾驶实验;其次,提出了基于CART决策树的换道决策规则提取方法,提取出15条换道决策规则;最后,对换道决策规则进行了验证。结果表明,用CART决策树算法提取高速公路浓雾环境下换道决策规则是可行的,提取的规则能准确反应驾驶员换道行为的决策过程,可为高速公路浓雾环境下无人驾驶车辆的换道决策提供一定的理论支撑。     

基于改进Q学习的双周期干线信号协调控制方法

针对双周期干线信号协调控制中干线协调与双周期交叉口通行效率存在一定矛盾的问题,提出了一种基于改进Q学习的双周期干线信号协调控制方法,从状态空间和动作空间两个方面对Q学习算法进行了改进。首先,提出了新的交通状态描述指标——排队消散指数,依据该指标的阈值对交通状态进行等级划分,降低了Q学习状态空间的维数。其次,综合考虑相邻交叉口交通状态之间的关联和影响,针对每种系统状态分别设定可行的关联动作,降低了Q学习的动作空间。最后,以北京市两广路为例验证了改进的Q学习算法。结果表明,改进Q学习算法相比于普通Q学习算法、固定配时方案,干线平均延误分别减少10.47%、9.93%,平均停车次数分别减少22.64%、7.96%,双周期交叉口平均延误分别减少21.58%、24.96%,平均停车次数分别减少8.51%、11.64%,表明该算法对减少双周期干线延误,降低停车次数具有较为显著作用。     

考虑驾驶员有限理性下信号交叉口车速引导模型

为突破车速引导模型中驾驶员完全遵从引导速度的理想假设,提出了有限理性下的车速引导模型。针对驾驶员对系统给出引导速度决策时的非完全理性行为,首先建立了有限理性二项LOGIT决策模型,利用问卷调查数据对模型进行标定,得到了驾驶员有限理性的决策依据：当遵从引导速度与不遵从引导速度的效用差明显时（大于效用阈值）,驾驶员可以进行理性决策,实现效用最大化;当效用差不明显时（小于效用阈值）,驾驶员将根据自身偏好随机进行有限理性决策。然后将上述有限理性决策依据融入信号交叉口车速引导中,建立了考虑驾驶员有限理性下的车速引导模型,与传统车速引导模型和无车速引导模型进行了仿真对比。传统车速引导和有限理性车速引导下车辆的平均通行时间较无车速引导分别增加6.5%和6.0%, 二氧化碳每公里排放量分别下降23.1%和19.2%。结果表明：有限理性模型和传统模型均能降低污染物排放,但有限理性模型的改善效果低于传统模型,原因是考虑了驾驶员在当前速度和引导速度博弈决策中的有限理性,这种考虑实际情况的模型可为车速引导系统的实际应用提供参考。