混行交通下高速匝道入口智能车辆汇流方法_王蛟.pdf

（）年 第 卷 第 期 收稿日期：基金项目：国家自然科学基金项目（，）作者简介：王蛟，男，硕士研究生，主要从事智能汽车决策研究，：；通信作者 蔡英凤，女，博士，教授，主要从事智能网联汽车技术研究，：。本文引用格式：王蛟，蔡英凤，陈龙，等 混行交通下高速匝道入口智能车辆汇流方法 重庆理工大学学报（自然科学），（）：，（），（）：（）混行交通下高速匝道入口智能车辆汇流方法王 蛟，蔡英凤，陈 龙，刘擎超，王 海（江苏大学 汽车工程研究院，江苏 镇江；江苏大学 汽车与交通工程学院，江苏 镇江）摘 要：高速公路匝道入口处的车辆汇流问题是智能驾驶车辆决策系统面临的难题。其中，人类驾驶车辆和智能驾驶车辆混行汇流是最为复杂的情况之一。为了提高汇流区车辆的通行效率，降低污染物质的排放量，通过分析车辆在车道中的分布情况对通行效率的影响，创新了基于深度 学习（，）算法的智能驾驶车辆汇入模型，根据平均道路时空利用率条件对算法的优化目标函数进行了改进。同时根据真实数据集数据进行分析，定义了场景中车辆的驾驶风格，并建立了混行交通仿真场景。试验结果表明：在 种不同的交通流量条件下，与智能驾驶者模式（，）模型相比，基于 的主道车辆换道模型使得匝道汇流区整体的通行效率平均提高 ；每车燃油消耗量平均减少 ；每车各种污染气体排放量降低。关 键 词：智能驾驶；匝道混行汇流；深度 学习；平均道路时空利用率；驾驶风格中图分类号：文献标识码：文章编号：（）引言交通需求量和车辆保有量每年都在增长，预计到 年为止，全球车辆总量将超过 亿辆。由此，交通拥堵问题显得更加尖锐，而高速公路匝道入口的汇流区是产生交通拥堵的瓶颈地区之一，汇流区车辆数量较多时容易造成交通拥堵，甚至引发交通事故；同时，汇流区的通行效率很大程度上也影响着整个高速路段车流的通行质量，因此，车辆通行效率提高也能一定程度从整体上提高燃油经济性，减少污染气体的排放。针对高速公路匝道汇流问题，国内外已有不少科研人员进行了研究，研究方法可大致分为基于模型的方法、基于规则的方法和基于机器学习的方法 类。其中，基于模型的方法研究较为成熟，研究成果较多。如付锐等为了将汽车换道辅助系统的预警时刻提前，改进辅助系统的工作效能，建立了一种基于多证据融合识别的换道意图识别模型，对驾驶人换道意图的准确识别有助于智能驾驶车辆更好地进行决策。陈斌引入智能主体理论，将 与车道变换行为联系起来，建立了基于多智能主体系统的车道变换模型。刘伟铭等利用 和数据采集仪对广东多条高速匝道汇流区车辆变道行为进行了调查，分析出车道变换特性，应用微分法建立了车辆的变道模型。王崇伦等针对不同类型司机对安全距离敏感程度不同，提出了一种基于不同速度以及不同司机类型的最小安全距离模型 动态椭圆最小安全距离模型。该模型较之传统最小安全距离模型在相应情形下的约束空间具有更高的安全性和灵活性。李玮等采用矩形对车辆进行包裹，提出一种基于多项式理论的车辆换道轨迹规划算法。基于模型的方法虽然计算方便、可移植性好、可操作性强，但是在建立模型时都进行了一定程度的简化和前提假设，这使得基于模型的方法有时不能适应复杂多变的真实场景。基于规则的决策方法，如张荣辉等基于多车协同驾驶控制结构，提出了一种换道汇入的模型和策略，给出避免碰撞的条件准则，从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。等提出了一种通过控制匝道车辆流入主干道的数量的方法，根据汇流区主干道车流的大小，在汇入车道和匝道之间分配路权。当主干道车流量较大时，匝道车辆会因为一直得不到路权而导致排队等待。等提出了可变限速策略，在汇流区之前的主干道上限制车辆通过汇流区的车速来改善交通拥堵问题。基于规则的方法便于理解、可操作性强，但是在遇到复杂环境或者突发情况时，此方法的优势将不明显。近年来，随着机器学习技术的发展，越来越多的研究者在此领域进行创新。苏锑采用分类回归树的方法来解决多车协同汇流的问题，并且采用模型预测控制法规划汇流路径。还有一些学者提出了基于贝叶斯网络、基于博弈论和基于模糊推理的机器学习汇流模型。基于贝叶斯网络的模型，当属性个数较多或者属性之间相关性较大时，分类效果不好，而且需要知道先验概率，否则会影响分类结果。而基于模糊推理的模型对内存需求较大，处理速度较慢的特点。强化学习是机器学习中的一个领域，但却得到较多的关注。因为，强化学习的方法能够让智能驾驶车辆通过自适应学习，自我学习到最优策略，对于复杂多变的环境有更好的适应能力。等提出了一种深度强化学习框架，使用长短期记忆（，）神经网络可以在做决策时考虑到历史信息的影响。将包含历史信息的状态量输入进 网络进行决策，使得决策结果更具有时间上的连续性。徐洋采用超限学习机（，）在线学习驾驶员的驾驶数据，进行了换道决策模型的个性化，同时解决了有新样本加入时需要重新训练的问题，降低了模型的运行时间。等基于强化学习方法提出了一种考虑周围驾驶员协作等级的汇流方法，在交通流密度较大的情况下也能够成功地汇入。等基于最大化智能驾驶车辆的平均行驶速度原则，有效地减少了整个路段的车辆密度，提高了通行效率。目前许多交通场景都假设车辆全部为智能驾驶车辆，并且假设所有车辆类型相同，这些假设过于理想化，只能应用在理论阶段。等提出了一种高速公路匝道出入口智能驾驶车辆之间的协同控制策略，将所有车辆视为智能驾驶车辆。等提出了一种高速匝道入口处基于合作博弈的最优汇入序列，其交通参与者全部视为智能驾驶车辆。在现有的研究当中，还存在着不足：试验中的交通场景往往与实际场景差异较大，导致智能驾驶车辆在面对混行汇流任务时可能会影响决策效果；没有考虑到不同驾驶风格的情况。为了提高混行交通条件下高速公路匝道汇流区车辆的通行效率，并降低车辆污染物质的排放量，于是提出了一种基于 的主道智能驾驶车辆预见性换道的汇流策略。并将模型与 模型结果在仿真实验中进行对比。结果显示，模型有效地提高了汇流区车辆的通行效率和经济性，污染物质排放量明显下降。工作的意义如下：）提出了基于 的智能驾驶车辆预见性换道汇入模型，创新了基于平均道路时空利用率的优化目标函数，实现了整体车辆通行效率的提高。）降低了平均每车的燃油消耗，提高了经济性，减少了污染物质的排放量，有利于实现节能减排的目标。方法 平均道路时空利用率评价指标研究场景如图 所示，主道由内侧车道、外侧车道和加速车道组成，匝道车辆进入汇流区后，可以在加速车道中调整自身车速和位置。所有车辆均视为小型乘用车。图 车辆数量和密度分布 为了提高汇流区整体的通行效率，对道路时空上的利用率进行研究分析。就空间上而言，通常自由车流中，车辆行驶时的位置分布并不是均匀的。如图（）所示，有些驾驶员为了避免与汇入车辆进行交互，会优先选择离匝道口较远的车道通行，因此，内侧车道上车辆数量往往比外侧车道上车辆数量要多，这将导致车辆在空间上的分布不合理。内侧车道车道密度见式（）。（）式中：为内侧车道上第一辆车车头到最后一辆车车尾的距离；，为内侧车道上的车辆标号；为车辆数量。外侧车道车道密度见式（）。（）式中：为外侧车道上第一辆车车头到最后一辆车车尾的距离；，为外侧车道上的车辆标号；为车辆数量。由此，个车道上，车辆分布的不合理导致了道路在空间上的利用率较低。相反，如图（）中所示，内侧车道车道密度见式（）。（）式中：，为内侧车道上的车辆标号；为车辆数量。外侧车道车道密度见式（）。（）式中：，为外侧车道上的车辆标号，为车辆数量。此时，个车道的车辆分布较为均匀，道路在空间上的利用率较高。但是，这只是在某一时刻是均匀的，还需要考虑道路时间上的利用率。个车道上，车辆行驶的速度是有差异的。具体表现为，内侧车道车速较快，外侧车道车速较慢。因此，在相同的时间内，能够通过的车辆数量是不同的。能通过的车辆数量与车辆平均速度成正比。以此为训练目标的智能驾驶车辆会选择车辆数量和密度较少的车道行驶。但当智能驾驶车辆渗透率较低时，其数量并不能彻底弥补车道之间的差异时，仍会出现不平均的情况。综上，尽量保持 个车道的车辆在时空上是平均的，最大化地利用道路承载量，从而提高道路整体的通行效率。深度 学习 年，团队在 上发表了关于深度 学习的论文，论文中利用深度学习网络直接从高纬度提取有效特征，然后结合 学习中的最优策略，这种结合深度学习的 学习方法称为深度 学习。深度 学习的应用场景有非常多，比如图片分类、检测和自动驾驶等等。年，团队又加入了经验回放和目标网络两大利器，改善了训练不稳定的问题。在经验回放机制中，建立了记忆库。在记忆库中，包含了许多之前的学习经历，即样本，并在学习的过程中随机地加入这些样本，能够让神经网络训练更加高效。从环境交互中获得的样本记为（，）。其中，是 时刻的状态，是 时刻选择的动作，是从环境中获得的奖励，是 时刻的状态。此外，使用了 个结构完全相同但参数不同的神经网络，即目标 网络和估计 网络，参数分别为 和。智能体使用估计 网络实时估计 值，即（，；），王 蛟，等：混行交通下高速匝道入口智能车辆汇流方法与环境进行交互。目标 网络则使用很久之前的参数来估计 值，即（，；），然后在固定的步数之后将估计 网络的参数赋值给目标 网络来进行更新。一定程度上降低了当前 值和目标 值的相关性，提高了算法稳定性。和 学习的更新方式一样。初始化记忆库、个神经网络的参数和需要交互的环境。回合开始后，根据状态值，选择动作值，然后执行动作，观察从环境得到的下一个状态值 和奖励，并将（，）存放在记忆库中。当循环到一定次数后，开始学习过程，从记忆库中随机地选择一部分样本。估计 网络的计算方法见式（）。（，；）（）式中，为折扣系数。网络更新公式见式（）。（，）（，）（，；）（，；）（）式中，为学习率。每隔一定的步数后，将估计 网络的参数 复制给目标 网络的 来更新网络参数。基于平均道路时空利用率的算法改进根据上文分析，对深度 学习算法进行改进。以主道 个车道上的车辆数量和车辆密度作为神经网络的状态输入，以智能车辆是否采用预见性换道策略作为神经网络的输出，将平均道路时空利用率指标作为算法的优化目标函数。假设只考虑距离汇区 以内的车辆数量和密度，即将到达汇流区内侧车道车辆数量为，由于匝道车辆会汇入外侧车道，所以即将到达外侧车道的车辆数量 为原本外侧车道数量加上匝道汇入的车辆数量见式（）。（）式中：为主道外侧车道的车辆数量；为匝道汇入的车辆数量。因此，即将到达汇流区内侧车道的车辆密度见式（）。（）即将到达汇流区外侧车道的车辆密度见式（）。（）网络 时刻输入状态空间 为（，），时刻输出动作空间 为（，），其中 表示主道进入的智能汽车不需要进行换道，表示主道进入的智能汽车需要进行换道。优化目标函数 见式（）。（）（）（）式中：为 个车道车辆平均速度的比值。即将到达汇流区内、外侧车道车辆数量和密度相差越大，则奖励越低；反之亦反。其他的参数设置见表 所示。表 深度 学习模型参数设置 参数名称值学习率 折扣系数 探索率 记忆库大小 网络参数更新 样本空间 模型的训练结果如图 所示。从图 可以看出，记忆库设置为 步，当训练到 步之后，值逐渐趋于收敛，模型训练完成。图 深度 学习模型训练结果 混行交通场景建立混行交通场景是指智能驾驶车辆和人类驾驶车辆在高速公路中混合行驶的场景。本文采用 数据集，数据集中包含某市高速公路匝道汇流区车辆的行驶数据。视频采集时间为 年 月 号 点 分，时长 ，交通量为 ，车辆样本量为 辆，合流数量次。数据集中的场景如图 所示，车道分为主道和匝道，其中主道分为内侧车道 和外侧车道；匝道分为加速车道 和应急车道，车辆行驶方向从右向左。本文假设所有车辆均为乘用车，且智能驾驶车辆只会从主道的 个车道中驶入，将从主道驶入的智能驾驶车辆数量与从主道驶入的总车辆数量之比设为智能驾驶车辆的渗透率。图 某高速公路匝道入口汇流区 根据 数据集中提供的车辆行驶数据来设定人类驾驶车辆的运动控制参数。采用 聚类算法，从车头时距，最高车速和加速度 个维度将人类驾驶车辆分成 类。分类结果如图 所示，种类型驾驶员聚类数据见表 所示。图 考虑车头时距，最高车速和加速度