Verbesserung der Sicherheit im gemischten Verkehr durch lernbasierte Modellierung und effiziente Steuerung autonomer und menschengesteuerter Fahrzeuge

Conceitos Básicos

Durch die Integration eines Gaussian-Prozess-Modells in ein Fahrermodell für menschengesteuerte Fahrzeuge kann die Vorhersagegenauigkeit verbessert und die Unsicherheit quantifiziert werden. Dieser Ansatz ermöglicht die Entwicklung einer modellprädiktiven Regelung, die die Unsicherheit der menschlichen Fahrer berücksichtigt und so die Sicherheit und Effizienz in gemischten Fahrzeugflotten erhöht.

Resumo

Die Studie präsentiert einen neuartigen Ansatz zur Modellierung des Verhaltens menschengesteuerter Fahrzeuge (HV) in gemischten Verkehrsszenarien. Dazu wird ein Gaussian-Prozess-Modell (GP) in ein parametrisches Fahrermodell (ARX-Modell) integriert, um die Vorhersagegenauigkeit zu verbessern und die Unsicherheit zu quantifizieren.
Zunächst wird das ARX-Modell anhand von Daten aus Fahrsimulatorexperimenten identifiziert. Anschließend wird das GP-Modell auf Basis von Felddaten trainiert, um die Abweichungen zwischen Modellvorhersage und tatsächlichem Verhalten zu lernen. Durch den Einsatz einer sparse-GP-Approximation kann die Rechenzeit deutlich reduziert werden.
Das entwickelte GP+ARX-Modell für HV wird dann in eine modellprädiktive Regelung (MPC) für eine gemischte Fahrzeugflotte integriert. Dabei wird die quantifizierte Unsicherheit des HV-Modells genutzt, um einen adaptiven Sicherheitsabstand zwischen autonomen und menschengesteuerten Fahrzeugen zu definieren.
Simulationsstudien zeigen, dass der GP-MPC-Ansatz im Vergleich zu einer konventionellen MPC-Strategie die Sicherheit durch größere Abstände erhöht und gleichzeitig die Effizienz durch höhere Geschwindigkeiten im Fahrzeugverbund steigert. Durch den Einsatz der sparse-GP-Approximation konnte die Rechenzeit des GP-MPC-Verfahrens zudem deutlich reduziert werden.

Estatísticas

Die Geschwindigkeit des autonomen Fahrzeugs folgt einem vordefinierten Geschwindigkeitsprofil mit einer konstanten Geschwindigkeit von 20 m/s für 30 Sekunden, einem linearen Chirp-Signal von 25 auf 10 m/s in 60 Sekunden und einer konstanten Geschwindigkeit von 10 m/s für 90 Sekunden.

Citações

"Durch die Integration eines Gaussian-Prozess-Modells in ein Fahrermodell für menschengesteuerte Fahrzeuge kann die Vorhersagegenauigkeit verbessert und die Unsicherheit quantifiziert werden."
"Der GP-MPC-Ansatz erhöht die Sicherheit durch größere Abstände und steigert gleichzeitig die Effizienz durch höhere Geschwindigkeiten im Fahrzeugverbund."

Principais Insights Extraídos De

Enhancing Safety in Mixed Traffic

by Jie ... às arxiv.org 04-11-2024

https://arxiv.org/pdf/2404.06732.pdf

Perguntas Mais Profundas

Wie könnte der vorgestellte Ansatz erweitert werden, um neben der Sicherheit auch die Effizienz des gesamten Verkehrssystems zu optimieren

Um die Effizienz des gesamten Verkehrssystems neben der Sicherheit zu optimieren, könnte der vorgestellte Ansatz durch die Integration von Utility-Metriken erweitert werden. Diese Metriken könnten Faktoren wie Verkehrsflusseffizienz, durchschnittliche Reisezeit und Kraftstoffverbrauch umfassen. Durch die Anpassung des Kontrollzielfunktion des GP-MPC, um diese Metriken einzubeziehen, könnte eine umfassendere Verkehrsmanagementstrategie optimiert werden. Dies würde eine Multi-Objektiv-Optimierungsfunktion erfordern, die die Sicherheit der Fahrzeugplatoon mit breiteren Verkehrseffizienzmetriken ausbalanciert. Durch die Integration dieser zusätzlichen Ziele in das bestehende Sparse GP-Modell könnte eine optimierte Verkehrsmanagementstrategie entwickelt werden, die sowohl die Sicherheit als auch die Effizienz des Verkehrssystems verbessert.

Wie könnte das Modell angepasst werden, um auch Szenarien mit menschengesteuerten Fahrzeugen in autonomen Fahrzeugverbünden abzubilden

Um auch Szenarien mit menschengesteuerten Fahrzeugen in autonomen Fahrzeugverbünden abzubilden, könnte das Modell angepasst werden, indem die HV-Modellierung erweitert wird, um die Interaktionen zwischen menschengesteuerten Fahrzeugen und autonomen Fahrzeugen zu berücksichtigen. Dies könnte durch die Integration von menschlichen Verhaltensmodellen in das bestehende GP+ARX-Modell erfolgen, um die Vorhersagegenauigkeit und Unsicherheit der menschlichen Fahrer in gemischten Verkehrsszenarien zu verbessern. Durch die Erweiterung des Modells auf menschengesteuerte Fahrzeuge in autonomen Fahrzeugverbünden könnte eine umfassendere Abbildung der Verkehrsdynamik erreicht werden, die die Interaktionen und Reaktionen von menschlichen Fahrern auf autonome Fahrzeuge berücksichtigt.

Welche zusätzlichen Herausforderungen müssen bei der Gewährleistung der Stabilität und Robustheit eines solchen GP-basierten modellprädiktiven Regelungsansatzes berücksichtigt werden

Bei der Gewährleistung der Stabilität und Robustheit eines solchen GP-basierten modellprädiktiven Regelungsansatzes müssen zusätzliche Herausforderungen berücksichtigt werden. Dazu gehören die Komplexität der GP-Modelle, die Unsicherheiten in den Vorhersagen, die Berücksichtigung von probabilistischen Einschränkungen und die Integration von adaptiven MPC-Rahmenwerken. Die Stabilität von GP-basierten MPC-Systemen ist nach wie vor eine offene Herausforderung aufgrund der Komplexität der GP-Modelle und der Schwierigkeiten bei der Formulierung von MPC-Systemen. Es ist wichtig, die rekursive Durchführbarkeit und Stabilität für nichtlineare Systeme im Zustandsraum unter probabilistischen Einschränkungen sicherzustellen. Zukünftige Arbeiten sollten sich darauf konzentrieren, stabile und robuste GP-basierte MPC-Systeme zu entwickeln, die die Komplexität der Modelle und die Anforderungen an die Echtzeitsteuerung berücksichtigen.