Effiziente Koordinierung von Fahrspurwechseln in Autobahnabschnitten mit gemischtem Verkehr aus vernetzten und automatisierten Fahrzeugen

Khái niệm cốt lõi

Ein zweistufiger Regelungsansatz, bestehend aus einer oberen Ebene mit tiefem Reinforcement Learning und einer unteren Ebene mit modellprädiktiver Regelung, koordiniert effizient die Fahrspurwechsel von vernetzten und automatisierten Fahrzeugen sowie manuell gesteuerten Fahrzeugen in Autobahnabschnitten mit Verflechtungsbereichen.

Tóm tắt

Die Studie präsentiert einen zweistufigen Regelungsansatz zur Koordinierung von Fahrspurwechseln in Autobahnabschnitten mit Verflechtungsbereichen und gemischtem Verkehr aus vernetzten und automatisierten Fahrzeugen (CAVs) sowie manuell gesteuerten Fahrzeugen (HVs).
In der oberen Ebene implementiert eine Straßenseiteneinheit eine tiefe Reinforcement-Learning-basierte Steuerung, die Informationen von allen Fahrzeugen sammelt und Gewichtungen für verschiedene Regelungsziele in der unteren Ebene bestimmt, um die systemweite Effizienz zu optimieren.
In der unteren Ebene implementiert jedes CAV eine modellprädiktive Regelung, die zunächst die Trajektorien der umgebenden HVs vorhersagt und dann Beschleunigung und Lenkwinkel des Ego-CAVs unter Berücksichtigung der von der oberen Ebene berechneten Gewichtungen optimiert, um Zielreichweite, Verkehrseffizienz und Sicherheit auszubalancieren.
Der zweistufige Ansatz kann die Leistung von Autobahnabschnitten mit Verflechtungsbereichen in gemischten Verkehrsszenarien durch eine effiziente globale Koordinierung der CAVs bei gleichzeitiger lokaler Sicherheitsgarantie für die CAVs verbessern.

Thống kê

Die Durchschnittsgeschwindigkeit im Verflechtungsbereich kann um bis zu 54,73% gegenüber dem menschlichen Fahrermodell gesteigert werden.
Der Durchfluss am Ende des Verflechtungsbereichs kann um bis zu 12,86% gegenüber dem menschlichen Fahrermodell erhöht werden.
Die Kapazität des Verflechtungsbereichs kann um bis zu 11,84% gegenüber dem menschlichen Fahrermodell gesteigert werden.

Trích dẫn

"Ein zweistufiger Regelungsansatz, bestehend aus einer oberen Ebene mit tiefem Reinforcement Learning und einer unteren Ebene mit modellprädiktiver Regelung, koordiniert effizient die Fahrspurwechsel von vernetzten und automatisierten Fahrzeugen sowie manuell gesteuerten Fahrzeugen in Autobahnabschnitten mit Verflechtungsbereichen."
"Der zweistufige Ansatz kann die Leistung von Autobahnabschnitten mit Verflechtungsbereichen in gemischten Verkehrsszenarien durch eine effiziente globale Koordinierung der CAVs bei gleichzeitiger lokaler Sicherheitsgarantie für die CAVs verbessern."

Thông tin chi tiết chính được chắt lọc từ

Bi-Level Control of Weaving Sections in Mixed Traffic Environments with Connected and Automated Vehicles

by Longhao Yan,... lúc arxiv.org 03-26-2024

https://arxiv.org/pdf/2403.16225.pdf

Yêu cầu sâu hơn

Wie könnte der vorgeschlagene Ansatz auf andere Arten von Verkehrsengpässen wie Kreuzungen oder Auffahrten erweitert werden?

Der vorgeschlagene Ansatz zur globalen Koordination von Fahrzeugen in Verkehrsengpässen wie Wechselabschnitten könnte auf andere Arten von Verkehrsengpässen wie Kreuzungen oder Auffahrten erweitert werden, indem er die gleiche bi-level Steuerungsstruktur beibehält. Für Kreuzungen könnte das obere Steuerungsniveau Informationen über den gesamten Kreuzungsbereich sammeln und die Steuerungsgewichte für das untere Steuerungsniveau bestimmen, das in jedem Fahrzeug implementiert ist. Das untere Steuerungsniveau würde dann die Fahrzeugbewegungen basierend auf den lokalen Bedingungen und den vom oberen Steuerungsniveau erhaltenen Gewichten koordinieren. Für Auffahrten könnte eine ähnliche Struktur angewendet werden, wobei das obere Steuerungsniveau Informationen über den Verkehrsfluss auf der Auffahrt sammelt und die unteren Steuerungsgewichte entsprechend anpasst, um eine effiziente Einfahrt auf die Autobahn zu gewährleisten.

Welche zusätzlichen Informationen oder Sensordaten könnten in Zukunft in den Entscheidungsprozess einbezogen werden, um die Koordinierung weiter zu verbessern?

Um die Koordinierung weiter zu verbessern, könnten in Zukunft zusätzliche Informationen oder Sensordaten in den Entscheidungsprozess einbezogen werden. Beispielsweise könnten Echtzeitdaten zur Verkehrsdichte, Wetterbedingungen und Baustellen in die Entscheidungsprozesse einbezogen werden, um die Fahrzeugbewegungen besser anzupassen. Darüber hinaus könnten fortgeschrittene Sensoren wie Lidar und Radar verwendet werden, um eine präzisere Erfassung der Fahrzeugumgebung zu ermöglichen. Die Integration von V2V- und V2I-Kommunikationstechnologien könnte auch dazu beitragen, die Koordinierung zu verbessern, indem Fahrzeuge miteinander und mit der Infrastruktur kommunizieren, um Echtzeitinformationen auszutauschen und kollektive Entscheidungen zu treffen.

Wie könnte der Ansatz angepasst werden, um auch die Fahrkomfort- und Energieeffizienzaspekte der Fahrzeugführung zu berücksichtigen?

Um auch die Fahrkomfort- und Energieeffizienzaspekte der Fahrzeugführung zu berücksichtigen, könnte der Ansatz durch die Integration von zusätzlichen Zielfunktionen und Constraints erweitert werden. Zum Beispiel könnten Komfortparameter wie sanfte Beschleunigung und Bremsung in die Entscheidungsprozesse einbezogen werden, um ein angenehmes Fahrerlebnis zu gewährleisten. Energieeffizienzaspekte könnten durch die Optimierung von Fahrzeuggeschwindigkeiten, Beschleunigungsmustern und Routenplanung berücksichtigt werden, um den Kraftstoffverbrauch zu minimieren und die Umweltauswirkungen zu reduzieren. Durch die Berücksichtigung von Fahrkomfort- und Energieeffizienzaspekten kann der Ansatz zu einer ganzheitlichen und nachhaltigen Fahrzeugführung beitragen.