Beyond Simulated Drivers: Evaluating the Impact of Real-World Car-Following in Mixed Traffic Control

要約

人間が運転する車両は、自然に発生する交通の混乱を増幅させ、渋滞を引き起こし、その結果、燃料消費量の増加、衝突の危険性の増加、設備利用率の低下を引き起こす可能性があります。
以前の研究では、一部のロボット車両 (RV) がこれらの問題を軽減できることが強調されていますが、車両追従シナリオでは、単純化されたモデルベースの人間駆動車両 (HV) によるシミュレーションに依存することがよくあります。
この傾向とは異なり、この研究では、現実世界の人間の運転軌跡を分析し、車追従時の幅広い加速挙動を抽出します。
次に、これらの動作をシミュレーションに組み込み、以前の研究からの RV を使用して渋滞を緩和し、その安全性、効率性、安定性を評価します。
さらに、人間の多様な運転行動の存在下で「安全性+安定性」または「効率性」のいずれかを最適化するために渋滞段階分類子ニューラルネットワークを利用する強化学習ベースのRVも紹介します。
提案された RV を 2 つの異なる混合トラフィック制御環境でさまざまな密度、構成、普及率で評価し、既存の RV と比較します。

要約(オリジナル)

Human-driven vehicles can amplify naturally occurring perturbations in traffic, leading to congestion and consequently increased fuel consumption, higher collision risks, and reduced capacity utilization. While previous research has highlighted that a fraction of Robot Vehicles (RVs) can mitigate these issues, they often rely on simulations with simplistic, model-based Human-driven Vehicles (HVs) during car-following scenarios. Diverging from this trend, in this study, we analyze real-world human driving trajectories, extracting a wide range of acceleration behaviors during car-following. We then incorporate these behaviors in simulation where RVs from prior studies are employed to mitigate congestion, and evaluate their safety, efficiency, and stability. Further, we also introduce a reinforcement learning based RV that utilizes a congestion stage classifier neural network to optimize either ‘safety+stability’ or ‘efficiency’ in the presence of the diverse human driving behaviors. We evaluate the proposed RVs in two different mixed traffic control environments at various densities, configurations, and penetration rates and compare with the existing RVs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google