Improving safety in mixed traffic: A learning-based model predictive control for autonomous and human-driven vehicle platooning

要約

自動運転車 (AV) が公道でより一般的になるにつれて、混合交通における自動運転車 (AV) と人間運転車 (HV) との相互作用は避けられません。
これには、AV が HV の予測不可能な性質に対処するための新しい制御戦略が必要です。
この研究は、AV と HV の両方からなる混合車両隊列における、特に縦方向の車両追従シナリオにおける安全制御に焦点を当てました。
従来の第一原理モデルとガウス過程 (GP) 機械学習ベースのモデルを組み合わせて、HV の動作をより適切に予測する新しいモデルを紹介します。
私たちの結果は、第一原理モデルのみを使用した場合と比較して二乗平均平方根誤差が 35.64% 減少し、HV 速度の予測が大幅に改善されたことを示しました。
我々は、提案したHVモデルを使用したGP-MPCと呼ばれる新しい制御戦略を開発し、混成隊列における車両間のより安全な距離管理を実現した。
GP-MPC 戦略は、GP モデルの能力を効果的に利用して不確実性を評価することで、緊急ブレーキのシナリオなど、困難な交通シナリオにおける安全性を大幅に向上させます。
シミュレーションでは、GP-MPC 戦略はベースライン MPC 手法を上回り、安全性が向上し、混合交通での車両の移動がより効率的になりました。

要約(オリジナル)

As autonomous vehicles (AVs) become more common on public roads, their interaction with human-driven vehicles (HVs) in mixed traffic is inevitable. This requires new control strategies for AVs to handle the unpredictable nature of HVs. This study focused on safe control in mixed-vehicle platoons consisting of both AVs and HVs, particularly during longitudinal car-following scenarios. We introduce a novel model that combines a conventional first-principles model with a Gaussian process (GP) machine learning-based model to better predict HV behavior. Our results showed a significant improvement in predicting HV speed, with a 35.64% reduction in the root mean square error compared with the use of the first-principles model alone. We developed a new control strategy called GP-MPC, which uses the proposed HV model for safer distance management between vehicles in the mixed platoon. The GP-MPC strategy effectively utilizes the capacity of the GP model to assess uncertainties, thereby significantly enhancing safety in challenging traffic scenarios, such as emergency braking scenarios. In simulations, the GP-MPC strategy outperformed the baseline MPC method, offering better safety and more efficient vehicle movement in mixed traffic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google