登录TOPS×

*


*

验证码加载中……

请先拖动验证码到相应位置


——  孙  剑  教  授  课  题  组  ——

第141期组会:周东浩:《人机混驾环境下交叉口粒-流协同驾驶优化方法研究》

撰稿 张国宇   2024年05月09日 14:05:16  阅读()

2024年4月24日下午16:30,TOPS第140期组会于通达馆A102会议室线下举行。本次组会由2020级博士周东浩与大家交流讨论《人机混驾环境下交叉口粒-流协同驾驶优化方法研究》的相关内容。课题组老师同学出席了本次组会。


本次汇报为研究绪论、MV意图决策和一致性准则挖掘、CAV单车和MV车流冲突下的预期协同规划、基于情景优化的两冲突人机混驾交通流协同、基于情景实时推理的多冲突人机混驾交通流协同以及总结展望六个部分展开。周东浩首先从现实问题切入,介绍了人机混驾环境为CAV安全高效运行带来严峻挑战。在背景中指出现有CAV在粒-流两个尺度存在局限,且现有研究在粒-流两尺度下的协同存在可提升空间。同时交叉口亟需智能网联汽车协同提升系统表现,引出了研究定位为:人机混驾环境下交叉口粒-流协同驾驶优化。


汇报内容


本文研究内容和递进关系如下,学习了人类驾驶车辆交互决策规律,在人交互的规律中,发掘可利用的协同空间,提出粒尺度的人机预期协同,实现智能网联车和人类驾驶车通过交互的驾驶行为对话,实现协商决策,第三步,从粒到流,面对两混合流冲突的场景,提出图表征、图搜索方法,搜索智能网联车最优的意图组合,求解对应的行为,最后从二维混驾流冲突到多为混驾流冲突,提出了强化学习、图神经网络特征提取等方法,实现最优意图组合的实时推理。


汇报内容


MV意图决策和一致性准则挖掘部分,提出了基于同理心的意图倾向估计。同理心指本方能以换位思考的方式理解他人所受影响。基于同理心的决策表现为:一方面,本车决策时会考虑给对方带来的负面影响;另一方面本车决策时认为对方采用同样的决策方式来对待本车。

基于同理心的思想,提出了合作加速度指标,定义为站在交互对象的角度上,看本车的动作对对方带来的影响(对方刚好让行/先行会引发的加速度),这里的本车动作表征为到达冲突点时间,对对方带来的影响表征为对方刚好让行需要采取的加速度。


汇报内容


CAV单车和MV冲突下的预期协同规划部分,周东浩以无保护左转场景为例,介绍了预期协同规划,即主动的诱发意图一致,预测本车动作对冲突对象造成的影响,主动诱发间隙扩大。这种思路不依赖信息沟通、意图共享,而是本车通过自身动作影响交互对象的行为,形成间接的“协商”。根据上一章的分析确定协作回应标准,用于预测对向车的反应,然后从中挖掘可协同的空间,实现可行解空间的增大,在拓展的预期协同解空间做规划,实现主动引导意图快速达成一致。并在此部分最后,将本研究提出的预期协同方法和基于场论的方法做了对比,表现出本研究的优越性。


汇报内容


在基于情景优化的两冲突人机混驾交通流协同部分,周东浩同样以无保护左转场景为例,介绍了意图选择多样性,即由于每辆车都有抢行或让行各辆冲突车的意图选择,各车确定的意图选择组合可以表示成一个情景,MV意图的不确定性和CAV意图选择的多样性构成了未来情景的多种可能性,造成了多模态问题。将场景表示为交互图后,采用图搜索生成所有可行的情景。求得全部的情景后,需要为每个情景生成各车轨迹。对冲突交互通过调整到达冲突点时间这个控制点,实现避撞;对跟驰采用启发式算法,在碰撞出新增或调整控制点,最终实现了跟驰的轨迹生成。最后通过代理指标统计学分析实验分析得到本方法在可减少剧烈冲突、减少平均行程时间以及减少中高CAV渗透率下能耗等指标具有优异表现。


汇报内容


在基于情景实时推理的多冲突人机混驾交通流协同部分,周东浩以无信号交叉口场景为例,沿袭上一章的交互图方法解决,并指出问题的难点是:如何在爆炸增长的情景空间快速搜索可行情景,如何适应场景内动态变化的交互数量、类型、运动状态。提出了基于图推理的强化学习方法,即首先用交互图表征当前场景,然后,输入至动作策略网络,输出动作分配各流向的通行优先权,循环这一分配过程,最终确定了通行顺序,即确定了情景,此外,在分配通行优先权的同时,确定车辆轨迹,计算车辆带来的效益,优化训练动作策略网络。最后在结果部分可以得出,采用相同的训练方法D3QN,控制网络变化方向,同时使用GCNGAT的效果最好,比单独使用GCN GCT或不适用GNN只采用朴素的多层感知机MLP方法都要好。控制网络结构相同,策略优化方法不同对比发现,D3QNreward收敛效益最高。在实验部分还设计了硬件在环与车辆在环内容。


汇报内容


在结论与展望部分,周东浩总结了各部分的研究内容以及创新点。研究提出了可动态、交互式分析冲突车辆意图一致性的决策时域图方法,为分析交互双方意图决策行为和意图一致性演化过程提供支撑;提出了CAVMV冲突交互下,CAV主动寻求意图一致的预期协同运动规划,提升了意图一致达成成功率和效率;提出了基于情景优化思想的推理图(RG)框架,为解决意图多样性、不确定性问题导致的多模态优化问题提供了新的解决范式;提出了基于推理图的强化学习(RGRL)框架,拓展了协同方法在高维交互场景下的应用能力。


汇报结束后,孙剑老师、田野老师、倪颖老师、秦国阳老师、杭鹏老师、孙杰老师、李建强、叶轶淳、孔爱静对此次汇报进行了提问和建议。


至此,本次组会圆满结束。







电话:021-69583650  管理员邮箱:2015qgy@tongji.edu.cn  
地址:上海市曹安公路4800号同济大学交通运输工程学院A440  邮编:201804

Creative Commons License TOPS课题组 页面浏览465,829次/访客70,123人次