在异质交通流背景下,针对交通信号调度与车辆轨迹规划协同问题,本文提出集信号和轨迹于一体的融合控制模型。该模型采用竞争双深度Q网络算法(Dueling Double Deep Q Network, D3QN),通过深度强化学习技术对交通信号和车辆轨迹进行同步优...在异质交通流背景下,针对交通信号调度与车辆轨迹规划协同问题,本文提出集信号和轨迹于一体的融合控制模型。该模型采用竞争双深度Q网络算法(Dueling Double Deep Q Network, D3QN),通过深度强化学习技术对交通信号和车辆轨迹进行同步优化,旨在实现交通效率与生态驾驶的双重目标,并基于SUMO(Simulation of Urban Mobility)仿真平台对模型进行全面验证。仿真结果表明:与基准模型相比,单一优化策略虽然能在一定程度上改善交叉口性能,但存在整体效率提升受限的问题;本文提出的融合控制模型结合了宏观交通流与微观车辆行为的优化,使车均延误降低66.99%,燃油消耗减少11.26%,同时CO_(2)等污染物排放量也显著减少。进一步的敏感性分析揭示了系统性能随网联自动驾驶汽车(Connected and Autonomous Vehicles, CAV)渗透率的变化规律修正:当渗透率达到一定水平后,性能提升幅度逐渐减小,且模型在不同交通流量条件下均展现出稳定的优化效果,这一结果证实了该控制方法在城市交叉口环境中的适应性和鲁棒性。展开更多
文摘在异质交通流背景下,针对交通信号调度与车辆轨迹规划协同问题,本文提出集信号和轨迹于一体的融合控制模型。该模型采用竞争双深度Q网络算法(Dueling Double Deep Q Network, D3QN),通过深度强化学习技术对交通信号和车辆轨迹进行同步优化,旨在实现交通效率与生态驾驶的双重目标,并基于SUMO(Simulation of Urban Mobility)仿真平台对模型进行全面验证。仿真结果表明:与基准模型相比,单一优化策略虽然能在一定程度上改善交叉口性能,但存在整体效率提升受限的问题;本文提出的融合控制模型结合了宏观交通流与微观车辆行为的优化,使车均延误降低66.99%,燃油消耗减少11.26%,同时CO_(2)等污染物排放量也显著减少。进一步的敏感性分析揭示了系统性能随网联自动驾驶汽车(Connected and Autonomous Vehicles, CAV)渗透率的变化规律修正:当渗透率达到一定水平后,性能提升幅度逐渐减小,且模型在不同交通流量条件下均展现出稳定的优化效果,这一结果证实了该控制方法在城市交叉口环境中的适应性和鲁棒性。
