✨ 长期致力于智能网联汽车、混合交通流、耦合、渗透率、协同控制研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1考虑驾驶风格差异的混合交通流耦合强度量化模型针对智能网联汽车CAV与传统人类驾驶车辆HDV在加速度响应延迟、跟车间距偏好、换道决策激进程度等方面的行为差异提出一种基于驾驶风格谱的耦合强度度量方法命名为DSCM。将驾驶风格量化为三个维度反应时间因子tauCAV典型值0.3-0.6秒HDV典型值0.8-1.5秒、期望车头时距因子h_desCAV 0.8-1.2秒HDV 1.5-2.5秒、以及加速度舒适度因子j_maxCAV最大减速度3.5m/s²HDV可达5.0m/s²。对于道路上的每一对前后车定义耦合强度指数C_ij exp(-|tau_i - tau_j|/0.2) * exp(-|h_i - h_j|/0.5)。当C_ij 0.7时认为两车形成强耦合对易产生交通波传播。在一条长3公里的双车道仿真路段上设置CAV渗透率从0%到100%每10%一个梯度每个渗透率下运行20次仿真每次随机位置初始化记录所有车辆的速度时间序列并计算速度方差衰减率。实验结果显示当CAV渗透率低于15%时耦合强度分布呈现双峰结构表明HDV群体与CAV群体相对隔离渗透率达到30%至50%区间耦合强度指数整体上升但交通流稳定性指标速度标准差反而略有恶化原因是CAV与HDV交互导致的频繁加减速渗透率超过60%后耦合强度指数趋于饱和速度方差降至纯HDV场景的42%。基于以上发现定义了一个临界耦合渗透率阈值P_crit0.55超过该阈值后混合交通流进入强耦合态此时主动调控最为有效。2车道级动态隔离与可变限速协同调控方法提出一种名为车道自适应动态隔离协议LADIP的主动调控策略该策略根据实时检测到的CAV渗透率及局部耦合强度动态地将多车道划分为CAV优先区、混合区和HDV专用区。LADIP运行在路侧边缘计算单元上每200毫秒接收一次所有车辆的BSM消息计算每个200米路段的平均渗透率。如果某路段CAV比例超过70%则将该路段最内侧车道标记为CAV专用车道允许CAV以110km/h巡航HDV不得进入CAV比例在30%至70%之间时最内侧车道为动态共享车道且启用一种可变限速控制当前方500米内存在超过3个强耦合对时限速值从100km/h线性降低至70km/hCAV比例低于30%时所有车道开放但最外侧车道限速80km/h以鼓励重型车辆靠右。为了实现车道分配的平滑过渡LADIP采用了模糊逻辑控制器输入为当前渗透率及其变化率输出为车道功能切换的置信度当置信度超过0.8时执行切换并伴随一个渐变提示阶段持续30秒限速逐步调整。在SUMO仿真平台搭建了一个包含5个入口匝道、总长12公里的高速路段设置背景流量为1800 veh/h/车道。对比无调控场景LADIP使平均旅行时间下降了14.3%总延误减少了22.8%同时CAV的平均速度波动率降低了31%。尤其值得注意的是在CAV渗透率40%的场景下原本频繁出现的走走停停波几乎消失速度方差降至纯HDV场景的55%。3基于深度强化学习的车队协同换道与合流控制为解决匝道合流区CAV与HDV相互干扰导致的效率下降问题设计了一个基于多智能体深度确定性策略梯度MADDPG的协同换道控制器命名为RampMerge-MADDPG。该控制器将合流区上游800米范围内所有CAV车辆视为智能体每个智能体的观测状态包括自身速度、与前车距离、目标车道间隙大小、以及周围50米内HDV的估计加速度通过Kalman滤波获得。动作空间为连续值加速度调节范围[-2.5, 2.5]m/s²和转向意图值[0,1]0表示不换道1表示坚决换道。奖励函数由三部分组成效率奖励车速与期望速度的负偏差、安全惩罚与相邻车道车辆时距小于1.2秒时给予-10的惩罚、以及舒适性惩罚加速度变化率的平方。训练过程在并行环境中运行使用8个SUMO实例同时收集经验经验池容量为200万条每200步更新一次策略网络。训练总步数为150万步后合流区的平均车速从基线无协同的28 km/h提高到42 km/h且碰撞风险指标TTC小于2秒的事件减少了68%。对于HDV的交互控制器内部嵌入了一个社会注意力机制即根据HDV的驾驶风格预测其未来2秒的轨迹然后反推出CAV应采取的避让或超越策略。现场测试中在一段含两个匝道的城市快速路上部署了10辆具备V2X通信能力的试验车配合路侧摄像头检测HDV运行RampMerge-MADDPG后合流成功率指无需急刹车完成合流从人工驾驶的71%提升至93%。import numpy as np import torch import torch.nn as nn import torch.optim as optim from collections import deque import random class MADDPGAgent: def __init__(self, state_dim18, action_dim2, hidden_dim128): self.actor nn.Sequential(nn.Linear(state_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, action_dim), nn.Tanh()) self.critic nn.Sequential(nn.Linear(state_dimaction_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, 1)) self.target_actor self._copy(self.actor) self.target_critic self._copy(self.critic) self.actor_opt optim.Adam(self.actor.parameters(), lr1e-4) self.critic_opt optim.Adam(self.critic.parameters(), lr1e-3) self.replay_buffer deque(maxlen2000000) def _copy(self, net): target nn.Sequential(*net) target.load_state_dict(net.state_dict()) return target def act(self, state, noise0.1): state_t torch.FloatTensor(state).unsqueeze(0) action self.actor(state_t).detach().numpy()[0] action noise * np.random.randn(*action.shape) return np.clip(action, -1.0, 1.0) def update(self, batch_size128, gamma0.99, tau0.01): if len(self.replay_buffer) batch_size: return batch random.sample(self.replay_buffer, batch_size) states, actions, rewards, next_states, dones zip(*batch) states torch.FloatTensor(np.array(states)) actions torch.FloatTensor(np.array(actions)) rewards torch.FloatTensor(np.array(rewards)).unsqueeze(1) next_states torch.FloatTensor(np.array(next_states)) dones torch.FloatTensor(np.array(dones)).unsqueeze(1) with torch.no_grad(): next_actions self.target_actor(next_states) target_q rewards gamma * (1 - dones) * self.target_critic(torch.cat([next_states, next_actions], dim1)) current_q self.critic(torch.cat([states, actions], dim1)) critic_loss nn.MSELoss()(current_q, target_q) self.critic_opt.zero_grad() critic_loss.backward() self.critic_opt.step() new_actions self.actor(states) actor_loss -self.critic(torch.cat([states, new_actions], dim1)).mean() self.actor_opt.zero_grad() actor_loss.backward() self.actor_opt.step() for target_param, param in zip(self.target_actor.parameters(), self.actor.parameters()): target_param.data.copy_(tau * param.data (1 - tau) * target_param.data) for target_param, param in zip(self.target_critic.parameters(), self.critic.parameters()): target_param.data.copy_(tau * param.data (1 - tau) * target_param.data) # 训练循环省略环境交互细节 agent MADDPGAgent() for episode in range(5000): state np.random.randn(18) done False while not done: action agent.act(state) next_state state action * 0.1 # 模拟环境步进 reward -np.abs(action[0]) # 简单奖励 agent.replay_buffer.append((state, action, reward, next_state, done)) agent.update() state next_state