事件日历

SE博士决赛答辩：李安妮

题目：混合交通中安全协作自动驾驶车辆的最优机动

指导老师：克里斯托·卡桑德拉斯，欧洲经委会，CISE

委员会：主席：Emiliano Dall 'Anese欧洲经济委员会；Ioannis Paschalidis ECE， SE， BME；肖恩·安德森，ME， SE；罗伯特·特隆ME， SE

摘要：混合交通中网联和自动驾驶汽车（cav）的最优轨迹规划与控制是一个基本且具有挑战性的问题，特别是当安全性和优化目标与人类驾驶汽车（HDVs）的存在相互冲突时。虽然自动驾驶汽车的协同控制为提高交通安全和效率提供了有希望的机会，但当自动驾驶汽车必须与不可控的hdv安全交互时，如何从混合交通中有限部分自动驾驶汽车的存在中受益仍然是一个悬而未决的问题。本文第一部分建立了自动驾驶汽车与机动车辆在变道问题中的安全交互关系，从而建立了自动驾驶汽车对相邻机动车辆动作的最佳响应模型，并设计了自动驾驶汽车执行安全机动的最佳策略。这种相互作用是利用博弈论框架制定的，该框架具有适当的HDV行为模型，并使用迭代最佳响应（IBR）方法来确定纳什均衡。此外，CAV合作可以消除或大大减少CAV与HDV的相互作用，从而使最优策略独立于HDV行为。当车辆相互作用开始时，该策略中cav的成本与CAV-HDV间隙长度有关，证明了其单调性。其次，考虑到自动驾驶汽车的动力学和人在环控制策略是未知的，在实践中难以预测，本文采用事件触发的自动驾驶汽车控制障碍函数（CBF）方法来保证自动驾驶汽车与自动驾驶汽车之间的安全，并在高速公路变道机动中实现。采用事件触发CBF方法在线估计HDV模型，构建数据驱动和状态反馈安全控制器，并将自动驾驶汽车的约束最优控制问题转化为一系列二次规划（qp）。它降低了计算复杂度，弥合了最优轨迹规划和实时控制之间的差距，并为自动驾驶汽车提供了灵活性，以执行车道变化，同时确保避免与hdv发生碰撞。除了控制自动驾驶汽车之外，本文的最后部分还开发了一个合作合规控制（CCC）框架，以激励自动驾驶汽车使用“可退还通行费”方案将其行为与社会最优目标保持一致，从而使所有不合规的自动驾驶汽车达到期望的合规概率。一个关键的挑战在于人类驾驶员对收费的异构和未知的反应，复杂的控制器设计和交通网络的合规性执行。为了解决这个问题，本文采用控制李雅普诺夫函数（clf）在线自适应校正顺应概率模型的关键组成部分，并证明了hdv的期望顺应概率可以实现。CCC方案既可以应用于微观层面，诱导非合作车辆期望的加速/减速，也可以应用于宏观层面，影响路线引导等决策过程，从而提高整个系统的交通效率。