随着自动驾驶车辆（AVs）在公共道路上越来越普及，它们必然会与人类驾驶的车辆（HVs）在混合交通场景中相互作用。为确保AVs与HVs之间的安全互动，必须在开发AV控制策略时考虑HVs的不确定行为。本文提出了一种高效的基于学习的HVs建模方法，该方法将基于一级原理的模型与高斯过程（GP）学习组件结合使用。 GP模型纠正了一级原理模型的速度预测并估计其不确定性。利用该模型，设计了一种模型预测控制（MPC）策略，即GP-MPC，将不确定性评估集成到距离约束中，以增强混合车队的安全控制。我们在仿真研究中将我们的GP-MPC策略与仅使用一级原理模型的基线MPC进行了比较。我们表明，我们的GP-MPC策略提供更强健的安全距离保证，并使混合车队中所有车辆实现更高效的行驶行为（更高的行驶速度）。此外，通过将稀疏GP技术引入Hv建模和动态GP预测引入MPC，我们实现了每个时间步骤的GP-MPC的平均计算时间仅比基线MPC长5％，这几乎比我们以前的工作快100倍。未使用这些近似的方法。此工作展示了基于学习的HVs建模如何提高包含AV-HV交互的混合交通安全和效率。
论文链接：http://arxiv.org/pdf/2303.09452v1
更多计算机论文：http://cspaper.cn/