基于强化学习的模型预测控制混合交通协同控制算法研究  

作　　者：朱宁宁 

机构地区：[1]广州软件学院,广东广州510900

出　　处：《电子制作》2025年第7期38-43,共6页Practical Electronics

基　　金：2022年度广州软件学院校级科研项目“基于数据驱动的多智能体系统协同编队控制方法研究”(编号:ky202204)。

摘　　要：在未来的智能交通系统中,无信号交叉口将成为联网自动驾驶车辆(Connected Automated Vehicles,CAV)和人工驾驶车辆(Human-Driven Vehicles,HV)混合流动的常见场景。然而,由于交叉口动态性高、车辆间交互复杂、局部观测条件受限,如何在保障交通安全的同时提高效率成为一个重要研究课题。本文提出了一种结合图神经网络(Graph Neural Network,GNN)[1]与模型预测控制(Model Predictive Control,MPC)[2]的多车协同控制算法。该算法利用动态邻接矩阵建模车辆间关系,并采用MPC优化短期轨迹,同时结合基于演员评论家的强化学习(Actor-Critic Reinforcement Learning)优化其参数进行更好的适配控制。实验结果表明,本文算法在不同复杂交叉口场景下均表现出优异的性能,平均车速提升4.1%,碰撞率降至0%,具有较强的安全性、扩展性和实时性。

关 键 词：CAV 图神经网络 模型预测控制 演员评论家强化学习 

分 类 号：TP273[自动化与计算机技术—检测技术与自动化装置]