Data-Driven Predictive Control of Mixed Vehicular Platoon with ELM-AdaBoost Enabled Human Driving Policy

在公路上，车队仅仅是指紧密跟随、作为一个整体移动的一列车辆。几十年来，工程师们一直梦想着能够实现完美的自动化车辆，通过保持精确的距离和速度来节省燃料并防止交通拥堵。但现实世界并非模拟环境。在相当长的一段时间内，这些自动化汽车将与人类驾驶员共同行驶在高速公路上，创造出一种混合交通环境。这种混合创造了一个复杂的问题：人类驾驶员是不可预测的。他们的反应各不相同，有些人很激进且喜欢跟车过近，而另一些人则很谨慎并保持较宽的间距。他们的反应并非随机的，而是由多年的习惯和个人风格塑造的。当一辆自动化汽车试图跟随人类，或者人类跟随一辆自动化汽车时，系统必须考虑到这种人类因素。如果自动化汽车忽略了人类的风格，它可能会刹车过猛或跟车过近，导致整列车辆出现晃动或意外停顿。目标是创建一个不仅仅是强迫每辆车都以同样方式行驶，而是能够理解并适应前方驾驶员独特个性的系统。

来自包括华东交通大学和浙江工业大学在内的几所中国大学的研究人员，开发了一种管理这些混合车队的新方法。他们将这种方法称为“以人为锚点”的控制策略。他们并没有试图建立一个关于每个人的思维方式的完美数学模型——因为人类行为如此混乱多变，这几乎是不可能的——而是决定让数据说话。他们构建了一个直接从车辆实际运动中学习的系统。通过观察一辆车随着时间的推移如何响应前方的车辆，该系统可以创建一张道路动力学地图，而无需知道车辆的具体重量或驾驶员的确切反应时间。这种数据驱动的方法使计算机能够根据过去发生的情况来预测接下来会发生什么，从而有效地绕过了对人类心理学复杂且易错公式的需求。

其创新的核心在于他们如何处理人类驾驶员。研究人员意识到，虽然每个驾驶员都不同，但他们通常会呈现出可识别的模式。有些人开得激进，有些人中规中矩，而有些人则非常保守。为了捕捉这一点，他们使用了一个精密的学习工具，这个工具就像一个非常敏锐的观察者。该工具结合了两种不同的学习技术，观察车辆的速度、加速度以及与前方车辆的距离。它能过滤掉由颠簸路面或传感器故障引起的噪声，就像清理带有静电干扰的无线电信号以清晰地听到音乐一样。一旦数据变得干净，系统就会识别出驾驶员的风格。它不仅仅是在猜测；它是根据驾驶员在路上的实际行为将其归入一个特定的类别。

一旦系统知道了驾驶员的风格，它就会改变自动化汽车的行为方式。如果前方的驾驶员很激进且喜欢开得很近，后方的自动化汽车就会调整其目标距离以匹配这种偏好，而不是强行维持一个可能让人感觉不自然或导致人类驾驶员突然刹车的标准安全距离。如果驾驶员很谨慎，自动化汽车就会给他们留出更多空间。研究人员称之为“灵活驾驶策略”。这并不是要让自动化汽车驾驶得鲁莽，而是要让它们以一种让驾驶员感到自然的方式行驶，这反过来又使整条交通线更加顺畅。该系统为车辆可以靠近的程度以及加速度设定了软边界，但这些边界会根据驾驶员的不同而变化。

为了测试这个想法是否奏效，团队不仅进行了计算机模拟；他们还建立了一个真实的测试环境。他们使用了一个驾驶模拟器，三十四名真实的志愿者（平均年龄三十一岁，且至少有两年驾驶经验）坐在方向盘前。这些驾驶员控制车队中三辆车中的一辆，而另外两辆则由新软件控制。研究人员将他们新的“以人为锚点”系统与另外两种方法进行了对比：一种是把所有驾驶员都视为同一种类型的标准自动化控制系统，另一种是稍微先进一点的数据驱动系统，但后者仍然没有考虑到个体风格。测试涉及复杂的交通场景，其中领头车会加速或减速，从而迫使车队做出反应。

结果显示出了明显的差异。标准系统和稍先进的数据驱动系统在保持车队稳定方面都表现挣扎。车辆会超出目标距离，即跑得太远然后又为了追赶而猛踩刹车，从而在车队中产生一个速度变化的连锁反应。相比之下，新的“以人为锚点”系统能将间距更紧密地保持在理想的50米目标距离附近。自动化汽车跟随人类驾驶员的节奏，没有出现在其他测试中看到的那些颠簸的震荡运动。车辆的速度保持平稳，避免了经常导致不适或事故的剧烈速度波动。即使人类驾驶员很激进，系统也能适应，在不强迫人类改变行为的情况下保持稳定性。

研究还观察了该系统在不同类型驾驶员下的表现。当人类驾驶员比较保守时，系统保持了极小的间距误差，确保了安全且平稳的行驶。当驾驶员比较激进时，系统仍然保持了控制，尽管间距误差略大，这在跟随一个喜欢缩短距离的驾驶员时是预料之中的。至关重要的是，该系统防止了这些微小的误差随着车队向下传递而扩大。在交通工程学中，这被称为“串联稳定性”（string stability），对于防止由一次刹车引发的交通拥堵至关重要。这种新方法证明，通过尊重人类驾驶员的风格，自动化汽车实际上可以让整个群体更安全、更舒适。

这项研究表明，未来的交通控制并不需要人类变成机器人。相反，它需要机器人具备“人类意识”。通过利用数据来理解个人的驾驶习惯并相应地调整自动化响应，研究人员展示了一条在道路上实现人类与机器更平滑、更安全共存的路径。该系统成功平衡了安全需求与个性化驾驶体验的渴望，证明了多一点的理解对于保持交通顺畅大有裨益。