Modeling Autonomous Vehicles’ Altruistic Behavior to Human-Driven Vehicles in the Car following Events and Impact Analysis
Notice bibliographique
Résumé
To explore the impact of autonomous vehicles (AVs) on human-driven vehicles (HDVs), a solution for AV to coexist harmoniously with HDV during the car following period when AVs are in low market penetration rate (MPR) was provided. An extension car following framework with two possible soft optimization targets was proposed in this article to improve the experience of HDV followers with different following strategies by deep deterministic policy gradient (DDPG) algorithm. The pretreated Next Generation Simulation (NGSIM) dataset was used for the experiments. 1027 car following events with being redefined were extracted from it, in which 600 of the events were used for training and 427 of the events were used for testing. The different driving strategies obtained from the classical car following models were embedded into virtual environment built by OpenAI gym. The reward function combined safety, efficiency, jerk, and stability was used to encourage the agent with DDPG algorithm to maximize it. The final result reveals that disturbance of HDV followers decreases by 2.362% (strategy a), 8.184% (strategy b), and 13.904% (strategy c), respectively. The disturbance of HDV follower decreases by 14.961% (strategy a), 12.020% (strategy b), and 13.425% (strategy c), respectively. HDV followers with different strategies get less jerk in both soft optimizations. AV passengers get a loss on jerk and efficiency, but safety is enhanced. Also, AV car following performs better than HDV car following in both soft and brutal optimizations. Moreover, two possible solutions for harmonious coexistence of HDVs and AVs when AVs are in low MPR are proposed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».