硕士论文题目：基于自然驾驶的跟驰行为研究及智能驾驶应用
摘要：
车辆跟驰行为是最根本的微观驾驶行为，对应的跟驰模型则是通行能力估算、车辆前向避撞和自动驾驶跟驰控制的理论基础，亦是微观交通仿真软件的核心模型。1950年代至今，研究人员建立了大量跟驰模型，然而，既有的跟驰模型大多是基于西方国家开展的驾驶行为实验建立的，不一定适于描述中国驾驶员的跟驰行为。随着中国机动化的快速发展，迫切需要利用实际驾驶行为数据对中国驾驶员的跟驰行为特征及其影响因素进行研究，并对既有典型跟驰模型进行参数标定及效果验证。
跟驰控制是自动驾驶智能决策的重要组成部分，传统跟驰模型在应用于自动跟驰控制时存在精度有限、泛化能力差、缺乏自适应更新能力等缺陷。深度强化 学 习 作为人工智能领域中一个研究热点，基本思想是通过最大化智能体从环境中 获得的累计奖赏值，以学习到完成目标的最优策略，其侧重于学习解决问题的策 略，而非对数据进行拟合，因此泛化能力更强，有望解决传统跟驰模型在应用于自动驾驶跟驰控制时的缺陷。
“上海自然驾驶研究”作为中国首个自然驾驶研究项目，利用五辆实验车采集驾驶过程中的车辆总线、视频、雷达及GPS等数据，这些高精度的微观驾驶行为数据为探究中国驾驶员跟驰行为特征、标定及验证典型跟驰模型、训练深度强化学习跟驰模型提供了巨大的契机。本文基于“上海自然驾驶研究”采集60位驾驶员、累计超过16万公里的驾驶数据，对驾驶跟驰距离及车头时距基本特征进行了分析，对典型跟驰模型进行了参数标定及性能比较，并基于深度强化学习开发了拟人化自动驾驶跟驰模型及安全、效率、舒适导向的自动驾驶跟驰速度控制算法。
研究首次基于大样本实际驾驶数据揭示了中国驾驶员跟驰行为基本特征、并评估了代表性跟驰模型在仿真中国驾驶员跟驰行为方面的表现。首次将深度强化学习应用于跟驰行为建模，并分别开发了拟人化自动驾驶跟驰算法和安全、效率、舒适度协同优化的自动驾驶速度控制算法。研究结果对交通仿真从业人员在模型选择、参数标定等方面提供指导，并为开发适合于中国驾驶员与道路交通环境特征的智能车辆、微观交通仿真系统奠定基础。
