论文部分内容阅读
驾驶行为是影响电动车辆行驶能耗的主要因素之一,在相同的道路上,不同的驾驶行为将导致差异较大的车辆行驶能耗。对驾驶行为的优化能有效降低电动车辆的行驶能耗。然而,车辆的驾驶行为受很多因素的综合影响,如车辆自身状态、交通环境状态、天气地理信息等,目前的驾驶行为分析方法难以在统一的框架下对各种复杂影响因素进行分析及优化。本文面向电动车辆的节能优化开展研究,考虑影响驾驶行为的各种复杂因素,优化电动车辆驾驶行为,降低车辆行驶能耗,提升续驶里程。提出了基于深度强化学习的电动车辆驾驶行为节能优化方法,在深度强化学习的框架下综合考虑影响驾驶行为的多种因素,构建了融合多源高维异构信息的车辆智能控制方法。实验结果表明,本文提出方法大幅度降低了电动车辆的行驶能耗。主要工作与研究成果如下:(1)提出了基于深度强化学习的电动车辆驾驶行为优化方法,实现了电动车辆驾驶行为的自主节能优化。利用深度强化学习算法充分挖掘电动车最优节能驾驶行为与各类复杂影响因素间的潜在关联。在仿真实验平台下验证了驾驶行为优化方法的优越性。运动型驾驶行为优化试验表明电动车智能体能够自主学习到加速、换道等行为,并以尽可能快的速度行驶。在节能型驾驶行为优化试验中,电动车智能体能够自主优化自身控制策略,在相同的行驶路程及基本一致的行程时间下降低行程能耗达40%,折算百公里节电7度左右。上述试验充分证明了算法智能体能够自主完成驾驶行为优化并实现更节能的驾驶。(2)提出了多源高维异构信息表征提取方法,解决了车辆行驶环境中多源高维异构信息融合问题。针对不同类型的多源高维异构信息,分别采用不同的深度学习网络提取信息表征向量,采用L2范数规范化级联实现多源高维异构数据融合,有利于电动车辆驾驶行为优化模型在统一框架下充分挖掘多源高维异构信息之间的关联特性。对于交通信息,利用长短期记忆神经网络提取时序交通信息表征;利用降噪自编码器提取车辆状态、地理信息等其他多源高维异构信息表征。(3)提出了基于生成对抗网络的驾驶风格建模方法,解决了抽象的驾驶风格建模描述的问题。利用生成对抗网络对驾驶风格的节能特性进行建模,建立了考虑驾驶风格节能特性的电动车辆驾驶行为优化目标函数,实现了驾驶行为的节能优化以及基于能耗最优的驾驶风格迁移。