본 논문은 자율주행차(CAV)와 사람이 운전하는 차량(HDV)의 혼합 교통 흐름에서 교통량 변동을 완화하는 방법을 제시합니다. 기존 예측 제어 프레임워크의 계산 가능성 문제와 HDV의 비선형적이고 이질적인 행동 모델링 어려움을 해결하기 위해, 적응적 심층 Koopman 예측 제어 프레임워크(AdapKoopPC)를 제안합니다. AdapKoopPC는 자연주의 데이터로부터 적응적으로 학습하여 복잡한 HDV 차량 추종 역학을 고차원 공간의 선형 시스템으로 표현하는 새로운 심층 Koopman 네트워크(AdapKoopnet)를 특징으로 합니다. 이 학습된 선형 표현은 모델 예측 제어(MPC) 기법에 통합되어 실시간, 확장 가능하고 최적의 CAV 제어를 가능하게 합니다. HighD 데이터셋과 광범위한 수치 시뮬레이션을 통해 검증되었으며, AdapKoopnet은 기준 모델보다 우수한 궤적 예측 정확도를 달성하고, AdapKoopPC 제어기는 낮은 자율주행차 비율에서도 강력한 성능을 보이며 계산 비용이 적은 상태에서 교통량 변동을 크게 감소시키는 것을 보여줍니다. 본 연구는 현실적인 혼합 교통 환경에서 안정성을 향상시키는 확장 가능하고 데이터 중심적인 솔루션을 제공하며, 코드는 공개적으로 이용 가능합니다.
