Este artículo presenta un método para mitigar las fluctuaciones del tráfico en flujos mixtos de vehículos autónomos (CAV) y vehículos conducidos por humanos (HDV). Para abordar los problemas de viabilidad computacional de los marcos de control predictivo existentes y los desafíos de modelar el comportamiento no lineal y heterogéneo de los HDV, proponemos un marco de control predictivo Koopman profundo adaptativo (AdapKoopPC). AdapKoopPC incorpora una novedosa red Koopman profunda (AdapKoopnet) que aprende adaptativamente de datos naturalistas para representar la compleja dinámica de seguimiento de los HDV como un sistema lineal en un espacio de alta dimensión. Esta representación lineal aprendida se integra en una técnica de control predictivo de modelos (MPC), lo que permite un control de CAV en tiempo real, escalable y óptimo. Validado mediante un conjunto de datos HighD y extensas simulaciones numéricas, AdapKoopnet logra una precisión de predicción de trayectoria superior a la de los modelos de referencia, mientras que el controlador AdapKoopPC ofrece un rendimiento robusto incluso con relaciones de transmisión bajas y reduce significativamente las fluctuaciones del tráfico con una carga computacional mínima. Este estudio proporciona una solución escalable y basada en datos para mejorar la seguridad en entornos de tráfico mixto realistas, y el código está disponible públicamente.
