提出了一种交通信号控制系统,利用现代深度强化学习方法构建适应性交通信号控制器,通过对作为输入的交通密集信息进行 Q-learning 训练并使用经验回放,与一种单隐藏层神经网络通讯信号控制器相比,实现了平均累计延迟减少 82%,平均队列长度减少 66%,平均旅行时间减少 20%。
Nov, 2016
研究利用深度强化学习提出了一个用于自动驾驶的框架,其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度,并在TORCS仿真器中验证了其自主操纵能力
Apr, 2017
本文研究使用深度强化学习模拟交通动态,模块化学习框架可以提高交通效率并可适应实际网络的复杂情况,单一通道的小型神经网络控制法可以在不同车流情况下消除交通阻塞。
Oct, 2017
研究在MIT深度交通模拟中,针对分布式决策在混合智能交通中的影响,分别采用强化学习和多智能体学习等方法,并根据不同比例的AI驱动交通进行评估,分析了影响交通流的模式。
Oct, 2018
本文阐述了全连接神经网络,卷积神经网络和递归神经网络在处理变量大小输入的强化学习问题方面的局限性,提出了一种利用Deep Sets结构的离线决策方法,用于高层次决策,通过比较各种不同的可能性,表明Deep Sets不仅在总体表现上表现优异,而且在未见情况下呈现更好的泛化性。
Jul, 2019
本研究使用深度强化学习来生成一种连续控制规划方案,让自动驾驶汽车在拥挤的道路上实现车道变换,并与基于模型预测控制算法进行对比测试。
Sep, 2019
本文提出了PredictionNet,这是一种深度神经网络,用于预测周围交通代理的运动,参考了多层地图和强化学习,在真实交通和流程控制中表现出色。
Sep, 2021
本研究提出了一种基于深度强化学习的控制器来帮助减少道路拥堵现象,该控制器通过学习适应性绕道策略,从而优化使用高速公路车道及其附近的交通网络,本文使用实际交通数据生成参数化交通模型并在模拟器中进行实验,结果显示该方法可以将交通速度提高21%。
May, 2023
本研究提出利用无偏奖励函数提供密集反馈信息和非本地增强交通信号控制智能体更好地预测交通状况以实现更精确的交通控制的新型增强学习交通信号控制(TSC)方法,并经过了大量实验和消融研究验证其性能优于先进的基线方法。
Jun, 2023
通过车辆与其它物体的通信,联合控制交通信号和车速建议有助于减少交通拥堵,改善交通系统的效能。
Sep, 2023