Mar, 2020

探索基于深度强化学习的交通拥堵控制系统后门攻击：Stop-and-Go

PDF
TL;DR本文探讨了基于深度强化学习的自动驾驶车辆控制器中的后门攻击以及特定条件下的拥堵攻击和保险攻击，在交通物理原理的基础上设计了触发策略，并在单车道和双车道环路上进行了测试。实验结果表明，攻击并未明显降低正常操作性能，但在特定条件下可被激活以导致事故或拥堵。
autonomous vehiclesdeep reinforcement learningtraffic physicsmachine learning attackscongestion attacks
发现论文，激发创造
  • 基于深度学习交通系统的后门抵消的最优平滑分布探索

    该研究提出了一种基于噪声分布的优化平滑方法，用于深度强化学习自主车辆控制器，旨在中和后门攻击并减少交通拥堵。

    Mar, 2023

  • 基于策略深度强化学习和智能路由的自主车辆交通管理

    提出了一种基于深度强化学习的信号控制系统，该系统可以根据交通状况动态调整信号并使用重新路由技术平衡道路网络上的车辆，以帮助优化交通流的管理和减少拥堵。

    Jun, 2022

  • 深度强化学习增强自动驾驶的时空木马攻击

    本文通过探讨深度强化学习中 Trojan 攻击的实现，设计了一个空间 - 时间 Trojan 攻击的策略，并通过实验验证了其攻击效率高、攻击模式难以被发现、对已有的防御手段能够产生持续性威胁等特点，成为一项对自动驾驶系统具有重要意义的研究。

    Nov, 2022

  • 基于 RL 和 DQN 的 AV 分布式语义交通控制与动态道路封闭

    自动驾驶车辆利用传感器捕捉车辆动力学信息，包括速度、加速度和精确位置，执行智能转向等操作以应对道路障碍。本文提出了一种新颖的基于深度学习的语义交通控制系统，使车辆能够自行处理驾驶决策，从而简化决策过程，并利用强化学习和深度 Q 学习算法来找到可行的解决方案。

    Jun, 2024

  • 交通优化中的隐式感知：先进的深度强化学习技术

    通过采用深度强化学习从事自主驾驶车辆上的车辆跟随和变道模型，本论文探讨了解决构成道路阻塞的突发情况，提出了基于 Markov 决策过程和 MEC 辅助架构的综合决策控制系统，并通过 SUMO 模拟器和 OPENAI GYM 评估了该模型的性能，结果显示使用 ε-greedy 策略进行训练的 DQN 代理明显优于使用 Boltzmann 策略进行训练的代理。

    Sep, 2023

  • 混合自主车辆交通的模块化学习框架：Flow

    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

  • 探索交通信号控制和连接和自动化车辆对交叉口安全的影响：一种深度强化学习方法

    通过深度强化学习方法，本研究调查了自适应信号控制和联网自动化车辆对交叉路口安全的影响，考虑了追尾和横穿冲突，并发现联合应用自动化车辆和基于深度 Q 网络的信号控制可以显著减少追尾和横穿冲突，从而提高交通安全性。

    May, 2024

  • 强化学习在车载系统中的统一自动控制

    本文提出了一种简化的车辆微观模拟方法，并使用深度强化学习优化了具有不同车辆组成的六个交通系统的控制策略，发现了类似于波浪消减、交通信号和匝道计量等的多种新行为，并分析了这些行为以获得可解释的控制策略。

    Jul, 2022

  • 深度强化学习在极端拥堵期间最大化动脉使用率

    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

  • 使用无模型强化学习在密集交通中驾驶

    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