May, 2021

混合交通中的高速公路匝道合流的深度多智能体强化学习

PDF
TL;DR本文通过多智能体强化学习的方法对自动驾驶车辆在复杂交通场景下的高速公路入口合流进行了建模，提出了一种高效可扩展的模型，包括参数共享、本地奖励、底层安全监督等手段以及基于优先级的安全监督等，最终实验结果表明本文提出的 MARL 框架明显优于现有的基准模型。
autonomous vehiclesmixed trafficon-ramp mergingreinforcement learningcollision avoidance
发现论文，激发创造
  • 通过增强多模态强化学习实现鲁棒的加速道路合并

    本文提出了一种名为 RAMRL 的新型多模态加强学习方法，以解决自动驾驶中的匝道合流问题。通过利用 CAVs 之间的无线通信，并同时利用 BSM 与监视图像来提供多模态观察，通过 PPO 学习策略模型，以实现可靠的合流操作，并对方向盘控制进行优化，最终在 SUMO 平台上进行实验并表明了算法的有效性和高效性。

    Jul, 2022

  • 基于多智能体强化学习的分布式自主交叉口管理方法

    提出了一个使用多智能体强化学习（MARL）的分布式方法来解决自主交叉口管理（AIM）中的问题，利用 3D 环视技术实现了无需中央控制器的精确导航，同时引入了优先情景回放策略以提高训练效果。实验证明该方法作为传统中央化 AIM 技术的创新替代方案，在 SMARTS 平台的虚拟环境中超越了各种度量指标的基准。

    May, 2024

  • iPLAN: 分布式多智能体强化学习在异质交通中的意图感知规划

    本文提出了一种分布式多智能体强化学习算法，采用轨迹和意图预测，以应对自动驾驶汽车在密集交通情况下的安全和高效导航问题，并采用 iPLAN 方法进行意图感知规划，通过设计两种激励模块，促进从行为和长期的驾驶策略与当前交通情况的短期策略方面进行决策，仿真实验结果表明，与集中式 MARL 基线相比，本文提出的方法在混乱交通中的奖励、成功率和幸存时间上均有所提高。

    Jun, 2023

  • 通过协作解决城市拥堵问题：基于异构 GNN 的 MARL 用于协调编队和交通信号控制

    本研究提出了一种基于异构图多智能体强化学习和交通理论的创新方法，用于实时联合控制信号控制和车队编队，以缓解交通拥堵。

    Oct, 2023

  • RACE-SM: 基于强化学习的社交出口匝道合并的自主控制

    提出了一种基于学习的新型加速和换道决策模型，该模型明确考虑了自我车辆及周围车辆的效用，以产生社会可接受的行为。仿真结果表明，考虑周围车辆在奖励函数设计中的重要性，并直接考虑并道对周围车辆的影响，该模型在避免事故、近距离避开和反社会行为方面与文献中的模型相匹配或超过。

    Mar, 2024

  • 多智能体强化学习介绍及其在自主移动中的应用综述

    该论文介绍了多智能体强化学习在自主移动中的应用，包括行为规划、车辆之间通信、性能提升等方面，并探讨了该领域的一些最新方法和想法。

    Mar, 2022

  • 多智能体深度强化学习用于大规模交通信号控制

    本文提出了一种可完全扩展和去中心化的多智能体 A2C 算法，以提高城市交通网络中的自适应交通信号控制的可观测性和减少学习难度，并在大型合成交通网格和摩纳哥城​​的大型实际交通网络下，通过模拟高峰流量动态，并将其与独立 A2C 和独立 Q-learning 算法进行比较，结果表明其优化性、鲁棒性和样本效率优于其他最先进的去中心化 MARL 算法。

    Mar, 2019

  • 利用场均多智能体强化学习进行高效拼车订单调度

    本研究采用多个智能体玩游戏的强化学习方法，结合平均场近似对订单调度问题进行建模，成功降低高峰期的供需差异并减少交通拥堵。

    Jan, 2019

  • MARVEL：多智能体强化学习用于大规模可变速限

    变速限制、交通管理、多智能体强化学习、高速公路走廊和交通安全是本研究的主要关键词和研究领域，并通过使用常见数据引入了一个名为 MARVEL 的多智能体强化学习框架，以实现大规模变速限制控制。

    Oct, 2023

  • 混合交通中的联网自动驾驶车辆：学习人类驾驶员行为以实现有效的匝道并入

    该论文提出了一种学习连接和自动化车辆 (CAV) 与进入匝道的人驾驶车辆 (HDV) 进行安全控制的方法，使用高度信息状态模型，学习了混合交通情况下 HDV 的行为，并生成安全控制策略，然后在 CAV 与 HDV 交互的模拟场景中进行了验证。

    Apr, 2023