利用人工智能决策技术，通过预测道路性能、确定维护路线的优先级、基于过去维护效果评估和综合技术和管理指标进行维护决策、以及基于维护效果和推荐维护效果确定维护区段的优先级，实现了有限经费和历史维护管理经验的智能决策，提供科学工具和证据来帮助道路管理部门制定最佳维护计划和维护区段。

Jul, 2023

本文提出了一种具有信息收集和信念建模能力的随机车辆路径问题的解决方案，该方案可以使用电话来创建有关停电的信仰，并使用实用车辆作为收集其他信息的机制。并使用蒙特卡罗树搜索 (MCTS) 来生成实际策略。实验结果表明，该策略比标准行业启发式方法更快地恢复了电网。

May, 2016

本文通过应用组合元启发式算法，采用适当的代价函数，提出了一种基于自主多旋翼的容错电力传输线检查规划方法，其涉及故障容错、电池预算限制、以及满足成功重新规划时间窗口的多车辆路径规划问题。

Feb, 2023

自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了 AUTO 在宏观和微观效果上领先于现有技术。

Dec, 2023

本文提出了一种分布式决策方法，用于制造任务分配和基于条件的机器健康维护，并基于马尔可夫决策过程设计决策代理，以处理决策过程中涉及的不确定性。通过数值案例研究，证明该方法具有灵活性和实用性，并可以用人工智能学习成本参数。

Jan, 2024

本篇论文提出了一种自动驾驶的决策方法，采用了 POMDP 和 Monte Carlo tree search 等方法对车辆在道路上的交互进行建模和规划，实现了高质量的行驶决策。

Mar, 2023

本文提出了一种测试自动驾驶汽车决策制定系统的方法，该方法使用强化学习算法找到最可能发生故障的场景，通过模拟车辆接近人行横道的情况证明了该方法的通用性。

Feb, 2019

本文提出了一种基于预测的深度强化学习决策模型，考虑了周围车辆的操作意图，并使用真实交通数据进行训练。经过模拟测试，结果表明和基于深度强化学习的模型相比，该模型在复杂的高速公路驾驶场景中提高了决策性能，从而减少了碰撞数量，实现了更安全的驾驶。

Sep, 2022

本文提出了一种基于社会视角的稀缺交通基础设施元素的动态分配和优先级模型，并通过两个实际案例：基于可用停车位的车辆特定动态进入限制和确保城市中心持续合格空气质量水平，阐述了该模型的动态性。通过使用 SUMO 交通仿真工具进行实验评估了我们的建议。

Jan, 2024

本文提出了一种解决动态车辆路径问题（DVRP）的方法，该方法适用于时间窗口和随机旅行请求，并针对局部交通服务应用。此外，该方法利用了问题的结构设计了启发式算法以便搜索具有很好前景的行动。实验表明，该方法在性能和鲁棒性方面均优于现有最先进的方法。

Mar, 2022