Mar, 2023

利用强化学习改进自主车辆与行人的交互的自适应道路配置

PDF
TL;DR该研究探讨了强化学习方法用于发展自主车辆和行人共同占用的行车道之后的实时调控，分析表明分布式强化学习算法比集中式算法在计算成本、奖励基准、最佳累计奖励、最优动作和收敛速度方面具有更好的表现，并且这项新的道路管理技术可能有助于在自主车辆时代实现流动自适应和积极便携的街道。
autonomous vehiclesright-of-wayreinforcement learningroad network configurationsmicroscopic traffic simulation
发现论文，激发创造
  • 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

  • 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

  • 使用强化学习在限制的行人环境下实现机器人导航

    本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

    Oct, 2020

  • 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

  • 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

  • 在共享空间中的自动驾驶车辆群体导航用于不确定性感知的深度强化学习

    在人行道密集的环境中，安全、符合社会要求且高效的低速自主车辆的导航需要考虑行人的未来位置以及与车辆和其他人的互动。本研究提出了一种集成预测和规划方法，该方法在模型无关的深度强化学习算法的训练中考虑了预测的行人状态的不确定性。通过引入一种新的奖励函数，该方法促使自主车辆尊重行人的私人空间，在接近行人时减速，并最小化与其预测路径的碰撞概率。结果显示，与不考虑预测不确定性的最先进的模型相比，本方法降低了 40% 的碰撞率，并增加了 15% 的与行人的最小距离。此外，该方法在性能和计算时间方面超过了采用相同预测不确定性的模型预测控制方法，并产生了更接近于人类驾驶员在类似场景中的轨迹。

    May, 2024

  • 通过强化学习进行交通流随机化的自主车辆决策与控制

    我们提出了一种方法，通过随机化基于规则的微观交通流的车辆跟随模型和变道模型的某些参数来随机化周围车辆的驾驶风格和行为，发现在高保真度微观交通流下训练的策略相比其他微观交通流下训练的模型具有更高的成功率和更好的计算奖励。

    Mar, 2024

  • 自动驾驶车辆的强化学习策略的定量与定性评估

    优化自动驾驶车辆的交通动态是至关重要的，本文通过采用强化学习算法 —— 近端策略优化（PPO），得出用于最小化交通拥堵和污染的自动驾驶车辆选择的新方法，并通过实证分析证明该方法可以降低时间和污染水平。

    Sep, 2023

  • 自主车辆交叉路口导航的深度强化学习

    研究该论文中，通过使用基于 Twin Delayed Deep Deterministic Policy Gradient (TD3) 强化学习算法的低成本单一智能体方法，提出了有效解决自动驾驶车辆在复杂 T 字路口中的导航问题，并证明了该方法在 CARLA 模拟平台中表现出稳定、安全且具有改进性能的结果，通过减少旅行延误、碰撞最小化和降低整体成本等方面的优势，在自动驾驶应用中为强化学习提供了有价值的知识，并突出体现了采用单一智能体、低成本方法在解决复杂驾驶场景和进一步推进强化学习算法方面的潜力。

    Sep, 2023

  • 基于深度强化学习的自适应编队和预约交叉口控制建模

    本研究提出了一种基于深度强化学习的自适应编队交叉口控制模型，该模型采用第一到达优先策略和深度 Q 算法来决定车辆通行的优先级和最佳编队大小，该模型相较于现有方法在旅行效率和燃油节省方面表现出卓越的性能。

    Jun, 2022