MMAug, 2023
车辆控制：使用联邦深度强化学习进行碰撞避免
Vehicles Control: Collision Avoidance using Federated Deep Reinforcement Learning
Badr Ben Elallid, Amine Abouaomar, Nabil Benamar, Abdellatif Kobbane
TL;DR本文针对不断增长的城市人口和道路上日益增加的车辆，以保证交通的高效管理和安全成为了一个重要挑战。为了解决这些问题，本文以联邦深度强化学习（FDRL）技术为基础，对车辆避碰控制进行了全面研究。我们的主要目标是最小化行程延误，提高车辆的平均速度，同时注重安全和数据隐私保护。为了达到这一目标，我们针对本地模型深度确定性策略梯度（DDPG）和全局模型联邦深度确定性策略梯度（FDDPG）进行了比较分析，以确定它们在优化车辆避碰控制方面的效果。研究结果表明，相比于 DDPG 算法，基于 FDDPG 算法能更有效地控制车辆，避免碰撞。尤其是，基于 FDDPG 的算法在减少行程延误和提高平均速度方面取得了显著成效。