Sep, 2023

交通优化中的隐式感知：先进的深度强化学习技术

PDF
TL;DR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。
autonomous vehiclescar-following and lane-changing modeldeep reinforcement learningmarkov decision processmec-assisted architecture
发现论文，激发创造
  • 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

  • 利用深度强化学习进行动态和不确定高速公路环境下的自动车道变更决策

    研究开发了一个新型仿真环境，采用深度强化学习的方法训练代理人，在动态和不确定的交通环境中实现了一致的性能，并表明所提出的数据驱动方法在嘈杂的环境中表现显著优于完全依赖启发式的方法。

    Sep, 2019

  • 基于邻近政策优化的深度强化学习自动换道策略

    这篇论文研究了如何利用无人驾驶中的深度强化学习技术来优化车辆变道的策略，通过使用近端策略优化来提高学习效率和性能表现，进一步验证了该策略的有效性和安全性。

    Feb, 2020

  • 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

  • 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

  • 具备深度强化学习的类人自动驾驶车辆跟随模型

    该研究提出了一种基于深度强化学习的类人自动车跟随规划框架，并通过创新的奖励函数和反应延迟考虑等方法，将人的驾驶行为映射到速度、相对速度和车辆间距离等状态空间，实现了精度更高的自动驾驶策略学习，具有较强泛化能力，可以为智能驾驶算法和交通流模型的发展提供帮助。

    Jan, 2019

  • 自主高速公路驾驶的预测决策

    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

  • 使用深度强化学习进行自动速度和车道变更决策

    该论文介绍了一种基于深度强化学习的方法，用于自动生成通用决策功能。通过在模拟环境中训练深度 Q 网络代理以处理卡车挂车组合的速度和车道变换决策，并在公路驾驶案例中表明该方法产生的代理匹配或超过了常用的参考模型。为了展示该方法的普适性，通过在对向交通的道路上训练它来训练同样的算法以进行超车案例的测试。此外，还介绍了一种将卷积神经网络应用于表示可互换对象的高级输入的新方法。

    Mar, 2018

  • 基于深度强化学习的 CARLA 模拟自动驾驶

    本论文基于强化学习（RL）与 Deep Q-Learning 框架以及 CARLA 仿真环境，探索了一种实现自动驾驶车辆在高速行驶时保持车道并避让其他车辆的策略，以提高交通安全性。

    Jun, 2023

  • 端到端深度强化学习实现车道保持辅助

    本文提出了不同的深度强化学习方法用于自动驾驶，分别包括离散行动类别中的深度 Q 网络算法 (DQN) 和连续行动类别中的深度确定性演员 - 评论家算法 (DDAC)，并在 TORCS 模拟器中测试了其性能。

    Dec, 2016