Dec, 2023

RACER: 理性人工智能车辆跟随模型增强现实

PDF
TL;DRRACER 是一种基于深度学习的创新型汽车跟驰模型，它满足导数约束条件，旨在预测自适应巡航控制（ACC）的驾驶行为，同时保持理论可行性。与传统模型不同，RACER 有效地整合了实际驾驶的理性驾驶约束，从而实现了惊人准确和逼真的预测。与 Optimal Velocity Relative Velocity（OVRV）、汽车跟驰神经网络（NN）和物理约束沙龙网络（PINN）等已建立的模型相比，RACER 在加速度、速度和间距等关键指标上表现出色。值得注意的是，RACER 完全遵循理性驾驶约束，零违规，与其他模型形成鲜明对比。本研究强调了将物理约束纳入人工智能模型中的巨大价值，特别是为增强交通安全措施而助力。它也为未来的研究提供了可能，以测试这些模型与人类驾驶数据的匹配度，有望引导更安全和更理性的驾驶行为。所提出模型的通用性，以及它吸引力的提高和在科学界的影响的拓宽，还包括了其潜在的能够整合额外导数约束和更广泛的体系结构应用。
racerartificial intelligencedeep learningadaptive cruise controlrational driving constraints
发现论文，激发创造
  • 自适应自动驾驶：多样驾驶行为的约束强化学习

    通过自适应自动驾驶系统（AA）和约束深度强化学习（C-DRL）实现了模拟人类驾驶行为的独特框架，从而减少驾驶员干预的需求。研究以车辆跟随场景为重点，通过规则分类器提取自然驾驶数据并将其分为三种驾驶风格，采用深度神经网络（DNN）回归器预测跟随风格下的人类加速度，并使用 C-DRL 中的软行动者 - 评论家拉格朗日技术来学习人类安全驾驶策略，实验结果表明每个步骤的有效性，规则分类器能够区分驾驶风格，回归模型准确预测加速度，优于传统车辆跟随模型，并且 C-DRL 代理能够学习到适用于不同驾驶风格的最优驾驶策略。

    Jul, 2024

  • 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

  • 深度动力学：基于物理知识的神经网络车辆动力学建模

    该研究论文介绍了一种用于模拟自动赛车车辆动力学的物理知识神经网络（PINN），它通过物理系数估计和动力学方程准确预测高速下的车辆状态，并包含了一个独特的物理约束层来确保内部系数估计保持在其标称物理范围内，相关实验表明该方法对于建模赛车车辆动力学具有良好的潜力。

    Dec, 2023

  • RACCER：面向强化学习的可达到和确定的反事实解释

    本文提出 RACCER，这是第一个针对 RL 行为生成对抗性解释的 RL 特定方法，我们使用 RL 特定的对抗性属性，并使用启发式树搜索算法来查找最合适的对抗性解释，并进行了用户研究以证明对抗性解释可以帮助用户更好地理解 RL 代理的行为。

    Mar, 2023

  • 超越模拟驾驶员：评估混合交通控制中实际车辆跟随的影响

    人工驱动车辆导致交通拥堵，增加燃油消耗、碰撞风险和减少容量利用率。本研究通过分析真实世界中的人类驾驶轨迹，提取了在车跟随过程中的加速行为，并将这些行为与之前研究中的自动驾驶车辆结合起来，以减少拥堵并评估其安全性、效率和稳定性。此外，还引入了基于强化学习的自动驾驶车辆，利用拥堵阶段分类神经网络来优化 “安全 + 稳定” 或 “效率”，并在不同密度、配置和渗透率的混合交通控制环境中进行评估，并与现有的自动驾驶车辆进行比较。

    Nov, 2023

  • 交通优化中的隐式感知：先进的深度强化学习技术

    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。

    Sep, 2023

  • 基于强化学习的自动驾驶安全、高效、舒适速度控制

    该论文基于深度强化学习提出了一种用于汽车跟随速度控制的模型，通过对车辆速度的控制以最大化累积奖励，实现安全、高效和舒适的车跟随行为，并与实际数据进行了对比，结果表明强化学习方法在无人驾驶系统开发方面具有潜在的贡献。

    Jan, 2019

  • 基于视觉的 DRL 自主驾驶代理与 Sim2Real 迁移

    该研究提出了一种基于视觉的深度强化学习车辆控制方法，能够同时执行车道保持和跟车操作，具有从虚拟环境到真实环境的迁移能力，为自主驾驶技术的研究提供了新思路和方法。

    May, 2023

  • EditFollower：可调节的车跟随模型用于可定制的自适应巡航控制系统

    我们提出了可编辑行为生成（EBG）模型，这是一种数据驱动的车辆跟随模型，允许调整驾驶不礼貌水平，该模型整合了多种礼貌计算方法，通过 LSTM 和 Transformer 架构提供了全面的方法来捕捉细微的驾驶动力学。该模型是第一个可以动态调整不礼貌水平的数据驱动车辆跟随模型，为考虑驾驶员社交偏好的 ACC 系统开发提供了有价值的见解。

    Jun, 2024

  • 超级自动驾驶 AI：面向端到端学习的设计和实现

    本研究提出基于深度神经网络的端到端学习自动驾驶系统 SuperDriver AI，该系统学习来自经验丰富的人类驾驶员的驾驶行为和政策，采取驾驶操作并确保路面安全。实验结果表明，该系统在真实行驶场景下运行良好。

    May, 2023