本文提出了一种基于深度强化学习的方法,以自动布置贫民窟的道路,在不同国家的真实城市中进行了广泛的实验,表明该方法可以显著提高可达性 14.3%,具有应用在真实的贫民窟升级中的潜力。
May, 2023
本文提出了使用强化学习来实时优化交通灯周期的方法,并通过使用 Simulation Urban Mobility 模拟器进行深度 Q 网络算法的训练进行了案例研究。实验结果显示,平均紧急停车数量减少了 44.16%,显示了我们的方法减少交通拥堵和改善交通流的潜力。此外,我们讨论了未来研究和强化学习模型的改进方向。
Feb, 2024
本研究提出了一种基于深度强化学习的控制器来帮助减少道路拥堵现象,该控制器通过学习适应性绕道策略,从而优化使用高速公路车道及其附近的交通网络,本文使用实际交通数据生成参数化交通模型并在模拟器中进行实验,结果显示该方法可以将交通速度提高 21%。
本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响,结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施,从而提高行人和车辆的安全性。
Feb, 2022
本研究提出一种实时交通信号灯控制方法,使用深度 Q 学习,并结合奖励函数,考虑排队长度、延迟、旅行时间和吞吐量,通过根据当前交通状况动态决定相位变化。通过使用合成和实际交通流数据在中国杭州的一个路口进行验证,结果表明与传统的固定信号计划相比,该方法显著改善了车辆等待时间(57.1% 至 100%)、排队长度(40.9% 至 100%)和总行程时间(16.8% 至 68.0%)。
Aug, 2023
本研究使用深度强化学习来生成一种连续控制规划方案,让自动驾驶汽车在拥挤的道路上实现车道变换,并与基于模型预测控制算法进行对比测试。
Sep, 2019
自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策,通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型,实现了准确的对象识别和距离估计以及有效的交通导航。
Oct, 2023
本篇论文通过研究深度强化学习在交通灯控制问题中的应用,证明在格网路网中智能行驶的 “绿波” 策略自然而然地出现,并且优于传统方法,这为提高交通效率提供了途径。
Feb, 2023
本文探索利用深度强化学习解决路口问题,发现采用深度 RL 学习的决策比基础启发式方法更高效,并能有效应对实时不能避让的情况,并探讨其在感知行为方面的应用及未来研究方向。
May, 2017
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