基于物理可解释的人工智能非线性车队动力学建模: Koopman方法探索
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
该研究提出了使用主动推理的一种新型车辆跟随建模方法,该方法具有与数据驱动的模型相当的行为灵活性,同时保持可解释性。通过基准分析,该模型被证明可以显着地预测驾驶控制,并表明需要进一步研究以建立行驶风格并利用更多样化的数据集进行模型训练。
Mar, 2023
本研究提出了一种基于异构图多智能体强化学习和交通理论的创新方法,用于实时联合控制信号控制和车队编队,以缓解交通拥堵。
Oct, 2023
通过车辆之间的协作自主驾驶和车辆间通信,以车队行驶为应用场景,在城市环境中使用深度强化学习和物理模拟技术,实现了交通流量和安全的提升。
Dec, 2023
通过耦合的偏微分方程和常微分方程模型,本研究着眼于发展针对车队控制的Dyna式计划和学习框架,旨在减少燃料消耗,模拟结果验证了我们宏观模型在混合自治设置中建模车队的有效性,与传统方法相比,燃料消耗明显减少了10.11%。
May, 2024
我们提出了一种新颖的“CAV-AHDV-CAV”车辆跟随框架,该框架将两辆CAV之间的HDV序列视为一个单一实体,消除了个体驾驶员行为的噪声。通过对车辆平衡状态的分析和采用一种状态融合策略,我们的深度强化学习方法在多样化的数据集上进行训练和测试,包括超过70,000个车辆跟随实例,超越基线模型在避免碰撞、与前后车辆保持平衡以及实现最低时间间隔标准差等方面的效果。这些结果证明了我们的方法在开发混合交通的强健CAV控制策略方面的有效性,我们的模型有潜力减轻交通振荡,提高交通流效率并增强整体安全性。
Jun, 2024
本研究解决了大规模混合车队中由于车辆异质性和不可预测交通条件导致的虚拟瓶颈问题。提出了基于嵌套图强化学习的决策策略,旨在提升协作决策能力,提高能源效率,缓解拥堵。研究结果表明,该策略相比基线提高了10%的交通通量,并降低了9%的能耗,显示出显著的实际应用潜力。
Aug, 2024
本研究针对传统交通模型开发过程中效率低下与人为错误的问题,提出了交通研究代理(TR-Agent),这是一个通过迭代闭环过程自动生成和优化交通模型的AI系统。实验结果表明,TR-Agent在多个交通模型中显著提升了性能,并且为其优化过程提供详细解释,有助于研究人员验证和扩展其改进成果。
Sep, 2024
本研究解决了传统线性控制模型在适应性和多目标设定下的不足,通过引入物理知识增强的残差策略学习框架(PERPL),结合物理模型的可解释性及灵活的强化学习方法。实验证明,在应对人为极端状态和实时前方车辆轨迹时,PERPL在减少车辆间距误差和震荡抑制方面优于传统线性模型和单独的强化学习方法,提高了混合交通流的整体稳定性。
Sep, 2024