Aug, 2024

基于嵌套图强化学习的生态车队决策策略

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 路口信号灯处学习生态驾驶策略

    本文提出一种基于强化学习的环保行车控制策略，通过对不同交通场景的模拟比较，在全自动驾驶交通方式下可将燃油消耗降低18%, CO2排放降低25%，同时提高20%的车速，并且即使只有25%的自动驾驶汽车，也能带来至少50%的燃油和排放降低效益

    Apr, 2022

  • 参数化强化学习方法在信号控制路口电动车辆节能驾驶中的应用

    本文提出一种基于强化学习的连接电动汽车经济驾驶框架，旨在提高车辆能源效率，并在交通信号灯路口中重新定义汽车后续策略、换道策略以及车辆加速控制决策，从而优化车辆动作方案，基于SUMO软件单车视角和流量视角的评估表明，该策略能够显著减少非人为驾驶车辆的能源消耗，实现了减排目的。

    Jun, 2022

  • 交通信号控制与减排的合作式多目标强化学习

    提出一种合作的多目标架构MOMA-DDPG来优化交通信号控制，包含两种类型的代理人，一个代理人关注于优化本地交通，而另一个代理人旨在优化全局交通吞吐量，实验结果表明该方法优于现有的方法，可以最小化等待时间和碳排放。

    Jun, 2023

  • 通过协作解决城市拥堵问题：基于异构 GNN 的 MARL 用于协调编队和交通信号控制

    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

  • 多智能体图强化学习中的学习分散式交通信号控制器

    本文研究智能城市中的交通信号优化控制问题，通过多智能体强化学习的新分散控制架构和图学习算法，提出了一种新的去中心化控制策略，增强了环境可观测性以抓取交通信号的时空关联性，实验证明该方案优于现有的分散算法。

    Nov, 2023

  • 基于多智能体深度强化学习的可扩展去中心化协同车队

    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

  • 基于时空超图的多智能体强化学习交通信号控制

    提出了一种新颖的交通信号控制系统框架，通过与多个相邻的边缘计算服务器协作收集道路网络上的交通信息，采用多智能体软actor-critic强化学习算法结合超图学习，以实现交通信号控制的智能化，优化交通流量，并且能够捕捉多个交叉口之间的复杂时空相关性，实现更智能、更具响应性的城市交通管理解决方案。

    Apr, 2024

  • 基于强化学习的基于排队的环形交叉口节能驾驶

    我们研究了环城路口的生态驾驶在混合交通中如何提高交通流量和交通效率。我们发展了基于规则和基于强化学习的两种生态驾驶系统，并通过对比它们的性能发现，强化学习并没有明显优势，尤其是在高交通量或低连接车辆渗透率下。

    May, 2024

  • 混合自主交通中用宏观模型进行车队行驶的动态学习

    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

  • 用于混合交通编队中安全巡航的物理增强残差策略学习（PERPL）

    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