面向合流道路网联自动驾驶车辆的多智能体深度强化学习协同框架
系统与控制
2022-06-13 v2 人工智能
机器学习
系统与控制
摘要
高速公路上行驶车辆数量的持续增加不断加剧拥堵、事故、能耗与温室气体排放。新兴出行系统（如网联自动驾驶车辆（CAVs））有潜力直接应对这些问题并提升交通网络效率与安全性。本文考虑高速公路合流场景，提出一种协调 CAVs 的框架以消除走走停停式驾驶。我们采用深度强化学习中 actor-critic 方法的去中心化形式——多智能体深度确定性策略梯度（multi-agent deep deterministic policy gradient）。我们通过数值仿真展示了 CAVs 的协同，并表明通过消除走走停停式驾驶实现了平滑交通流。仿真结果的视频与图像可在该补充站点查看：\href{https://sites.google.com/view/ud-ids-lab/MADRL}{\text{site}}。
引用
@article{arxiv.2109.11672,
title = {A Multi-Agent Deep Reinforcement Learning Coordination Framework for Connected and Automated Vehicles at Merging Roadways},
author = {Sai Krishna Sumanth Nakka and Behdad Chalaki and Andreas Malikopoulos},
journal= {arXiv preprint arXiv:2109.11672},
year = {2022}
}
备注
6 pages, 6 figures