将神经蒙特卡树搜索应用于无信号多路口调度问题
人工智能
2024-10-25 v1
摘要
自动化系统对共享资源的动态调度是一个充满挑战的问题，被建模为NP难问题。由于任务的复杂性，在高度动态的系统中，到达的请求必须在面临严格安全和时间约束的情况下不断被调度。这样一个系统的典型例子是无信号路口，自动驾驶车辆对潜在冲突区域的访问必须被动态调度。在本文中，我们将神经蒙特卡树搜索（Neural Monte Carlo Tree Search, NMCTS）应用于对车队穿越无信号路口的调度问题。关键在于，我们引入一种转换模型，将车队可能产生的连续冲突道路空间保留请求序列转化为一系列类似棋盘游戏的问题，并使用NMCTS搜索表示过去分配情境下最优道路空间分配方案的解决方案。为优化搜索，我们采用并行NMCTS（PNMCTS）结合优先重抽取方法，以提高训练数据的质量。为优化训练，我们采用课程学习策略，逐步训练智能体处理越来越复杂的棋盘，最终到达表示繁忙路口的重叠棋盘。在单座四向无信号路口的仿真测试中，PNMCTS在95%的不可见场景中求解成功，相较于先到先服务控制方式，在轻交通时将穿越时间缩短43%，在重交通时缩短52%。在3x3多路口网络中，该方法在轻交通情况下维持了所有路口都受PNMCTS控制时的畅通状态，在重交通情况下平均行驶时间比最先进的基于强化学习的交通灯控制器缩短74.5%，总吞吐量提高16%。
引用
@article{arxiv.2410.18786,
title = {Applying Neural Monte Carlo Tree Search to Unsignalized Multi-intersection Scheduling for Autonomous Vehicles},
author = {Yucheng Shi and Wenlong Wang and Xiaowen Tao and Ivana Dusparic and Vinny Cahill},
journal= {arXiv preprint arXiv:2410.18786},
year = {2024}
}