多样化行为交通流中的协同自动驾驶：一种异构图强化学习方法
人工智能
2025-10-01 v1
摘要
在具有多样化驾驶风格的异构交通环境中导航，因其固有的复杂性和动态交互，对自动驾驶汽车构成了重大挑战。本文通过提出一种结合专家系统的异构图强化学习框架来应对这一挑战，以提升自动驾驶汽车的决策性能。首先，引入异构图表示来捕捉车辆间复杂的交互关系。然后，提出了一种带有专家模型的异构图神经网络（HGNN-EM），以有效编码多样化的车辆特征，并生成由领域特定知识指导的驾驶指令。此外，利用双重深度Q学习（DDQN）算法来训练决策模型。在一个包含多种人类驾驶车辆驾驶风格的典型四路交叉口案例研究中，结果表明，所提出的方法在安全性、效率、稳定性和收敛速度方面均优于多个基线方法，同时保持了良好的实时性能。
引用
@article{arxiv.2509.25751,
title = {Cooperative Autonomous Driving in Diverse Behavioral Traffic: A Heterogeneous Graph Reinforcement Learning Approach},
author = {Qi Liu and Xueyuan Li and Zirui Li and Juhui Gim},
journal= {arXiv preprint arXiv:2509.25751},
year = {2025}
}
备注
7 pages, 5 figures and 4 tables