联网自动化环境下基于强化学习的协同高速公路施工区合流控制
信号处理
2020-01-24 v1 机器学习
摘要
鉴于基础设施老化和美国预计增长的公路施工区数量，研究施工区合流控制对于改善施工区安全性和通行能力至关重要。本文提出并评估了一种基于人工智能实现的协同驾驶行为的新型高速公路施工区合流控制策略。所提出的方法假设所有车辆完全自动化、联网且协同。它在开放车道中插入两个计量区，为封闭车道中的合流车辆腾出空间。此外，封闭车道中的每辆车使用离策略软 actor-critic（SAC）强化学习（RL）算法，考虑其周围交通状况，学习如何最优地调整其纵向位置以在开放车道中找到安全间隙。学习结果被捕获到卷积神经网络中，并用于在测试阶段控制单个车辆。通过添加计量区并考虑周围车辆的位置、速度和加速度，车辆间的协同被隐式考虑。该基于RL的模型使用微观交通仿真器进行训练和评估。结果表明，就通行能力和安全性指标而言，这种基于协同RL的合流控制显著优于晚期合流和早期合流等流行策略。
引用
@article{arxiv.2001.08581,
title = {Cooperative Highway Work Zone Merge Control based on Reinforcement Learning in A Connected and Automated Environment},
author = {Tianzhu Ren and Yuanchang Xie and Liming Jiang},
journal= {arXiv preprint arXiv:2001.08581},
year = {2020}
}
备注
17pages, 6 figures, TRB 2020