基于深度强化学习的智慧城市长距离自主代客泊车
机器学习
2022-05-05 v3 人工智能
摘要
在本文中，为降低城市中心拥堵率并提升各用户的体验质量（QoE），提出了长距离自主代客泊车（LAVP）框架，其中在城市中部署一辆自动驾驶汽车（AV），该汽车可在用户指定地点接载和送达用户，随后自主驶向市郊停车场。在该框架下，我们的目标是最小化 AV 的总行驶距离，同时保证所有用户被服务，即在用户所需地点接载和送达用户，通过优化 AV 的路径规划与服务时隙数量来实现。为此，我们首先提出一种基于学习的算法，称为双层蚁群优化（DL-ACO）算法，以迭代方式求解上述问题。进而，为在动态环境（即 AV 可能从不同位置接载和送达用户）下做出实时决策，我们进一步提出一种基于深度强化学习（DRL）的算法，即深度 Q 网络（DQN）。实验结果表明，基于 DL-ACO 和 DQN 的算法均取得了可观的性能。
引用
@article{arxiv.2109.11661,
title = {Deep Reinforcement Learning-Based Long-Range Autonomous Valet Parking for Smart Cities},
author = {Muhammad Khalid and Liang Wang and Kezhi Wang and Cunhua Pan and Nauman Aslam and Yue Cao},
journal= {arXiv preprint arXiv:2109.11661},
year = {2022}
}
备注
6 Figures, 1 Table