基于深度强化学习的信号化交叉口自动驾驶车辆纵向控制策略
人工智能
2025-05-15 v1 机器人学
摘要
开发针对信号化交叉口（SI）的自动驾驶车辆控制策略是一项具有挑战性的任务 due to 其内在的复杂决策过程。这项研究提出了一种基于深度强化学习（DRL）的 SI 纵向车辆控制策略。我们构建了全面的奖励函数，特别关注（i）基于距离跟车的效率奖励、（ii）amber 灯 during decision-making criteria，以及（iii）非对称加速度/减速度响应，以及传统的安全和舒适准则。该奖励函数被集成到两种流行的 DRL 算法中：深度确定性策略梯度（DDPG）和软演员-评论家（SAC），后者可以处理加速度/减速度的连续动作空间。所提出的模型在结合真实世界领先车辆（LV）轨迹和使用 Ornstein-Uhlenbeck（OU）过程生成的模拟轨迹上进行训练。对所提出模型整体性能的测试使用累积分布函数（CDF）图，并与真实世界轨迹数据进行比较。结果表明，RL 模型成功维持了较低的距离跟车（即更高的效率）和躁动性，而不会妥协安全性。进一步，为了评估所提出模型的鲁棒性，我们在多种 safety-critical scenarios 中评估了模型性能，包括 car-following 和 traffic signal compliance。DDPG 和 SAC 模型都成功处理了关键场景，而 DDPG 模型显示出比 SAC 模型更平滑的动作轮廓。总体而言，结果确认基于 DRL 的 SI 纵向车辆控制策略可以帮助提高交通安全、效率和舒适性。
引用
@article{arxiv.2505.08896,
title = {Deep reinforcement learning-based longitudinal control strategy for automated vehicles at signalised intersections},
author = {Pankaj Kumar and Aditya Mishra and Pranamesh Chakraborty and Subrahmanya Swamy Peruru},
journal= {arXiv preprint arXiv:2505.08896},
year = {2025}
}