面向无信号交叉口网联自动驾驶车辆的密度感知联邦模仿学习
多智能体系统
2021-05-06 v1 机器人学
摘要
智能交通系统 (ITS) 已成为工业 4.0 的重要组成部分之一。作为 ITS 的关键指标之一，效率已引起研究人员的广泛关注。然而，由多家运输服务提供商承载的下一代城市交通可能因隐私原因禁止多个区域间的原始数据交互，这一点在现有研究中易被忽视。本文提出一种基于联邦学习的车辆控制框架以解决上述问题，该框架包含交互器、训练器与聚合器。此外，该框架采用密度感知模型聚合方法以改进车辆控制。更进一步，为提升端到端学习算法在安全性方面的表现，本文提出一种模仿学习算法，可从一组避碰规则中获取避碰能力。此外，还探索了一种损失感知经验选择策略，通过额外计算降低交互器与训练器间的通信开销。最后，实验结果表明所提模仿学习算法获得了避碰能力并将不适感降低 55.71%。此外，密度感知模型聚合可进一步将不适感降低 41.37%，且经验选择方案在确保模型收敛的同时将通信开销降低 12.80%。
引用
@article{arxiv.2105.01889,
title = {Density-Aware Federated Imitation Learning for Connected and Automated Vehicles with Unsignalized Intersection},
author = {Tianhao Wu and Mingzhi Jiang and Yinhui Han and Zheng Yuan and Lin Zhang},
journal= {arXiv preprint arXiv:2105.01889},
year = {2021}
}