部分联网环境下应急车辆动态插队车道：一种多智能体深度强化学习方法
人工智能
2021-01-19 v3 系统与控制
系统与控制
摘要
应急车辆（EMV）服务是城市的一项关键功能，且由于城市交通拥堵而极具挑战性。EMV 服务延迟的主要原因在于阻挡 EMV 的车辆之间缺乏通信与协作。本文研究在 V2X 联网条件下改进 EMV 服务。我们考虑基于联网车辆的实时协调，在存在非联网人工驾驶车辆的情况下建立动态插队车道（DQJLs）。我们为 DQJL 协调策略开发了一种新颖的马尔可夫决策过程公式，其明确考虑了驾驶员对接近的 EMV 的让行模式的不确定性。基于代表智能体车辆的 actor 与 critic 的神经网络对，我们开发了一种多智能体 actor-critic 深度强化学习算法，可处理交通中数量变化和联网车辆比例随机的情况。通过间接与直接强化学习逼近最优协调策略，我们提出两种方案来解决该联网车辆应用上的多智能体强化学习。两种方法均在微观仿真测试平台 SUMO 上得到验证，可快速且安全地建立 DQJL。验证结果表明，采用 DQJL 协调策略，EMV 通过链路级智能城市路段相较基线场景最多节省 30% 的时间。
引用
@article{arxiv.2003.01025,
title = {Dynamic Queue-Jump Lane for Emergency Vehicles under Partially Connected Settings: A Multi-Agent Deep Reinforcement Learning Approach},
author = {Haoran Su and Kejian Shi and Joseph. Y. J. Chow and Li Jin},
journal= {arXiv preprint arXiv:2003.01025},
year = {2021}
}
备注
42 pages, 13 figures, 7 tables