利用空间加权信息融合与基于深度强化学习的控制促进网联自动驾驶车辆运行
人工智能
2020-10-01 v1 机器学习
系统与控制
系统与控制
摘要
网联自动驾驶车辆（CAV）的网联特性具有优势，因为它通过车对外界（V2X）通信促进交通相关信息向车辆传播。包括激光雷达（LiDAR）和摄像头在内的车载传感设备能够合理刻画CAV近邻区域的交通环境。然而，其性能受限于传感范围（SR）。另一方面，更长距离的信息有助于刻画下游即将出现的条件。通过同时融合短距离与长距离信息，CAV能够全面构建其周边环境，从而促进短期（局部决策，包括换道）和长期（路径选择）中明智、安全且有效的运动规划。本文描述了一种基于深度强化学习（Deep Reinforcement Learning）的方法，该方法整合通过传感及网联能力从CAV邻近车辆以及更下游车辆所采集的数据，并利用融合数据指导换道这一CAV运行的具体场景。此外，认识到网联范围（CR）不仅对算法性能、也对车辆在实际驾驶环境中的表现至关重要，本文开展了一项案例研究。该案例研究展示了所提算法的应用，并恰当地确定了各现行交通密度水平下合适的CR。预期该算法在CAV中的实施可提升CAV驾驶运行相关的安全性与机动性。从总体视角看，其实施可为网联设备制造商与CAV运营商就CAV的默认CR设置或给定交通环境下的推荐CR设置提供指导。
引用
@article{arxiv.2009.14665,
title = {Facilitating Connected Autonomous Vehicle Operations Using Space-weighted Information Fusion and Deep Reinforcement Learning Based Control},
author = {Jiqian Dong and Sikai Chen and Yujie Li and Runjia Du and Aaron Steinfeld and Samuel Labi},
journal= {arXiv preprint arXiv:2009.14665},
year = {2020}
}