基于被动行动者-评论家多策略决策的拥堵交通下高速公路合流
人工智能
2019-07-01 v1 机器人学
摘要
拥堵交通下的高速公路合流是实现全自动驾驶面临的一项重要挑战。合流车辆不仅需要决定如何并入某个间隙，还需要决定在何处合流。我们提出一种基于多策略决策与一种称为被动行动者-评论家（pAC）的强化学习方法的高速公路合流方法，该方法在较少系统知识且无需主动探索的情况下进行学习。该方法利用 pAC 学习到的状态值来选取合流间隙候选。我们使用真实交通数据评估了该方法。实验表明，pAC 实现了 92% 的合流成功率，与人类决策水平相当。
引用
@article{arxiv.1707.04489,
title = {Freeway Merging in Congested Traffic based on Multipolicy Decision Making with Passive Actor Critic},
author = {Tomoki Nishi and Prashant Doshi and Danil Prokhorov},
journal= {arXiv preprint arXiv:1707.04489},
year = {2019}
}
备注
6 pages, 5 figures. ICML Workshop on Machine Learning for Autonomous Vehicles