基于层次图神经网络的多智能体学习用于动态排队跳过车道和应急车辆走廊形成
机器人学
2026-01-12 v2 系统与控制
系统与控制
摘要
应急车辆需要在拥堵交通中快速通行，但现有策略无法适应动态条件。我们提出了一种新颖的基于层次图神经网络（GNN）的多智能体强化学习框架，用于协调联通车辆以形成应急走廊。该方法使用高层规划器进行全局策略，低层控制器进行轨迹执行，利用图注意力网络实现可随代理数量变化而扩展。通过多智能体Proximal Policy Optimization（MAPPO）训练，系统可将应急车辆行驶时间缩短28.3%（相对于基线）和44.6%（相对于非协调交通），同时实现近乎零的碰撞率（0.3%），且保持81%的背景交通效率。消融和泛化研究确认了该框架在多样化情景下的鲁棒性。这些结果表明，将GNN与层次学习结合用于智能交通系统的有效性。
引用
@article{arxiv.2601.04177,
title = {Hierarchical GNN-Based Multi-Agent Learning for Dynamic Queue-Jump Lane and Emergency Vehicle Corridor Formation},
author = {Haoran Su},
journal= {arXiv preprint arXiv:2601.04177},
year = {2026}
}
备注
16 Pages, 5 Figures, 9 Tables, submitted to IEEE TITS