基于混合强化学习的信号交叉口网联自动驾驶车辆生态驾驶策略
系统与控制
2022-09-01 v2 机器学习
系统与控制
摘要
借助车联网(V2X)通信与自动驾驶技术,网联自动驾驶车辆正迅速成为解决诸多交通问题的变革性方案之一。然而,在信号交叉口的混合交通环境中,考虑到交通系统的复杂性与不确定性,提升整体通行能力与能源效率仍是一项艰巨任务。本研究提出一种混合强化学习(HRL)框架,结合基于规则的策略与深度强化学习(deep RL),以支撑混合交通下信号交叉口的网联生态驾驶。视觉感知方法与车路协同(V2I)通信相融合,以提升混合网联交通的机动性与能源效率。HRL框架包含三个部分:基于规则的驾驶管理器,负责基于规则策略与RL策略间的协作;多流神经网络,提取视觉与V2I信息的隐藏特征;以及基于深度RL的策略网络,生成纵向与横向生态驾驶动作。为评估所提方法,我们开发了基于Unity的模拟器并设计了混合交通交叉口场景。此外,实现了若干基线方法与我们的新设计对比,并通过数值实验检验HRL模型性能。实验表明,与最先进的基于模型的生态驾驶方法相比,我们的HRL方法能降低12.70%能耗并节省11.75%行程时间。
引用
@article{arxiv.2201.07833,
title = {Hybrid Reinforcement Learning-Based Eco-Driving Strategy for Connected and Automated Vehicles at Signalized Intersections},
author = {Zhengwei Bai and Peng Hao and Wei Shangguan and Baigen Cai and Matthew J. Barth},
journal= {arXiv preprint arXiv:2201.07833},
year = {2022}
}
备注
Accepted by the IEEE Transactions on Intelligent Transportation Systems