在单车道交通表征中学习可泛化的多车道混合自主行为
多智能体系统
2022-01-03 v2 系统与控制
系统与控制
摘要
强化学习技术可以为未来自动驾驶系统期望的行为提供深刻见解。通过优化交通的社会性指标，如提高通行量和降低能耗，此类方法可以推导出一些驾驶策略，即使仅被一小部分车辆采用，也可能显著改善所有相关车辆的交通状态。然而，这些方法在实践中受到设计高效且准确的交通模型之困难，以及与优化数十个交互智能体行为相关的挑战所阻碍。为应对这些挑战，本文致力于解决在简单的车辆驾驶动力学表征中学习可泛化交通控制策略的问题。具体而言，我们将混合自主环形道路视为导致拥堵形成的不稳定性的描述。在此问题中，我们设计了一种课程学习范式，利用网络自然的可扩展性，有效地学习在长时间范围内减少拥堵的行为。接下来，我们研究了车道变换建模对策略可迁移性的影响。我们的发现表明，引入即使仅大致匹配更复杂系统中趋势的车道变换行为，也能显著提高后续学习模型对更精确的多车道交通模型的泛化能力。
引用
@article{arxiv.2112.04688,
title = {Learning Generalizable Multi-Lane Mixed-Autonomy Behaviors in Single Lane Representations of Traffic},
author = {Abdul Rahman Kreidieh and Yibo Zhao and Samyak Parajuli and Alexandre Bayen},
journal= {arXiv preprint arXiv:2112.04688},
year = {2022}
}