学习变道：通过横向控制与分层强化学习编排混合交通
机器人学
2024-03-25 v1 多智能体系统
摘要
在复杂交叉口管理由机器人车辆（RVs）和人类驾驶车辆（HVs）组成的混合交通是一项多重挑战。传统信号控制通常难以适应动态交通条件和异构车辆类型。近期的研究转向基于强化学习（RL）的策略，利用其无模型特性、实时操作能力以及在不同场景下的泛化能力。我们引入了一个分层 RL 框架，通过对 RVs 的精确纵向和横向控制来管理混合交通。我们提出的分层框架将最先进的混合交通控制算法作为高层决策者，以提高整个系统的性能和鲁棒性。我们的实验表明，与最先进的混合交通控制方法相比，该框架可将平均等待时间减少高达 54%。当 RV 渗透率超过 60% 时，就交叉口所有车辆的平均等待时间而言，我们的技术始终优于传统的交通信号控制方案。
引用
@article{arxiv.2403.14879,
title = {Learning to Change: Choreographing Mixed Traffic Through Lateral Control and Hierarchical Reinforcement Learning},
author = {Dawei Wang and Weizi Li and Lei Zhu and Jia Pan},
journal= {arXiv preprint arXiv:2403.14879},
year = {2024}
}