面向联通自动驾驶车辆的多任务无车道驾驶策略：基于多智能体深度强化学习的方法
机器人学
2024-06-24 v1
摘要
深度强化学习在各种工程应用中展现出前景，包括车辆交通控制。交通的非平稳性，尤其是在无车道环境中 vehicle behaviors 具有更多自由度，为决策提出了挑战，因为错误的动作可能导致灾难性失败。本文提出一种基于竞争性多智能体深度确定性策略梯度方法的联通自动驾驶车辆(CAV) novel driving strategy。开发的多智能体深度强化学习算法创建了动态且非平稳的情景，模拟真实世界交通的复杂性，使训练好的智能体更具鲁棒性。该算法的奖励函数被战略性和独特地构建，用于覆盖多个车辆控制任务，包括维持期望速度、超车、碰撞规避以及车道无缘隙进出maneuvers。此外，还考虑了纵向和横向乘客舒适性和安全性准则。我们采用车辆间作用，即 nudging 和排斥力，来管理 CAV 在无车道交通环境中的maneuvers。所提出的驾驶算法在无车道道路上进行训练和评估，使用 Simulation of Urban Mobility 平台。实验结果表明，该算法在处理不同目标方面具有效能，凸显了其在无车道交通环境中提升自主驾驶安全性和效率的潜力。
引用
@article{arxiv.2406.14766,
title = {Multi-Task Lane-Free Driving Strategy for Connected and Automated Vehicles: A Multi-Agent Deep Reinforcement Learning Approach},
author = {Mehran Berahman and Majid Rostami-Shahrbabaki and Klaus Bogenberger},
journal= {arXiv preprint arXiv:2406.14766},
year = {2024}
}