用于 V2X 数据延迟与丢失下 CAV 鲁棒决策的新型 Actor-Critic 算法
机器学习
2024-10-22 v2 人工智能
摘要
当前的自动驾驶系统严重依赖 V2X 通信数据来增强态势感知和车辆间的协作。然而，使用 V2X 数据的一个主要挑战是，由于路边站点与接收车辆之间无线传输过程中不可预测的延迟和数据丢失，数据可能无法周期性获取。在设计互联和自动驾驶车辆的控制策略时，应考虑这一问题。因此，本文提出了一种新颖的“盲 Actor-Critic”算法，以保证在具有延迟和/或丢失数据的 V2X 环境中实现鲁棒的驾驶性能。该新算法包含三个关键机制：虚拟固定采样周期、时间差与蒙特卡洛学习的结合，以及即时奖励值的数值近似。为了解决 V2X 数据的时间非周期性问题，我们首先阐明了这一挑战。然后，我们详细解释了盲 Actor-Critic 算法，并重点介绍了所提出的用于补偿 V2X 数据时间非周期性问题的组件。我们在仿真环境中评估了算法的性能，并将其与基准方法进行了比较。结果表明，与传统的 actor-critic 算法相比，训练指标得到了改善。此外，测试结果表明，即使在 V2X 网络可靠性水平较低的情况下，我们的方法也能提供鲁棒的控制。
引用
@article{arxiv.2405.05072,
title = {Novel Actor-Critic Algorithm for Robust Decision Making of CAV under Delays and Loss of V2X Data},
author = {Zine el abidine Kherroubi},
journal= {arXiv preprint arXiv:2405.05072},
year = {2024}
}
备注
11 pages, 10 figures, Journal paper, submitted to IEEE Transactions on Intelligent Transportation Systems