面向自动驾驶车辆的算法方法：最小化车道变更与合并
机器学习
2025-06-19 v1 人工智能
计算与语言
机器学习
摘要
自动驾驶车辆（AV）技术的快速发展为增强安全性和运行效率提供了保证。然而，频繁的车道变更和合并仍然构成重大的安全风险并扰乱交通流量。本文引入了最小化车道变更算法（MLCA），一种基于状态机的方法，旨在减少不必要的车道变更，从而提升交通安全性和效率。MLCA算法优先维持车道稳定，除非安全关键情况需要进行车道变更。通过在SUMO平台上进行仿真实验，评估了该算法的效果，并将其性能与 established 模型（包括LC2017和MOBIL）进行比较。结果表明，车道变更次数和碰撞次数均显著减少，实现更顺畅的交通流量并提升安全性能指标。此外，研究还突出了MLCA对不同交通密度和道路配置的适应性，展示了其在实际AV系统中广泛部署的潜力。未来工作将在更复杂的场景中使用CARLA模拟器进行验证，这将使我们能够在具有多样化道路用户的城市交通环境中测试该算法。此外，还将探讨针对车辆间（V2V）通信的网络安全措施，以确保可靠且安全的数据交换，从而进一步提升AV运行的可靠性和安全性。该研究为开发旨在优化单个车辆性能和整体交通网络效率的智能交通系统贡献了重要工作。
引用
@article{arxiv.2506.15025,
title = {Optimal Embedding Learning Rate in LLMs: The Effect of Vocabulary Size},
author = {Soufiane Hayou and Liyuan Liu},
journal= {arXiv preprint arXiv:2506.15025},
year = {2025}
}
备注
TD,LR: How to set the learning rate for emebdding layer in LLMs?