深度强化学习算法在混合交通合作车隆中的性能比较
机器人学
2024-07-04 v1 人工智能
机器学习
摘要
车隆（LC）是连接自动驾驶车辆（CAVs）面临的挑战之一，由于交通环境的复杂动力学和高不确定性。这种挑战可通过深度强化学习（DRL）方法解决，利用其数据驱动和无模型的特性。我们之前的工作提出了基于TD3的混合交通合作车隆（CLCMT）机制，以实现最优车隆策略。本研究在考虑人驾车辆（HVs）不确定性以及HVs与CAVs之间微观相互作用的基础上，增强了当前CLCMT机制。所选用的SOTA DRL算法包括DDPG、TD3、SAC和PPO，用于处理连续动作的马尔可夫决策过程（MDP）。四种DRL算法的性能比较表明，DDPG、TD3和PPO算法均能处理交通环境中的不确定性，学习出在安全性、效率、舒适性和生态性方面均表现良好的车隆策略。PPO算法在奖励更高、探索错误更少、碰撞更少以及更舒适、更环保的车隆策略方面均优于其他三种算法。这些改进为CLCMT机制在CAVs的车隆运动规划中提供了更大的优势。
引用
@article{arxiv.2407.02521,
title = {Performance Comparison of Deep RL Algorithms for Mixed Traffic Cooperative Lane-Changing},
author = {Xue Yao and Shengren Hou and Serge P. Hoogendoorn and Simeon C. Calvert},
journal= {arXiv preprint arXiv:2407.02521},
year = {2024}
}
备注
6 pages, 5 figures, IEEE conference