PeRP：基于协同 advisory 系统的个性化残差策略用于缓解拥堵
机器学习
2023-08-17 v2 人工智能
机器人学
摘要
智能驾驶系统可通过简单操作缓解交通拥堵，从而改善通勤时间与燃油成本等诸多社会经济因素。然而，这些系统假定对自动驾驶车队具有精确控制，因此在实践中受限，因为它们未能考虑人类行为的不确定性。分段常数（PC）策略通过结构性地建模人类驾驶相似性，在密集场景中减少交通拥堵，从而为人类驾驶员提供可遵循的动作建议，以解决上述问题。但是，PC 策略假定所有驾驶员行为相似。为此，我们开发了一种基于 PC 策略的协同 advisory 系统，其采用新颖的驾驶员特质条件化个性化残差策略 PeRP。PeRP 建议驾驶员采取缓解交通拥堵的行为方式。我们首先利用变分自编码器以无监督方式推断驾驶员遵循指令的内在特质，然后基于推断特质的条件策略调整 PC 策略的动作，为驾驶员提供个性化推荐。我们的系统在仿真中使用新颖的指令遵从驾驶员建模进行训练。我们表明，该方法在适应不同驾驶员行为的同时成功缓解拥堵，相较基线平均车速提升 4% 至 22%。
引用
@article{arxiv.2308.00864,
title = {PeRP: Personalized Residual Policies For Congestion Mitigation Through Co-operative Advisory Systems},
author = {Aamir Hasan and Neeloy Chakraborty and Haonan Chen and Jung-Hoon Cho and Cathy Wu and Katherine Driggs-Campbell},
journal= {arXiv preprint arXiv:2308.00864},
year = {2023}
}
备注
Accepted to ITSC 2023. Additional material and code is available at the project webpage: https://sites.google.com/illinois.edu/perp