面向边缘辅助车辆的个性化且情境感知的路径规划
人工智能
2024-07-26 v1 机器人学
摘要
常规路径规划服务为所有司机提供相同的路径，主要关注旅行距离或时间等少数标准因素，忽略个体司机偏好。随着即将到来的自动驾驶车辆将依赖此类规划器作出决策，必须纳入每位司机的具体偏好，以确保个性化的导航体验。本文提出一种基于图神经网络(GNN)和深度强化学习(DRL)的新方法，旨在为个体偏好定制路径。通过分析个体司机的历史轨迹，我们对其驾驶行为进行分类，并将其与相关道路属性关联，以作为司机偏好的指示器。GNN能够有效地将道路网络表示为图结构数据，而DRL能够通过奖励机制优化路径选择，考虑旅行成本、拥堵水平和司机满意度等因素。我们使用真实道路网络评估了所提出的GNN基DRL框架，证明其能够适应司机偏好，为个体司机提供一系列量身定制的路径选项。结果表明，本框架相较于通用路径规划器可提高17%，相较于基于最短距离的方法，在下午可减少33%，晚上可减少46%的行驶时间。
引用
@article{arxiv.2407.17980,
title = {Personalized and Context-aware Route Planning for Edge-assisted Vehicles},
author = {Dinesh Cyril Selvaraj and Falko Dressler and Carla Fabiana Chiasserini},
journal= {arXiv preprint arXiv:2407.17980},
year = {2024}
}