基于深度强化学习的车辆自主队列鲁棒纵向控制
系统与控制
2022-11-17 v2 机器学习
系统与控制
摘要
在过去几年中,研究者已将机器学习策略应用于车辆队列场景,以提升协同交通的安全性和效率。强化学习方法已被用于协同自适应巡航控制系统的纵向间距控制,但迄今为止,这些研究均未解决此类场景中的干扰抑制问题。模型中的不确定参数和外部干扰等特性,可能使智能体在以巡航速度行驶时无法达到零间距误差。另一方面,复杂的通信拓扑导致特定的训练过程无法推广到其他情境,每次配置改变都需重新训练。因此,在本文中,我们提出了一种泛化车辆队列训练过程的方法,使得每个智能体的加速度指令独立于网络拓扑。此外,我们将加速度输入建模为带积分作用的项,使人工神经网络能够在状态受到未知效应扰动时学习纠正动作。我们使用不同网络拓扑、不确定参数和外力进行实验,说明了所提方法的有效性。针对稳态误差和超调响应,与最先进文献进行了对比分析。研究结果为在自主队列控制中使用强化学习的泛化性和鲁棒性提供了新的见解。
引用
@article{arxiv.2206.01175,
title = {Robust Longitudinal Control for Vehicular Autonomous Platoons Using Deep Reinforcement Learning},
author = {Armando Alves Neto and Leonardo Amaral Mozelli},
journal= {arXiv preprint arXiv:2206.01175},
year = {2022}
}