基于策略深度强化学习与智能路由的自动驾驶车辆交通管理
机器学习
2022-06-30 v1 人工智能
摘要
深度强化学习（DRL）利用多样、非结构化的数据，使 RL 能够学习高维环境中的复杂策略。基于自动驾驶车辆（AVs）的智能交通系统（ITS）为基于策略的 DRL 提供了极佳的试验场。深度学习架构解决了传统算法的计算挑战，同时助力 AVs 在现实世界中的采用与部署。AVs 实施的主要挑战之一是，若管理不可靠且低效，反而会加剧道路拥堵。考量每辆车的总体影响并采用高效可靠的技术，可切实优化交通流管理与缓解拥堵。为此，我们提出了一种智能交通控制系统，处理交叉口及交叉口下游的复杂拥堵场景。我们提出了一种基于 DRL 的信号控制系统，根据交叉口当前拥堵状况动态调整交通信号。为应对交叉口后方道路上的拥堵，我们采用重新路由技术对路网中的车辆进行负载均衡。为获得所提方法的实际效益，我们打破数据孤岛，综合使用来自传感器、检测器、车辆和道路的所有数据以取得可持续结果。我们使用 SUMO 微观模拟器进行仿真。所提方法的重要性由结果得以彰显。
引用
@article{arxiv.2206.14608,
title = {Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing},
author = {Anum Mushtaq and Irfan ul Haq and Muhammad Azeem Sarwar and Asifullah Khan and Omair Shafiq},
journal= {arXiv preprint arXiv:2206.14608},
year = {2022}
}