基于V2I连接的应急车辆动态借道车道：一种深度强化学习方法
人工智能
2021-06-01 v2 机器学习
系统与控制
系统与控制
摘要
应急车辆（EMV）服务是城市的一项关键功能，且由于城市交通拥堵而极具挑战性。EMV服务延误的一个主要原因是阻挡EMV的车辆之间缺乏通信与协作。本文研究在V2I连接下改进EMV服务。我们考虑基于联网车辆实时协调建立动态借道车道（DQJLs）。我们为DQJL问题构建了一种新的马尔可夫决策过程公式，其明确考虑了驾驶员对接近的EMV反应的不确定性。我们提出了一种基于深度神经网络的强化学习算法，可高效计算最优协调指令。我们还在使用城市交通仿真（Simulation of Urban Mobility, SUMO）的微观仿真测试平台上验证了该方法。验证结果表明，采用我们所提方法，集中控制系统比基准系统节省约15%的EMV通行时间。
引用
@article{arxiv.2008.00335,
title = {V2I Connectivity-Based Dynamic Queue-Jump Lane for Emergency Vehicles: A Deep Reinforcement Learning Approach},
author = {Haoran Su and Kejian Shi and Li Jin and Joseph Y. J. Chow},
journal= {arXiv preprint arXiv:2008.00335},
year = {2021}
}
备注
20 pages, 6 figures