Z-Merge：基于区域特定 V2X 交通信息的多智能体强化学习用于匝道汇入
机器人学
2025-11-20 v1
摘要
匝道汇入是自动驾驶车辆（AV）的关键且具有挑战性的任务，特别是在包含人类驾驶车辆（HVs）的混合交通环境中。现有方法通常仅依赖局部或邻近信息，采用车道变换或车间间距创建策略，往往在安全性和交通效率方面导致次优性能。在本文中，我们提出了一种由 V2X（车对万物通信）辅助的多智能体强化学习（MARL）框架，用于匝道汇入，通过利用来自路侧单元（RSU）的区域特定全局信息，有效协调车道变换与车间间距适应策略之间的复杂交互。汇入控制问题被建模为多智能体部分可观测马尔可夫决策过程（MA-POMDP），智能体通过 V2X 通信利用局部和全局观测。为了支持离散和连续控制决策，我们设计了混合动作空间并采用参数化深度 Q 学习方法。大量集成 SUMO 交通模拟器和 MOSAIC V2X 模拟器的仿真实验表明，我们的框架在多样化交通场景下显著提升了汇入成功率、交通效率和道路安全性。
引用
@article{arxiv.2511.14910,
title = {Z-Merge: Multi-Agent Reinforcement Learning for On-Ramp Merging with Zone-Specific V2X Traffic Information},
author = {Yassine Ibork and Myounggyu Won and Lokesh Das},
journal= {arXiv preprint arXiv:2511.14910},
year = {2025}
}