連結自律車の安全で効率的な行動計画のためのマルチエージェント強化学習アプローチ【JST・京大機械翻訳】

Han Songyang; Zhou Shanglin; Wang Jiangwei; Pepin Lynn; Ding Caiwen; Fu Jie; Miao Fei

プレプリント

J-GLOBAL ID：202202200041349577 整理番号：22P0121139

連結自律車の安全で効率的な行動計画のためのマルチエージェント強化学習アプローチ【JST・京大機械翻訳】

A Multi-Agent Reinforcement Learning Approach For Safe and Efficient Behavior Planning Of Connected Autonomous Vehicles

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年03月09日プレプリントサーバーでの情報更新日： 2022年09月03日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

無線技術における最近の進歩は,車両対車両(V2V)通信によって環境に関する情報を集めるために,接続自律車両(CAV)を可能にする。本研究では,CAVのための情報共有ベースマルチエージェント強化学習(MARL)フレームワークを設計し,トラヒック効率および安全性を改善する意思決定を行うとき,余分な情報を利用した。提案する安全なアクター-批評アルゴリズムは,2つの新しい技術,すなわち,短縮Q関数と安全動作マッピングを持つ。切断Q関数は,Q関数の結合状態と動作空間が大規模CAVシステムのために著者らのアルゴリズムで成長しないように,隣接CAVからの共有情報を利用する。切断Qと大域的Q関数の間の近似誤差の結合を証明した。安全な行動マッピングは,制御バリア機能に基づく訓練と実行の両方に対して証明可能な安全性保証を提供する。実験のためのCARLAシミュレータを用いて,この手法は,異なるCAV比と異なるトラヒック密度の下で平均速度と快適性に関してCAVシステムの効率を改善できることを示す。また,提案アプローチは,安全でない行動の実行を避け,常に他の車両から安全な距離を維持することを示した。共有ビジョンがCAVが障害物を早期に観測し,交通渋滞を回避する行動を取ることができることを示すために,障害者シナリオを構築した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 移動通信

, , ,

前のページに戻る