一项新的研究论文探讨了在混合交通环境中，使用深度强化学习（DRL）来控制网联自动驾驶车辆（CAV）的编队加入机动。该研究提出了一个使用SUMO的模拟框架，用于比较DQN、DDQN和PPO等算法。结果表明，PPO算法实现了约98%的高成功率，碰撞率低于1%，这主要归功于其奖励函数中包含了对危险行为的惩罚。然而，这种增强的安全性是以增加决策步数为代价的，突显了安全性、效率和决策速度之间的权衡。 AI
影响 这项研究可能有助于在复杂的交通场景中实现更安全、更高效的自动驾驶车辆导航。
排序理由 在arXiv上发表的研究论文，详细介绍了一种控制CAV的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Connected and automated vehicle (CAV)
- Deep Q-Network (DQN)
- Deep Reinforcement Learning (DRL)
- Double Deep Q-Network (DDQN)
- Proximal Policy Optimization (PPO)
- reinforcement learning
- Simulation of Urban MObility (SUMO)
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
