PulseAugur
中
实时 05:49:31
English(EN) Delay-Aware Reinforcement Learning for Highway On-Ramp Merging under Stochastic Communication Latency

新的强化学习框架解决了自动驾驶中的通信延迟问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了DAROM，一个新颖的延迟感知强化学习框架，旨在改善高速公路匝道汇入场景下的自动驾驶控制。该框架专门解决了车辆到基础设施（V2I）系统中固有的随机通信延迟带来的挑战，这些延迟会降低标准强化学习代理的性能。DAROM利用延迟感知编码器来推断当前状态，即使在信息延迟和部分可观察的情况下，并结合了基于物理的安全控制器来降低碰撞风险。在SUMO模拟器中使用NGSIM数据集的实验表明，DAROM的性能显著优于现有的强化学习基线，在高达2.0秒延迟的高密度交通中成功率超过99%。 AI

影响 增强了自动驾驶系统对通信延迟的鲁棒性，有望提高车联网环境下的安全性和效率。

排序理由 该集群包含一篇详细介绍自动驾驶新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的强化学习框架解决了自动驾驶中的通信延迟问题

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群包含一篇详细介绍自动驾驶新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, product
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
90 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Amin Tabrizian, Zhitong Huang, Arsyi Aziz, Peng Wei ·

    面向通信延迟随机的公路匝道汇入的延迟感知强化学习

    arXiv:2403.11852v5 Announce Type: replace-cross Abstract: Delayed and partially observable state information poses significant challenges for reinforcement learning (RL)-based control in real-world autonomous driving. In highway on-ramp merging, a roadside unit (RSU) can sense ne…

相关实体

相关话题