Connected and Automated Vehicles Symposium
PulseAugur coverage of Connected and Automated Vehicles Symposium — every cluster mentioning Connected and Automated Vehicles Symposium across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI系统通过记忆整合模仿人类驾驶行为
研究人员开发了一种新颖的神经-记忆模糊推理系统（NeMeFIS），这是一种旨在模仿类人跟车行为的机器学习架构。该系统整合了五种类型的人类记忆，以不对称的方式模拟加减速，性能优于线性回归和LSTM等传统模型。研究强调了感知极限和风险感知等认知因素对驾驶决策的影响，并对开发更安全的联网和自动驾驶汽车适应性系统具有启示意义。
-
新模型连接交通理论与去中心化自动驾驶车辆交互
开发了一个新的基于智能体的模型来研究混合自主车道汇入区，为Wardrop模型提供了微观解释。该框架允许分析去中心化的车辆交互以及网联自动驾驶车辆（CAVs）之间利他行为的涌现。仿真结果与宏观预测非常吻合，突显了适应率、异质性利他行为和不完美信息对系统性能的影响。
-
AI框架优化城市车辆通信网络
研究人员开发了一个AI驱动的框架，使用图神经网络（GNN）来优化智能城市NR-V2X网络中的实时多跳中继选择。该方法将车辆网络建模为图，并使用混合整数线性规划（MILP）的最优中继决策进行训练。实验表明，基于GNN的方法实现了接近最优的连接性，提高了11.3%，同时与MILP相比显著缩短了执行时间。
-
新框架利用人工智能模拟认知智能货运走廊
研究人员开发了一个新的基于代理的建模框架，该框架集成了强化学习和多智能体强化学习来模拟认知智能货运走廊。该框架旨在通过实现车队编队和充电协调的自适应决策来改进联网和自动驾驶汽车（CAVs）的部署。初步结果表明，认知场景提高了吞吐量并减少了拥堵，而辅助场景通过车队编队节省了能源，并且与基于规则的方法相比，MARL协调在充电容量利用率方面更有效。
-
基于GNN的多智能体强化学习框架将交通波减少80%
研究人员开发了一种新的去中心化多智能体强化学习（MARL）框架，该框架利用图神经网络（GNN）来管理交通波。这种方法允许联网和自动驾驶汽车（CAVs）仅使用本地信息和与附近车辆的交互来学习协作控制策略，使其在早期车联网（VANETs）中具有实用性。模拟表明，即使只有10%的车辆联网，这种基于GNN的MARL系统也能将交通波传播减少高达80%。
-
新型AI模型提升联网车辆的合作编队效率
研究人员开发了一种新的多智能体深度强化学习模型，以改善混合交通环境中联网和自动驾驶汽车（CAVs）的合作编队。该模型集成了QMIX和CNN-QMIX框架，旨在处理数量不定的CAVs和人类驾驶车辆，从而优化车道变换决策。在微观模拟环境中的评估表明，与传统的基于规则的模型相比，该方法可将合作编队率显著提高高达26.2%，尤其是在CAV部署的早期阶段。
-
AI驱动的GNN优化城市V2X中继选择
研究人员开发了一个新的框架，使用图神经网络（GNN）来改进城市环境中NR-V2X通信的实时中继选择。该方法将车辆通信状态建模为属性图，与传统的混合整数线性规划（MILP）相比，能够更快地做出决策。实验表明，基于GNN的方法在连接性方面可与MILP相媲美，同时显著缩短了执行时间，使其适用于智慧城市的规模化、实时NR-V2X运行。
-
自动驾驶汽车路由策略的效率分析
一篇新论文探讨了自动驾驶汽车（CAVs）车队背景下的市场效率，并提出了随机路由策略。研究表明，当人类驾驶员对CAVs持有不同态度时，由CAVs随机路由导致的人类驾驶车辆不可预测的出行时间，可能比系统最优或用户均衡路由更有效。作者建议在市场份额目标的基础上增加全系统平均出行时间，以鼓励合作和社会福利。
-
扩散模型规划无信号交叉口的交通
研究人员开发了DSIP，一个新颖的自主体运动规划框架，它利用生成式扩散过程来管理无信号交叉口的交通。这种方法将传统的定时交通信号灯转变为多辆车的连续轨迹优化。使用SUMO平台进行的评估表明，DSIP显著减少了平均延误并提高了平均速度，尤其是在中高交通密度下，其性能优于固定时间信号灯和现有的强化学习控制器。