Adaptive Road Configurations for Improved Autonomous Vehicle-Pedestrian Interactions using Reinforcement Learning

要約

自動運転車 (AV) の導入は、将来の都市道路インフラの設計と管理に大きな課題とユニークな機会をもたらします。
この破壊的な変化に照らして、道路空間の優先権 (ROW) 構成は更新される可能性があります。
この問題に対処するための設計アプローチとインテリジェントな制御モデルが提案されていますが、リアルタイムの需要に応じて AV と歩行者の ROW 計画を動的に生成できる運用フレームワークがありません。
微視的なトラフィック シミュレーションに基づいて、この研究では、ROW 構成を進化させるための強化学習 (RL) メソッドを調査します。
集中型パラダイムと分散学習パラダイムを実装して、いくつかの道路ネットワーク構成で動的制御を個別に実行します。
実験結果は、アルゴリズムが交通の流れの効率を改善し、歩行者により多くのスペースを割り当てる可能性があることを示しています。
さらに、分散学習アルゴリズムは、計算コスト (49.55\%)、ベンチマーク報酬 (25.35\%)、最高の累積報酬 (24.58\%)、最適アクション (13.49\%)、および収束率に関して、集中型の対応するアルゴリズムよりも優れています。
この新しい道路管理技術は、AV 時代の流れに適応し、アクティブなモビリティに優しい道路に潜在的に貢献する可能性があります。

要約(オリジナル)

The deployment of Autonomous Vehicles (AVs) poses considerable challenges and unique opportunities for the design and management of future urban road infrastructure. In light of this disruptive transformation, the Right-Of-Way (ROW) composition of road space has the potential to be renewed. Design approaches and intelligent control models have been proposed to address this problem, but we lack an operational framework that can dynamically generate ROW plans for AVs and pedestrians in response to real-time demand. Based on microscopic traffic simulation, this study explores Reinforcement Learning (RL) methods for evolving ROW compositions. We implement a centralised paradigm and a distributive learning paradigm to separately perform the dynamic control on several road network configurations. Experimental results indicate that the algorithms have the potential to improve traffic flow efficiency and allocate more space for pedestrians. Furthermore, the distributive learning algorithm outperforms its centralised counterpart regarding computational cost (49.55\%), benchmark rewards (25.35\%), best cumulative rewards (24.58\%), optimal actions (13.49\%) and rate of convergence. This novel road management technique could potentially contribute to the flow-adaptive and active mobility-friendly streets in the AVs era.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google