EnduRL: Enhancing Safety, Stability, and Efficiency of Mixed Traffic Under Real-World Perturbations Via Reinforcement Learning

要約

人間が運転する車両 (HV) は、自然に発生する交通の混乱を増幅させ、渋滞を引き起こします。これが、燃料消費量の増加、衝突リスクの増大、道路利用率の低下の主な原因となります。
これまでの研究では、ロボット車両（RV）を活用してこれらの問題を軽減できることが実証されていますが、そのような研究のほとんどは、人間の車追従行動の単純化されたモデルを使用したシミュレーションに依存しています。
この作業では、現実世界の運転軌跡を分析し、幅広い加速度プロファイルを抽出します。
次に、これらのプロファイルをシミュレーションに組み込み、RV をトレーニングして渋滞を緩和します。
私たちは、さまざまなトラフィック密度、構成、RV 普及率の 2 つの混合トラフィック環境 (リングとボトルネック) で実施される包括的な実験を通じて、混合トラフィックの安全性、効率、安定性を評価します。
結果は、現実世界の摂動の下では、以前の RV コントローラーは 3 つの目標すべてでパフォーマンスの低下を経験していることを示しています (場合によっては 100% HV よりも低い場合もあります)。
これに対処するために、混雑段階分類器を使用して混合トラフィックの安全性、効率性、安定性を最適化する強化学習ベースの RV を導入します。
当社の RV は、安全性が最大 66%、効率が最大 54%、安定性が最大 97% という大幅な改善を示しています。

要約(オリジナル)

Human-driven vehicles (HVs) amplify naturally occurring perturbations in traffic, leading to congestion–a major contributor to increased fuel consumption, higher collision risks, and reduced road capacity utilization. While previous research demonstrates that Robot Vehicles (RVs) can be leveraged to mitigate these issues, most such studies rely on simulations with simplistic models of human car-following behaviors. In this work, we analyze real-world driving trajectories and extract a wide range of acceleration profiles. We then incorporates these profiles into simulations for training RVs to mitigate congestion. We evaluate the safety, efficiency, and stability of mixed traffic via comprehensive experiments conducted in two mixed traffic environments (Ring and Bottleneck) at various traffic densities, configurations, and RV penetration rates. The results show that under real-world perturbations, prior RV controllers experience performance degradation on all three objectives (sometimes even lower than 100% HVs). To address this, we introduce a reinforcement learning based RV that employs a congestion stage classifier to optimize the safety, efficiency, and stability of mixed traffic. Our RVs demonstrate significant improvements: safety by up to 66%, efficiency by up to 54%, and stability by up to 97%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google