Queue-based Eco-Driving at Roundabouts with Reinforcement Learning

要約

都市部の交通の流れと交通効率を向上させるために、混合交通のラウンドアバウトでのエコドライブに取り組みます。
その目的は、自動運転または非自動運転のコネクテッド ビークル (CV) の速度を積極的に最適化し、効率的な進入とロータリーへのスムーズな進入の両方を保証することです。
前方の車両や待機列など、前方の交通状況を考慮します。
さらに、ルールベースと強化学習 (RL) ベースのエコ運転システムの 2 つのアプローチを開発し、どちらも速度の最適化のためにアプローチ リンクと競合する CV からの情報を使用します。
従来の最適化に代わる実行可能な代替手段としての RL を探るため、ルールベースのアプローチと RL ベースのアプローチの公正な比較が実行されます。
結果は、両方のアプローチがベースラインを上回るパフォーマンスを示していることを示しています。
トラフィック量が増加するにつれて改善は大幅に増加し、大量のトラフィックで平均して最高の結果が得られます。
容量が近づくとパフォーマンスが低下し、容量の限界では適用が制限されることがわかります。
さまざまな CV 浸透率を調べると、パフォーマンスの低下が観察されますが、より低い CV 率でも実質的な結果が達成されています。
RL エージェントは、動的なラウンドアバウト設定で速度を最適化するための効果的なポリシーを発見できますが、特にトラフィック量が多い場合や CV 普及率が低い場合には、従来のアプローチに比べて大きな利点はありません。

要約(オリジナル)

We address eco-driving at roundabouts in mixed traffic to enhance traffic flow and traffic efficiency in urban areas. The aim is to proactively optimize speed of automated or non-automated connected vehicles (CVs), ensuring both an efficient approach and smooth entry into roundabouts. We incorporate the traffic situation ahead, i.e. preceding vehicles and waiting queues. Further, we develop two approaches: a rule-based and an Reinforcement Learning (RL) based eco-driving system, with both using the approach link and information from conflicting CVs for speed optimization. A fair comparison of rule-based and RL-based approaches is performed to explore RL as a viable alternative to classical optimization. Results show that both approaches outperform the baseline. Improvements significantly increase with growing traffic volumes, leading to best results on average being obtained at high volumes. Near capacity, performance deteriorates, indicating limited applicability at capacity limits. Examining different CV penetration rates, a decline in performance is observed, but with substantial results still being achieved at lower CV rates. RL agents can discover effective policies for speed optimization in dynamic roundabout settings, but they do not offer a substantial advantage over classical approaches, especially at higher traffic volumes or lower CV penetration rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google