CARL: Congestion-Aware Reinforcement Learning for Imitation-based Perturbations in Mixed Traffic Control

要約

人間が運転する車両 (HV) は、複雑かつ多様な動作を示します。
このような動作を正確にモデル化することは、ロボット車両 (RV) をシミュレーションで検証し、混合交通制御の可能性を実現するために非常に重要です。
ただし、パラメーター化されたモデルやデータ駆動型手法などの既存のアプローチは、複雑さと多様性を完全に捉えるのに苦労しています。
これに対処するために、この研究では、近接車追従のための模倣学習と、より大きな車間距離のための確率的サンプリングを組み合わせたハイブリッド アプローチである CARL を導入します。
また、RL ベースの RV の 2 つのクラスも提案します。安全性の最大化に焦点を当てた安全性 RV と、効率の最大化に焦点を当てた効率性 RV です。
私たちの実験によると、安全性 RV は衝突までの時間を重要な 4 秒のしきい値を超えて増加させ、衝突を回避するための減速率を最大 80% 減少させますが、効率性 RV はスループットで最大 49% の改善を達成します。
これらの結果は、混合交通における安全性と効率性の両方を向上させる CARL の有効性を示しています。

要約(オリジナル)

Human-driven vehicles (HVs) exhibit complex and diverse behaviors. Accurately modeling such behavior is crucial for validating Robot Vehicles (RVs) in simulation and realizing the potential of mixed traffic control. However, existing approaches like parameterized models and data-driven techniques struggle to capture the full complexity and diversity. To address this, in this work, we introduce CARL, a hybrid approach that combines imitation learning for close proximity car-following and probabilistic sampling for larger headways. We also propose two classes of RL-based RVs: a safety RV focused on maximizing safety and an efficiency RV focused on maximizing efficiency. Our experiments show that the safety RV increases Time-to-Collision above the critical 4-second threshold and reduces Deceleration Rate to Avoid a Crash by up to 80%, while the efficiency RV achieves improvements in throughput of up to 49%. These results demonstrate the effectiveness of CARL in enhancing both safety and efficiency in mixed traffic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google