Cooperative Cruising: Reinforcement Learning based Time-Headway Control for Increased Traffic Efficiency

要約

コネクテッド自動運転車の普及は、運転効率を向上させ、交通渋滞を緩和する前例のない機会である。しかし、既存の研究では、現在の車両では一般的に利用できない接続性、知覚、制御機能を想定することなく、現実的な複数車線の高速道路シナリオを扱うことができない。本論文では、既存の接続性、知覚、制御能力に依存しながら、現実的な複数車線のシミュレーションシナリオにおいて、人間と同様の交通と比較して高速道路の交通効率を改善する初めての新しいAIシステムを提案する。本アプローチの中核となるのは、強化学習ベースのコントローラであり、リアルタイムの交通状況に基づいて、ボトルネック付近の自動運転車両に時間ヘッドウェイを動的に伝達する。これらの希望する時間ヘッドウェイは、アダプティブ・クルーズ・コントロール（ACC）システムが追従距離を調整するために使用される。(i)既存の交通予測技術と低帯域幅の車両間インフラ接続を統合し、(ii)安全認証されたACCシステムを活用し、(iii)異なる場所で独立して対処可能な局所的なボトルネックの課題を対象とすることで、多くの道路利用者にプラスの影響を与えることができる、実用的で安全かつスケーラブルなシステムを提案する。

要約(オリジナル)

The proliferation of Connected Automated Vehicles represents an unprecedented opportunity for improving driving efficiency and alleviating traffic congestion. However, existing research fails to address realistic multi-lane highway scenarios without assuming connectivity, perception, and control capabilities that are typically unavailable in current vehicles. This paper proposes a novel AI system that is the first to improve highway traffic efficiency compared with human-like traffic in realistic, simulated multi-lane scenarios, while relying on existing connectivity, perception, and control capabilities. At the core of our approach is a reinforcement learning based controller that dynamically communicates time-headways to automated vehicles near bottlenecks based on real-time traffic conditions. These desired time-headways are then used by Adaptive Cruise Control (ACC) systems to adjust their following distance. By (i) integrating existing traffic estimation technology and low-bandwidth vehicle-to-infrastructure connectivity, (ii) leveraging safety-certified ACC systems, and (iii) targeting localized bottleneck challenges that can be addressed independently in different locations, we propose a practical, safe, and scalable system that can positively impact numerous road users.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL