Reinforcement Learning for Reducing Congestion in Mixed Autonomy Highways
Notice bibliographique
Résumé
Highway traffic dynamics are extremely complicated, due to the erratic behaviour of human drivers.Overreacting to avoid collisions, often by suddenly decelerating, causes waves of cars behind a driver to also slow down or stop, resulting in an emergent traffic jam.This results in many cars on the road travelling at a speed much lower than the theoretical maximum average speed of the road, and these delays create a significant cost to the economy.Inefficient driving behaviours have led to the increased interest in Autonomous Vehicles (AVs).There has also been a large amount of research on applying Machine Learning, and specifically Reinforcement Learning (RL), by using large amounts of data collected from the road, to ensure that individual AVs remain collision-free and more fuel efficient, and to maximize flow on roads that exclusively contain AVs.However, very little research has been done on mixed autonomy roads, especially in terms of improving traffic flow with AVs that are coordinated, but trained using their local observations of the road.This thesis focuses on assessing the impact of AVs on improving traffic flow in mixed autonomy collision-free highways.Roads were simulated using micro-traffic models, with adjustments designed to simulate a future world in which Automatic Braking Systems will be good enough to completely prevent rear-end and lane-change collisions on highways.We combined Deep Neural Networks with Reinforcement Learning (Deep Q Networks) to model the AVs, and this approach was tested on single and double lane highways.Among many other salient issues, our results show that replacing only 5% of human-drivers with AVs can, remarkably, improve average road speeds by up to 10% on single lane roads, up to 24% on double lane roads, and also significantly reduce the percentage of fully-stopped cars on average, for most situations.Furthermore, these trends, for the most part, continue to amplify as higher percentages of the human drivers are replaced with AVs.iii B.10 The dynamics-graph for the 3 lane (left) and 4 lane (right) proportional density change experiments. . . . . . . . . .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».