Leveraging Multiagent Learning for Automated Vehicles Scheduling at Nonsignalized Intersections
Notice bibliographique
Résumé
Recent advancements of Vehicle-to-Everything (V2X) communication combined with artificial intelligence (AI) technologies have shown enormous potentials for improving traffic management efficiency and intelligence. To provide innovative and effective data-driven traffic management solution for the coming automated vehicle era, we present a vehicle-road collaboration-enabled nonsignalized intersection management architecture in this paper. First, by dividing the intersection zone into the central section (CS) and the waiting section (WS), a vehicle regulation scheme involved with communication and computation planes is developed for V2X-enabled nonsignalized intersection management. Specifically, in order to guarantee vehicle safety, the definition of no overlapping occupation time in CS and the fastest crossing time point (FCTP) algorithm are employed for vehicle collision avoidance. Second, considering the relative coordination between adjacent intersections, a multiagent-based deep reinforcement learning scheduling (MA-DRLS) algorithm is proposed to realize cooperative multiple intersection management. Through information exchange with different intersection agents, each agent can obtain an optimal scheduling strategy using independent deep reinforcement learning (DRL) network. The features of fixed Q-targets and experience replay are leveraged to improve the reliability of neural network during the training process. Finally, simulation performances in terms of intersection throughput and vehicle waiting time have been provided to validate the effectiveness and demonstrate the superiority of the proposed nonsignalized intersection management solution.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».