A Collective and Continuous Rule Learning Framework Towards Enhanced Driving Safety and Decision Transparency
Notice bibliographique
Résumé
Deep reinforcement learning (DRL)-based driving policies enable connected and autonomous vehicles (CAVs) to adapt to complex environments but lack guarantees of safety and decision transparency. For this reason, we propose a hybrid decision-making system that integrates DRL with a learnable, rule-based safety module, wherein the latter offers enhanced driving safety and decision transparency. However, as collision data is limited for a single CAV during the DRL learning process, it becomes necessary for CAVs to collectively learn such a rulebased safety module to accelerate the learning process. Given the potential for conflicting safety rules learned from different CAVs, we propose a two-stage collective rule learning framework for the safety module. In the first stage, the multi-access edge computing (MEC) network aggregates rules from CAVs based on occurrence frequency and generalization capability. In the second stage, CAVs compute rule weights based on local data satisfaction and violations, followed by the MEC network aggregating these weights. The aggregated weights resolve conflicting rules and help filter out insignificant rules to maintain a compact safety module. The safety module makes comprehensive decisions by aggregating all the weighted rules. Simulation results in the highway driving simulator demonstrate that the two-stage collective rule learning framework effectively aggregates learning outcomes from CAVs, and the proposed hybrid decision-making system further reduces collisions compared to the existing approach.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 ».