MV-STGHAT: Multi-View Spatial-Temporal Graph Hybrid Attention Network for Decision-Making of Connected and Autonomous Vehicles
Notice bibliographique
Résumé
Cooperative decision-making technology for connected and autonomous vehicles (CAVs) plays a crucial role in the advancement of autonomous driving. Recently, graph reinforcement learning (GRL)-based methods have shown impressive results in addressing decision-making challenges by utilizing graph-based technologies. However, existing GRL research still faces difficulties in fully modeling mixed traffic scenarios and effectively generating driving feature embeddings. To address these issues, a multi-view spatial-temporal graph hybrid attention network (MV-STGHAT) is proposed to improve the feature extraction ability of the neural network model in the GRL-based framework, thereby improving the decision-making performance of CAVs. Initially, a method for constructing a multi-view spatial-temporal graph is introduced to effectively represent the interactions amongst vehicles. Then, an MV-STGHAT model is proposed, which integrates a dynamic gated graph attention network (DG-GAT) and channel attention temporal convolutional network (TCN) to efficiently generate the informative feature embedding. Furthermore, the double deep Q-learning (DDQN) algorithm is employed to train the proposed MV-STGHAT model. Finally, extensive experiments are conducted across three representative traffic scenarios to validate the proposed approach. Results show that our proposed method achieves zero collision and outperforms the baselines in multiple critical evaluation metrics, with improvements of up to 55.61% in overall reward, 33.68% in average speed, 33.49% in traveling efficiency, and 88.48% in model stability.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».