Lane merging in autonomous vehicle urban driving using reinforcement learning models
Notice bibliographique
Résumé
Autonomous vehicle lane merging is a critical task in urban driving, requiring precise navigation through complex and dynamic traffic environments. Challenges such as roadworks, lane reductions, merging from gas stations, low-visibility conditions, and crowded highway on-ramps demand continuous improvements in autonomous driving systems. Effective navigation in these situations, particularly at multi-lane junctions, merging onto high-speed roads, avoiding obstacles, and managing emergency vehicle lanes, requires robust decision-making that can adapt to changing road conditions. This paper compares three popular reinforcement learning (RL) algorithms—Proximal Policy Optimization (PPO), Advantage Actor-Critic (A2C), and Deep Q-Learning (DQL)—to address these challenges. Our findings show that in environments with specific decision points, DQL excels in tasks like lane reduction and obstacle avoidance due to its value-based approach. The A2C model, as an actor-critic policy, is particularly effective in dynamic environments, enabling the optimization of urban traffic control and merging at roundabouts. PPO, known for its policy optimization capabilities, offers a robust solution by balancing safety, efficiency, and adaptability, particularly in complex situations such as high-speed merging and low-visibility conditions. The simulation results confirm that DQL, A2C, and PPO collectively enhance autonomous vehicle performance by improving navigation capabilities, increasing safety, and adapting more effectively to the complexities of urban traffic environments. This work contributes valuable insights into the application of RL for real-world autonomous driving, providing a detailed comparative evaluation that supports the selection of algorithms tailored to specific driving tasks.
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 | 0,001 | 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 ».