Dynamic Multiobjective Optimization of Lane‐Changing Trajectories Based on Reinforcement Learning
Notice bibliographique
Résumé
To enhance the rationality of lane‐changing decisions and the adaptability of trajectory planning, this study incorporates short‐term driving styles to construct a multiobjective optimized lane‐changing trajectory planning model based on naturalistic driving data. First, lane‐changing behavior rules were defined to extract lane‐changing and lane‐keeping data. Essential factors influencing lane‐changing behavior were identified using the eXtreme Gradient Boosting (XGBoost) model. Based on the essential factors, drivers were classified into three categories (conservative, moderate, and aggressive) using Density‐Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm, which revealed the behavioral difference during lane‐changing. Subsequently, an attention‐enhanced long short‐term memory (LSTM) network was employed to predict surrounding vehicle trajectories, generating dynamically updated environmental parameters. Further considering comfort and safety benefits during lane‐changing, a multiobjective trajectory planning model was developed. Reinforcement learning algorithms iteratively optimized the trajectories to derive the optimal trajectory. Finally, the behavioral characteristics of planned trajectories for the three categories of drivers and the deviations between planned and actual trajectories were compared. Results indicate that planned trajectories exhibit shorter lane‐changing length and higher efficiency compared with actual trajectories. Planned trajectory can smooth microlevel behavior and improve safety and comfort during lane‐changing. For different types of drivers, conservative drivers show the longest lane‐changing length but smallest headway space distances, which reflects drivers’ caution during lane‐changing. Aggressive drivers mostly focus on speed improvement. The findings can be applied to vehicle trajectory planning in connected environments, which can enhance the lane‐changing efficiency while ensuing safety.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 ».