Deep Reinforcement Learning for Trajectory Control of Connected and Automated Vehicles at a Mixed-Traffic Intersection
Notice bibliographique
Résumé
Vehicle trajectory control has garnered significant interest due to the potential of connected and automated vehicles (CAVs) to enhance traffic efficiency and reduce accidents. Effective vehicle control is crucial for autonomous driving and has traditionally been addressed through motion control methods. In recent years, a growing focus has been on deep learning (DL), particularly deep reinforcement learning (DRL), to optimize CAV control. These advanced techniques enable CAVs to learn and adapt to their environment, further advancing autonomous driving capabilities. However, much research primarily focuses on simple and ideal scenarios involving fully CAV environments. Although there is research on mixed-traffic scenarios with both CAVs and human-driven vehicles (HDVs), it often neglects other road participants such as pedestrians and cyclists. Many studies on trajectory control focus on enhancing traffic efficiency and reducing vehicle emissions. However, it is equally essential to consider safety improvements in mixed-traffic environments. Addressing the aforementioned issues, this paper proposes a DRL-based trajectory control approach for CAVs at a mixed-traffic intersection involving CAVs, HDVs, and pedestrians. CAVs learn policies for various actions to reach their destinations. The acceleration of the CAVs is optimized using the deep deterministic policy gradient (DDPG) algorithm to maximize a reward function that accounts for safety, energy efficiency, and traffic efficiency. Our approach is tested using the Simulation of Urban Mobility (SUMO) platform to model realistic intersection dynamics. Results demonstrated that the proposed method significantly improved traffic efficiency and reduced fuel consumption, while notably decreasing both vehicle–vehicle and vehicle–pedestrian conflicts. This research highlights the importance of incorporating diverse road users into CAV control strategies and contributes to the development of safer, greener, and more inclusive traffic management solutions.
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 | 0,000 |
| Bibliométrie | 0,000 | 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 ».