XiaoMi-AI文件搜索系统
World File Search SystemV2I
使用DRL和V2I
背景：交叉点是我们道路上的关键点，经常成为拥塞和事故的热点。目标：通过DRL和V2I的整合，该计划旨在改善交通流通，减少交通拥堵并提高城市地区的运输效率。方法：该倡议在将车辆到基础结构（V2I）与深度强化学习（DRL）合并以改变城市运输，重点关注交叉路口管理方面。统计分析：传统方法，例如静态标志和交通信号灯，通常不足，因为它们更多地关注整个交通流量，而不是单个车辆的特定行为。为了解决这个问题，我们正在引入一种新的策略，该战略采用了深入的强化学习（DRL）来更好地管理车辆在交叉口的转弯。发现：一种优化的DRL算法，可增强安全性，最大程度地减少拥塞，减少未信号交叉点的等待时间。应用和改进：拟议的交叉路口管理系统可以适应各种交叉路口布局（例如T-界面，回旋处）和多元化的交通参与者（例如，公共汽车，自行车，自行车，行人）。此外，与既定的交通管理基础架构（如交通信号灯或坡道仪表）的集成可以提高城市或区域层面的整体交通效率和流动优化。
增强了对障碍物交叉路口自动驾驶汽车的看法：实施基础设施（V2I）协作
摘要：在城市交叉点中，自动驾驶汽车（AV）的感觉能力通常受到视觉障碍的阻碍，对其稳健且安全的操作构成了重大挑战。本文介绍了一项实施研究，旨在在城市交叉点被遮挡的情况下，在情况下增强连接的自动化车辆（CAVS）的安全性和鲁棒性。为路边传感建立了一种新颖的LIDAR基础设施系统，并结合Baidu Apollo的自动驾驶系统（ADS）和Cohda Wireless V2X通信硬件，并建立了一个集成平台，以增强自主驱动的路边知觉。现场测试是在新加坡Cetran（自动驾驶汽车测试和研究卓越中心 - NTU）自动驾驶测试轨道上进行的，并遵守SAE J2735 V2X通信标准。沟通延迟和数据包输送率分析为评估指标。测试结果表明，该系统可以帮助CAV在城市阻塞的情况下提前检测障碍。
提高 V2I 辅助自动驾驶的燃油经济性：强化学习方法
摘要 — 提出了一种新颖的框架，借助车对基础设施 (V2I) 通信网络提高自动驾驶汽车 (AV) 的驾驶安全性和燃油经济性。驾驶轨迹设计问题旨在最小化总燃料消耗，同时提高驾驶安全性（通过遵守交通规则和避开障碍物）。为了解决这个相关问题，提出了一种深度强化学习 (DRL) 方法来做出无碰撞决策。首先，提出了一种深度 Q 网络 (DQN) 辅助算法，通过从基站 (BS) 接收实时交通信息来确定 AV 的轨迹和速度。更具体地说，AV 充当代理，通过与环境交互来执行最佳动作，例如变道和变速。其次，为了克服 Q 学习模型对动作值的过高估计，提出了一种双深度 Q 网络 (DDQN) 算法，将最大 Q 值操作分解为动作选择和动作评估。此外，还提出了三种实用的驾驶策略作为基准。数值结果证明，所提出的轨迹设计算法能够提高 AV 的驾驶安全性和燃油经济性。我们证明了所提出的基于 DDQN 的算法优于基于 DQN 的算法。此外，还证明了从 DRL 算法衍生而来的基于燃油经济性 (FE) 的驾驶策略能够比基准节省超过 24% 的燃油。