XiaoMi-AI文件搜索系统
World File Search System混合交通
Urban Freeway互换中连接的自动化和人类驱动的车辆混合交通：安全分析和登机假设
摘要：在高速公路上引入连接的自动化车辆（CAVS）提出了重大挑战，尤其是在与人类驱动车辆的互动中，影响交通流量和安全性。本研究采用交通微仿真和替代安全评估措施软件来研究Cav -Human驾驶员的相互作用，从而估计潜在的冲突。虽然先前的研究承认，与骑士共享道路时，人类驾驶员可以调整其行为，但尚未完全了解相关风险的根本原因和范围。该研究的重点是CAV的存在如何减少冲突，采用替代安全措施和现实世界中混合的交通数据，并评估意大利和美国在各种城市环境中的高速公路交换配置的安全性和性能。本研究提出了用于优化城市布局的工具，以最大程度地减少混合交通环境中的冲突。结果表明，添加辅助车道会增强安全性，尤其是用于骑士和后端碰撞。沿着互换坡道，在纵向冲突方面，独家的CAV流与人类驱动的行为相似，但是混合的交通流（由CAVS和人类驱动的车辆组成）可能会导致更多冲突。值得注意的是，当骑士在几乎相同的条件下跟随人类驱动的车辆时，会出现更多的冲突，强调CAV整合的复杂性以及仔细的安全措施和道路设计考虑因素的需求。
多代理强化学习用于混合交通中连接和自动驾驶汽车的合作车道
自主驾驶在过去二十年中引起了重大的研究兴趣，因为它提供了许多潜在的好处，包括释放驾驶员疲惫的驾驶和减轻交通拥堵等。尽管有前途的进展，但改变车道仍然是自动驾驶汽车（AV）的巨大挑战，尤其是在混合和动态的交通情况下。最近，在AVS中改变车道的决策，并表现出了令人鼓舞的结果，对增强学习（RL）进行了广泛的探索。然而，大多数研究都集中在单车设置上，并且在多个与人类驱动的车辆并存的背景下改变车道的情况已经受到了很少的关注。在本文中，我们在混合交通高速公路环境中制定了多个AV的改变道路的决策，作为一种多代理增强学习（MARL）问题，每个AV都会根据邻近的AVS和HDVS的动作做出改变车道的决策。具体来说，提出了一种新型的本地奖励设计和一个人共享方案，提出了多代理优势 - 批评者（MA2C）方法。尤其是多目标奖励功能