Reducing collision counts at intersections using reinforcement learning-based adaptive speed control

Kaito Kumagae

doi:10.1007/s10015-025-01071-9

Reducing collision counts at intersections using reinforcement learning-based adaptive speed control

2025-10-01

0

PRE

AI

DOI：10.1007/s10015-025-01071-9

原文链接

原文求助

摘要

En 中文

近年来，利用强化学习进行自动驾驶车辆协同控制的研究已引起关注。采用交通信号灯的传统交叉口控制面临灵活响应变化交通条件的挑战，使得平衡安全改善和交通流优化变得困难。本研究提出了一种能够动态调整无信号交叉口车辆入口速度的交叉口代理，并探索了一种通过强化学习获取控制策略的方法。在所提出的方法中，交叉口代理观察各入口方向的车辆数量，并对各方向的车辆实施连续速度限制，从而实现能够响应拥堵状况和碰撞风险的控制。研究使用了近端策略优化（PPO）深度强化学习算法来学习控制策略。仿真评估结果所示，与Matsuda等人的方法（Kishi et al. in 27:513-520, 2022）相比，所提出方法的平均通过车辆数为496.4辆，而传统方法为488.6辆，证实了控制效率的维持。此外，所提出方法在交叉口内的平均碰撞次数为9.8次，而传统方法为31.3次，实现了显著减少。在四路交叉口场景下，所提出方法实现了平均车辆通行量218.6辆，记录了3.3次碰撞，而基线方法分别为181.3辆和11.0次。这表示通行量提高了20.6%，碰撞次数减少了70%，表明在交通效率和安全性方面均取得了显著改善。所提出的方法学习了一种自适应控制策略，该策略在交通状况稳定时不施加速度限制，但在拥堵或高碰撞风险情况下仅暂时加强限制，显示出同时优化交通流和改善安全的潜力。

Keyword:

Intersection control

Reward design

Autonomous driving

Reinforcement learning

Multi-agent learning

Reducing collision counts at intersections using reinforcement learning-based adaptive speed control

摘要

期刊

机构

引用论文