![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/69488AA7-A216-4C80-97E5-0C90B45B04D4 | - |
| Αναγνωριστικό | https://doi.org/10.1049/iet-its.2019.0249 | - |
| Αναγνωριστικό | https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-its.2019.0249 | - |
| Γλώσσα | en | - |
| Μέγεθος | 12 pages | en |
| Τίτλος | Deep reinforcement-learning-based driving policy for autonomous road vehicles | en |
| Δημιουργός | Makantasis Konstantinos | en |
| Δημιουργός | Μακαντασης Κωνσταντινος | el |
| Δημιουργός | Kontorinaki Maria | en |
| Δημιουργός | Κοντορινακη Μαρια | el |
| Δημιουργός | Nikolos Ioannis | en |
| Δημιουργός | Νικολος Ιωαννης | el |
| Εκδότης | Institution of Engineering and Technology (IET) | en |
| Περίληψη | In this work, the problem of path planning for an autonomous vehicle that moves on a freeway is considered. The most common approaches that are used to address this problem are based on optimal control methods, which make assumptions about the model of the environment and the system dynamics. On the contrary, this work proposes the development of a driving policy based on reinforcement learning. In this way, the proposed driving policy makes minimal or no assumptions about the environment, since a priori knowledge about the system dynamics is not required. Driving scenarios where the road is occupied both by autonomous and manual driving vehicles are considered. To the best of the authors’ knowledge, this is one of the first approaches that propose a reinforcement learning driving policy for mixed driving environments. The derived reinforcement learning policy, firstly, is compared against an optimal policy derived via dynamic programming, and, secondly, its efficiency is evaluated under realistic scenarios generated by the established SUMO microscopic traffic flow simulator. Finally, some initial results regarding the effect of autonomous vehicles’ behaviour on the overall traffic flow are presented. | en |
| Τύπος | Peer-Reviewed Journal Publication | en |
| Τύπος | Δημοσίευση σε Περιοδικό με Κριτές | el |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2021-10-12 | - |
| Ημερομηνία Δημοσίευσης | 2020 | - |
| Θεματική Κατηγορία | Optimal control | en |
| Θεματική Κατηγορία | Path planning | en |
| Θεματική Κατηγορία | Traffic engineering computing | en |
| Θεματική Κατηγορία | Road vehicles | en |
| Θεματική Κατηγορία | Learning (artificial intelligence) | en |
| Θεματική Κατηγορία | Road traffic | en |
| Θεματική Κατηγορία | Dynamic programming | en |
| Θεματική Κατηγορία | Driver information systems | en |
| Θεματική Κατηγορία | Autonomous road vehicles | en |
| Θεματική Κατηγορία | Autonomous vehicle | en |
| Θεματική Κατηγορία | Optimal control methods | en |
| Θεματική Κατηγορία | System dynamics | en |
| Θεματική Κατηγορία | Driving policy | en |
| Θεματική Κατηγορία | Driving scenarios | en |
| Θεματική Κατηγορία | Autonomous driving vehicles | en |
| Θεματική Κατηγορία | Manual driving vehicles | en |
| Θεματική Κατηγορία | Mixed driving environments | en |
| Θεματική Κατηγορία | Derived reinforcement learning policy | en |
| Θεματική Κατηγορία | Optimal policy | en |
| Θεματική Κατηγορία | Autonomous vehicles | en |
| Θεματική Κατηγορία | Deep reinforcement-learning-based | en |
| Βιβλιογραφική Αναφορά | K. Makantasis, M. Kontorinaki, and I. Nikolos, “Deep reinforcement‐learning‐based driving policy for autonomous road vehicles,” IET Intell. Transp. Syst., vol. 14, no. 1, pp. 13–24, Jan. 2020. doi: 10.1049/iet-its.2019.0249 | en |
Copyright © DIAS 2013
