Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Deep reinforcement-learning-based driving policy for autonomous road vehicles

Makantasis Konstantinos, Kontorinaki Maria, Nikolos Ioannis

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/69488AA7-A216-4C80-97E5-0C90B45B04D4-
Αναγνωριστικόhttps://doi.org/10.1049/iet-its.2019.0249-
Αναγνωριστικόhttps://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-its.2019.0249-
Γλώσσαen-
Μέγεθος12 pagesen
ΤίτλοςDeep reinforcement-learning-based driving policy for autonomous road vehiclesen
ΔημιουργόςMakantasis Konstantinosen
ΔημιουργόςΜακαντασης Κωνσταντινοςel
ΔημιουργόςKontorinaki Mariaen
ΔημιουργόςΚοντορινακη Μαριαel
ΔημιουργόςNikolos Ioannisen
ΔημιουργόςΝικολος Ιωαννηςel
ΕκδότηςInstitution of Engineering and Technology (IET)en
ΠερίληψηIn 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
ΤύποςPeer-Reviewed Journal Publicationen
ΤύποςΔημοσίευση σε Περιοδικό με Κριτέςel
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2021-10-12-
Ημερομηνία Δημοσίευσης2020-
Θεματική ΚατηγορίαOptimal controlen
Θεματική ΚατηγορίαPath planningen
Θεματική ΚατηγορίαTraffic engineering computingen
Θεματική ΚατηγορίαRoad vehiclesen
Θεματική ΚατηγορίαLearning (artificial intelligence)en
Θεματική ΚατηγορίαRoad trafficen
Θεματική ΚατηγορίαDynamic programmingen
Θεματική ΚατηγορίαDriver information systemsen
Θεματική ΚατηγορίαAutonomous road vehiclesen
Θεματική ΚατηγορίαAutonomous vehicleen
Θεματική ΚατηγορίαOptimal control methodsen
Θεματική ΚατηγορίαSystem dynamicsen
Θεματική ΚατηγορίαDriving policyen
Θεματική ΚατηγορίαDriving scenariosen
Θεματική ΚατηγορίαAutonomous driving vehiclesen
Θεματική ΚατηγορίαManual driving vehiclesen
Θεματική ΚατηγορίαMixed driving environmentsen
Θεματική ΚατηγορίαDerived reinforcement learning policyen
Θεματική ΚατηγορίαOptimal policyen
Θεματική ΚατηγορίαAutonomous vehiclesen
Θεματική ΚατηγορίαDeep reinforcement-learning-baseden
Βιβλιογραφική ΑναφοράK. 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.2019.0249en

Υπηρεσίες

Στατιστικά