Heute habe ich das Vergnügen, Ihnen die erste Forschungsarbeit vorzustellen, an der ich seit Beginn meiner Tätigkeit als Postdoc in Oldenburg als Hauptautor beteiligt bin: „Increasing the Safety of Adaptive Cruise Control using Physics-guided Reinforcement Learning„, die heute im Energies Journal, Sonderausgabe „Advances in Automated Driving Systems„, angenommen wurde.
An diesem Forschungsartikel, der Teil der KI Wissen Publikationen ist, habe ich in den letzten Monaten gemeinsam mit meinen OFFIS Arbeitskollegen Dominik Grundt, Tino Werner, Philipp Borchers, Karina Rothemann und Eike Möhlmann gearbeitet.
Zusammenfassung: In diesem Forschungsartikel wird ein neuartiger Ansatz zur Verbesserung der Sicherheit von Fahrzeugen mit adaptiver Geschwindigkeitsregelung (ACC) vorgestellt, bei dem maschinelles Lernen (ML) und physikalisches Wissen genutzt werden. Genauer gesagt trainieren wir einen Soft Actor-Critic (SAC) Reinforcement Learning (RL) Algorithmus, der physikalisches Wissen wie den Stauvermeidungsabstand nutzt, um den idealen Längsabstand zwischen dem Ego- und dem führenden Fahrzeug automatisch anzupassen, was zu einer sichereren Lösung führt. In unserem Anwendungsfall zeigen die experimentellen Ergebnisse, dass der physikgeleitete (PG) RL-Ansatz im Vergleich zu einem reinen RL-Ansatz bei jedem gewählten Verzögerungsniveau und jeder Flottengröße besser ist, um Unfälle zu vermeiden. Dies beweist, dass ein physikinformierter ML-Ansatz zuverlässiger ist, wenn es um die Entwicklung sicherer und effizienter Komponenten der Künstlichen Intelligenz (KI) in autonomen Fahrzeugen (AVs) geht.
Sie können den Forschungsartikel Increasing the Safety of Adaptive Cruise Control using Physics-guided Reinforcement Learning hier lesen.
Neueste Kommentare