Resumen: En entornos de tráfico mixto, los vehículos autónomos deben adaptarse a los vehículos controlados por humanos y otras situaciones de conducción inusuales. Este entorno se puede enmarcar como un entorno de aprendizaje de refuerzo de múltiples agentes (MARL) con una recompensa cooperativa completa entre los vehículos autónomos. Si bien los métodos como la optimización de políticas proximales de múltiples agentes pueden ser efectivos en la capacitación de tareas de margas, a menudo no resuelven el conflicto local entre los agentes y no pueden generalizar a eventos estocásticos. En este documento, proponemos un módulo de atención del estado local para ayudar a la representación del estado de entrada. Al confiar en el operador de autoatención, se espera que el módulo comprime la información esencial de los agentes cercanos para resolver el conflicto en situaciones de tráfico. Utilizando un escenario de fusión de carreteras simuladas con el vehículo prioritario como evento inesperado, nuestro enfoque puede priorizar la información de otros vehículos para administrar el proceso de fusión. Los resultados demuestran mejoras significativas en la fusión de la eficiencia en comparación con las líneas de base populares, especialmente en la configuración de tráfico de alta densidad.
Publicado Originalme en rss.arxiv.org El 15 de junio de 2025.
Ver Fuente Original
