यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह पत्र कनेक्टेड और स्वचालित वाहनों (CAV) के बहु-वाहन सहकारी ड्राइविंग में पार्श्व और अनुदैर्ध्य सहयोगी निर्णय लेने की समस्याओं को हल करने के लिए एक सीमित क्षितिज और समय छूट सेटिंग के साथ एक मल्टी-एजेंट मार्कोव गेम के लिए समानांतर अपडेट के साथ एक मोंटे कार्लो ट्री सर्च (MCTS) विधि का प्रस्ताव करता है। आंशिक रूप से स्थिर-अवस्था वाले ट्रैफ़िक प्रवाह के तहत बहु-वाहन सहयोगी कार्रवाई स्थान में समानांतर व्यवहारों का विश्लेषण करके, समानांतर अपडेट विधि संभावित रूप से जोखिम भरे कार्यों को जल्दी से बाहर करके खोज की चौड़ाई का त्याग किए बिना खोज की गहराई को बढ़ाती है। प्रस्तावित विधि का परीक्षण कई यादृच्छिक रूप से उत्पन्न ट्रैफ़िक प्रवाहों पर किया गया है, और प्रायोगिक परिणाम उत्कृष्ट मजबूती प्रदर्शित करते हैं और अत्याधुनिक सुदृढीकरण सीखने के एल्गोरिदम और हेयुरिस्टिक विधियों से बेहतर प्रदर्शन करते हैं।
Takeaways, Limitations
•
Takeaways:
◦
हम एक MCTS-आधारित समानांतर अद्यतन विधि प्रस्तुत करते हैं जो सीमित क्षितिज और समय छूट सेटिंग्स वाले बहु-एजेंट मार्कोव गेम के लिए प्रभावी है।
◦
मौजूदा सुदृढीकरण सीखने के एल्गोरिदम और अनुमानी तरीकों की तुलना में बेहतर प्रदर्शन और मजबूती का प्रदर्शन किया।
◦
तर्कसंगत वाहन चालन रणनीतियों को प्रस्तुत करना जो मानव चालकों से बेहतर हों तथा यातायात दक्षता और सुरक्षा में सुधार करें।
•
Limitations:
◦
वास्तविक सड़क परिवेश में प्रस्तावित एल्गोरिथम के अनुप्रयोग के सत्यापन का अभाव।
◦
विभिन्न यातायात स्थितियों और जटिल सड़क वातावरण के लिए सामान्यीकरण प्रदर्शन का सत्यापन आवश्यक है।
◦
एल्गोरिथम की कम्प्यूटेशनल जटिलता और वास्तविक समय प्रसंस्करण क्षमता पर आगे अनुसंधान की आवश्यकता है।
