Modellierung von Konflikten zwischen motorisierten und nicht motorisierten Fahrzeugen mithilfe eines Multiagenten-Inversen Verstärkungslernansatzes

Mikrosimulationsmodelle sind effektiv zur Analyse des Interaktionsverhaltens von Straßenbenutzern und zur Bewertung der Leistung verschiedener Einrichtungen. Dennoch haben nur wenige Studien Simulationsmodelle entwickelt, um Konflikte zwischen motorisierten und nicht motorisierten Fahrzeugen zu untersuchen. Dies ist wahrscheinlich auf die Komplexität und Heterogenität des Mischverkehrs sowie auf die Schwierigkeit zurückzuführen, die Ausweichmanöver der Straßenbenutzer genau zu erfassen. Diese Studie zielt darauf ab, ein Multiagentensimulationsmodell zu verwenden, um das mikroskopische Verhalten der Straßenbenutzer und die Mechanismen der Kollisionvermeidung in Verkehrskonfliktszenarien zu reproduzieren. Die Belohnungsfunktionen der Straßenbenutzer werden durch den Multiagenten-Inversen Verstärkungslernansatz wiederhergestellt. Der Multiagenten Actor-Critic Deep-Learning-Algorithmus wird verwendet, um die ausweichenden Aktionen der Straßenbenutzer vorherzusagen und deren optimale Richtlinien zu bewerten. Die Ergebnisse zeigen, dass das Multiagentensimulationsmodell hochgenaue Vorhersagen über die Trajektorien der Straßenbenutzer und deren Strategien zur Kollisionvermeidung liefert. Darüber hinaus zeigen die Ergebnisse eine starke Korrelation zwischen dem vorhergesagten Verkehrs Konfliktindikator aus den simulierten Trajektorien und dem aus den tatsächlichen Trajektorien.