本文介绍了一种新算法,通过分裂与合并的方法提高轨迹聚类效率,关注稳定性和计算效率。该算法改进了传统的DBSCAN,能够处理整体和子轨迹聚类,并实现线性时间复杂度。
本研究解决了“利用轨迹解释强化学习决策”论文的可重复性问题,验证了轨迹聚类与强化学习代理决策的关系,部分结论得到支持,强调需进一步研究以增强结果的可靠性。
该研究使用多智能体仿真解决道路用户模型问题,通过数据驱动方法获取不同类型的轨迹并训练模型。研究还提出了轨迹聚类方法,并通过测试环境进行了验证。
完成下面两步后,将自动完成登录并继续当前操作。