本研究综述了作者团队的研究成果，讨论了城市流动性、智能交通系统、需求管理、人工智能和计算视觉等方面的综合性研究。

Mar, 2022

提出了一种基于深度强化学习的信号控制系统，该系统可以根据交通状况动态调整信号并使用重新路由技术平衡道路网络上的车辆，以帮助优化交通流的管理和减少拥堵。

Jun, 2022

智慧城市中的协议技术是一种构建分布式智能系统的新典范，通过自主软件代理人进行协商以代表其人类用户达成协议。本文关注未来智能道路基础设施的管理方法，即基于拍卖的道路交叉口，并分析了该方法存在的技术和法律问题，提出一系列需要解决的修改要求，以铺平未来实际应用的道路。

Jan, 2024

本文提出结合 AI 和 IoT 技术，通过使用分布式多智能体 Q 学习算法，考虑相邻交叉路口的交通信息和网络化与非网络化交通状态来优化智能交通灯控制系统，该解决方案可部署在现实操作场景中并且优于现有解决方案的车辆和行人排队长度、等待时间等关键性能指标。

Nov, 2017

提出了一个使用多智能体强化学习（MARL）的分布式方法来解决自主交叉口管理（AIM）中的问题，利用 3D 环视技术实现了无需中央控制器的精确导航，同时引入了优先情景回放策略以提高训练效果。实验证明该方法作为传统中央化 AIM 技术的创新替代方案，在 SMARTS 平台的虚拟环境中超越了各种度量指标的基准。

May, 2024

本文研究了一种通过马尔可夫决策过程和强化学习算法来优化交通信号控制的方法，使用模拟软件 SUMO 模拟了一个城市交叉口，讨论了循环调度器，反馈控制机制和深度 Q 网络等不同策略及其对交通流的影响，最终在班加罗尔的一个真实交叉口进行了测试验证。

Sep, 2021

本篇研究提出一种基于风险意识的智能路口系统，利用基于多智能体概率有约束随机最短路径问题和整数线性规划的方法解决了路口自动驾驶和人类驾驶的协调问题，并通过 CARLA 模拟器验证之后得出该方案可以提高决策效率高达 200％，同时可以适应可调整的风险阈值。

Oct, 2022

研究在 MIT 深度交通模拟中，针对分布式决策在混合智能交通中的影响，分别采用强化学习和多智能体学习等方法，并根据不同比例的 AI 驱动交通进行评估，分析了影响交通流的模式。

Oct, 2018

本文介绍了在德国阿沙芬堡一个公共城市交叉口设立的智能研究基础设施，它配备了可视传感器技术和数字孪生，在数据生成、评估新的高度自动化驾驶传感器系统、算法和使用真实、合成和增强数据的人工智能培训策略的研究中发挥着关键作用。

Jul, 2023

在实时自适应交通信号控制方面，提出了一种启发式调度算法，该算法采用了基于车道的模型，通过估算通过不同车道接近交叉口的所有车辆的到达时间，计算出最小化所有接近车辆产生的累积延迟的时间表，并应用状态空间、局部修剪和 A * 搜索等技术实现了实时调控，并且在模拟测试环境和实际现场测试中，由于启发式的有效性，该方法的运行性能优于较少表达的动态规划方法和以前基于 A * 的方法。

Oct, 2022