Nov, 2017

分布式多智能体 Q 学习智能交通信号灯控制

PDF
TL;DR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。
artificial intelligenceinternet-of-thingstraffic light controlmulti-agent q learningsmart city
发现论文，激发创造
  • 利用强化学习技术智能定时交通灯并实时处理监控摄像头图像的交通控制

    使用人工智能和强化学习方法，通过对监控摄像头图像的实时处理，结合 YOLOv9-C 模型进行车辆检测，以及在 OpenAI Gym 的城市环境模拟器中使用多因素强化学习和 DQN 彩虹算法，成功确定并应用交通信号灯的最佳时机。此外，与伊朗车辆图像进行转移学习和重新训练，使模型的准确性得到提高。研究结果表明，该方法在分析监控摄像头和寻找最佳时机的两个部分都具有较高的准确性，且优于先前研究。

    May, 2024

  • 强化学习的红绿灯控制

    本研究提出一种实时交通信号灯控制方法，使用深度 Q 学习，并结合奖励函数，考虑排队长度、延迟、旅行时间和吞吐量，通过根据当前交通状况动态决定相位变化。通过使用合成和实际交通流数据在中国杭州的一个路口进行验证，结果表明与传统的固定信号计划相比，该方法显著改善了车辆等待时间（57.1% 至 100%）、排队长度（40.9% 至 100%）和总行程时间（16.8% 至 68.0%）。

    Aug, 2023

  • 关于高速公路交通分布式决策的迁移学习与多智能体学习比较

    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

  • 城市道路交通网络中十字路口管理的市场化方法

    该论文提出了一种使用智能交通管理基础设施来管理未来城市道路网络的分布式机制，其中智能自主车辆通过软件代理操作以安全高效地穿过道路网络，并结合竞争性市场所得到的交通分配策略，构建了一个自上而下的管理机制。

    Jan, 2014

  • 智能交通系统中的交通灯深度强化学习控制

    本篇论文通过研究深度强化学习在交通灯控制问题中的应用，证明在格网路网中智能行驶的 “绿波” 策略自然而然地出现，并且优于传统方法，这为提高交通效率提供了途径。

    Feb, 2023

  • 城市交叉口智能交通信号控制的强化学习方法

    本文基于强化学习方法提出一种针对城市交叉口交通信号控制的新模型，采用神经网络作为 Q 函数的近似器进行复杂的信号控制，使用开放源代码的交通模拟器 SUMO 进行实验，结果表明该模型能够显著降低排队长度和等待时间，与基准方法相比具有更好的收敛性和泛化性能。

    May, 2019

  • 智能交通信号控制算法的比较研究

    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

  • 马尔可夫物联网模型中的交通学习和主动型无人机轨迹规划与数据上行

    通过学习的基于马尔可夫事件的新颖框架，利用无人机作为飞行基站，预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略，最终通过深度强化学习方法改进传输性能。

    Jan, 2024

  • 基于策略深度强化学习和智能路由的自主车辆交通管理

    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

  • 从数据到行动：探索基于人工智能和物联网的解决方案，实现城市的智能化

    智慧城市需要利用物联网和人工智能等先进技术，本研究引入了一个城市智能管理系统，通过数据驱动的方法来分析交通信息、能源消耗和城市维护问题，以提高安全性、节能和可持续性，该系统在阿维罗市的案例研究中证明了其有效性。

    Jun, 2023