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

本研究旨在探究强化学习算法在 PD-ITSC 中应用的可行性及其应对瞬态变化场景的效果，结果表明相较于基于值函数的算法，基于策略的算法对于应对瞬态环境变化更加有效。

Oct, 2019

本文提出了一种简化的车辆微观模拟方法，并使用深度强化学习优化了具有不同车辆组成的六个交通系统的控制策略，发现了类似于波浪消减、交通信号和匝道计量等的多种新行为，并分析了这些行为以获得可解释的控制策略。

Jul, 2022

提出了一个高学习效率、计算要求低的多目标、多智能体强化学习算法，适用于动态、分布式和嘈杂环境，通过稀疏和延迟奖励自动触发自适应的少样本学习，在智能交通系统中经过实证研究和与现有算法的比较，取得了更好的性能。

Mar, 2024

本文提出了一种使用信号衰减测量和机器学习算法进行交通流检测和车辆分类的基于射频的方法，实地测量结果证明了其约 99％的高分类成功率。

Jan, 2018

本文提出一个基于强化学习的框架，以最小化道路碰撞、最大化通信数据速率的目标，同时优化自动驾驶车辆的网络选择和驾驶策略。通过将问题转化为马尔可夫决策过程并基于深度 Q 学习来优化加速度、减速度、变道和车辆 - 基站分配等行为，实现了安全驾驶和以改进的连通性。

Aug, 2022

合作智能交通系统依赖一套车到车（V2X）应用来提高道路安全。本文提出了一种智能可扩展的混合车载通信架构，利用多种无线接入技术的性能满足这些应用的需求，并基于深度强化学习提出一种通信模式选择算法来最大化网络可靠性并限制资源消耗，通过车队编队场景的数值结果验证了混合车载通信架构相比静态车载选择策略和多准则决策选择算法可将数据包接收率提高 30％以及资源消耗方面冗余通信模式效率提高 20％。

Apr, 2024

通过基于 C-V2X 通信的路径规划，利用较低 AoI 值的 V2I 信息来减少道路估计误差，提高路径规划性能。

May, 2024

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

本文综述了以深度强化学习（RL）为基础的交通控制应用，并将现有工作按照应用类型、控制模型和研究算法进行分类总结。

May, 2020