智能交通系统的深度强化学习:一项调查
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
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
本论文详细研究采用深度强化学习(RL)算法解决交通拥堵问题,并开发了一个开源框架以评估这些算法在不同的交通模拟环境下的表现。通过考虑一系列外生不确定因素,如需求激增、容量减少和传感器故障等。我们得出了深度强化学习算法在交通控制领域的关键见解,并提出了具体的设计以减轻这些考虑过的外生不确定因素对系统的影响。
Apr, 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
提出了一种交通信号控制系统,利用现代深度强化学习方法构建适应性交通信号控制器,通过对作为输入的交通密集信息进行 Q-learning 训练并使用经验回放,与一种单隐藏层神经网络通讯信号控制器相比,实现了平均累计延迟减少 82%,平均队列长度减少 66%,平均旅行时间减少 20%。
Nov, 2016
本篇研究检验了强化学习对于交通信号控制中的应用,探讨了其中的挑战与不确定性,提出了需要更多系统性思维的研究来解决这些挑战。
Jun, 2022
本文研究了在自动驾驶车辆领域中,传感器技术、通信、安全、人工智能、机器学习、路线规划等多方面的应用,重点阐述了一种基于深度强化学习的层次运动规划方法,并以车跟、车道保持、轨迹跟踪、融合和交通压力等不同场景的自动驾驶为例,总结了现有解决方案的优缺点并提出未来研究方向和挑战。
Jan, 2020
通过结合交通流理论和机器学习,我们提出了一种全面的数据驱动和免费模拟器的实现逼真交通信号控制框架 (D2TSC)。我们利用历史交通数据构建了一个奖励推断模型,通过粗粒度的交通数据来推断奖励信号,并进一步使用样本高效的离线 RL 方法,从真实世界交叉口的离线历史数据集中直接学习信号控制策略。通过广泛实验证明,我们的方法在传统方法和离线 RL 基准上取得了卓越的性能,并且具有更好的实际应用性。
Nov, 2023