AAAINov, 2022

SafeLight：一种强化学习方法，用于实现无碰撞交通信号控制

PDF
TL;DR通过强化学习技术实现道路交通信号控制的自适应，并针对交通事故的发生率，提出了一种安全性增强的残差强化学习方法，实验表明该方法可以显著降低碰撞率并提高交通流动性。
traffic signal controladaptive traffic signal controlreinforcement learningroad safetycollision reduction
发现论文，激发创造
  • ADLight：一种使用增强数据的强化学习交通信号控制通用方法

    该研究提出了一种基于增强数据的强化学习方法来训练适用于不同结构的路口的通用模型，其中包括新的代理设计和数据增强方法，使得该模型的泛化性能更好，可以在 SUMO 交通模拟环境中测试其有效性，并成功将训练时间缩短了 80%，性能跟单一环境训练的模型非常接近。

    Oct, 2022

  • 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

  • CoLight: 学习网络层协作进行交通信号控制

    本研究探讨了如何提高道路交通信号灯的效率，提出了一种名为 CoLight 的新模型，使用图形注意网络来帮助交通信号之间的通信，实现了更好的交通信号控制表现，并展示了在大规模道路网络中实现的效果。

    May, 2019

  • 基于深度强化学习的智能交通信号控制与 CO2 排放优化

    该研究报告介绍了一种名为 EcoLight 的奖励塑造方案，用于强化学习算法中，既可以减少二氧化碳排放，又可以在诸如旅行时间之类的指标上获得具有竞争力的结果。该研究比较了采用表格型 Q 学习、DQN、SARSA 和 A2C 算法的性能，使用的指标包括旅行时间、二氧化碳排放、等待时间和停车时间，考虑了多种道路使用者（卡车、公交车、汽车）和不同污染水平的多个场景。

    Oct, 2023

  • 交通信号灯和车速建议的深度强化学习

    通过车辆与其它物体的通信，联合控制交通信号和车速建议有助于减少交通拥堵，改善交通系统的效能。

    Sep, 2023

  • 交通信号控制方法调查

    该论文调查了机器学习中的强化学习方法在交通信号控制中的应用，并提出通过综合现有文献促进该重要研究领域的跨学科研究。

    Apr, 2019

  • 应用强化学习优化交通信号灯周期

    本文提出了使用强化学习来实时优化交通灯周期的方法，并通过使用 Simulation Urban Mobility 模拟器进行深度 Q 网络算法的训练进行了案例研究。实验结果显示，平均紧急停车数量减少了 44.16％，显示了我们的方法减少交通拥堵和改善交通流的潜力。此外，我们讨论了未来研究和强化学习模型的改进方向。

    Feb, 2024

  • CoSLight：协同优化协同选择和决策以提升交通信号控制

    多交叉口协作、强化学习、交通信号控制、协作者选择、信号控制政策

    May, 2024

  • 交通信号控制的随机集成强化学习

    该研究提出一种名为 RElight 的动态学习交通信号控制策略的模型，并结合随机集成学习方法以避免陷入局部最优结果。研究还引入了 UTD 比率以控制数据重用数量，以提高数据利用率并在合成数据和实际数据上进行了实验以证明该方法优于现有最优方法。

    Mar, 2022

  • AttendLight: 交通信号控制通用基于注意力的强化学习模型

    提出了一个名为 AttendLight 的端到端强化学习算法，用于解决交通信号控制问题，该算法通过使用两个注意力模型训练单个通用模型来解决此问题，可以处理任何数量的路，车道，相位和交通流量。用全合成和实际标准基准数据集进行了实验，展示了在所有情况下其性能均优于传统和其他基于 RL 的方法。

    Oct, 2020