Oct, 2023

MARVEL：多智能体强化学习用于大规模可变速限

PDF
TL;DR变速限制、交通管理、多智能体强化学习、高速公路走廊和交通安全是本研究的主要关键词和研究领域，并通过使用常见数据引入了一个名为 MARVEL 的多智能体强化学习框架，以实现大规模变速限制控制。
variable speed limittraffic managementmulti-agent reinforcement learningfreeway corridorstraffic safety
发现论文，激发创造
  • 基于深度强化学习的高速公路周期性瓶颈差分可变速限控制

    本文使用深度强化学习技术提出了一种更有效的差分可变速限制控制模型，并在模拟高速公路瓶颈情境中测试了该模型，结果表明其能够提高交通效率、安全性和减少排放。

    Oct, 2018

  • 混合交通中的高速公路匝道合流的深度多智能体强化学习

    本文通过多智能体强化学习的方法对自动驾驶车辆在复杂交通场景下的高速公路入口合流进行了建模，提出了一种高效可扩展的模型，包括参数共享、本地奖励、底层安全监督等手段以及基于优先级的安全监督等，最终实验结果表明本文提出的 MARL 框架明显优于现有的基准模型。

    May, 2021

  • 多智能体深度强化学习用于大规模交通信号控制

    本文提出了一种可完全扩展和去中心化的多智能体 A2C 算法，以提高城市交通网络中的自适应交通信号控制的可观测性和减少学习难度，并在大型合成交通网格和摩纳哥城​​的大型实际交通网络下，通过模拟高峰流量动态，并将其与独立 A2C 和独立 Q-learning 算法进行比较，结果表明其优化性、鲁棒性和样本效率优于其他最先进的去中心化 MARL 算法。

    Mar, 2019

  • 交通信号控制的多智能体深度强化学习新方法

    随着旅游需求的增加和城市交通状况的复杂化，采用多智能体深度强化学习 (MARL) 来控制交通信号成为热门话题。本文提出了一种基于智能体合作方案的 Friend-Deep Q-network (Friend-DQN) 方法，以用于城市网络中的多个交通信号控制，该方法可以减少状态 - 操作空间，从而加快收敛速度。通过使用 SUMO (城市交通仿真) 平台评估友好 DQN 模型的表现，并展示其相对于其他现有方法的可行性和优越性。

    Jun, 2023

  • 基于多智能体强化学习的分布式自主交叉口管理方法

    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

  • 多智能体图强化学习中的学习分散式交通信号控制器

    本文研究智能城市中的交通信号优化控制问题，通过多智能体强化学习的新分散控制架构和图学习算法，提出了一种新的去中心化控制策略，增强了环境可观测性以抓取交通信号的时空关联性，实验证明该方案优于现有的分散算法。

    Nov, 2023

  • 大规模网格交通网络区域信号控制的多智能体强化学习

    本文提出了一种基于区域划分的交通信号控制方法，使用多智能体强化学习技术，利用基于交通网络分区的扩展分支决斗 Q 网络算法，解决方法众多、非稳定性问题和优化联合行动问题，提高了解决方案的鲁棒性。

    Mar, 2023

  • 强化学习在车载系统中的统一自动控制

    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

  • 网络系统控制的多智能体强化学习

    本文研究了网络系统控制中的多智能体强化学习问题，提出了基于空间折扣因子的 NMARL 问题并引入了一种可微的通信协议 NeurComm 以提高学习效率和控制性能。实验结果表明，合适的空间折扣因子可以有效提高 MARL 算法的非通讯性学习曲线，而 NeurComm 在学习效率和控制性能方面均优于现有的通信协议。

    Apr, 2020

  • 安全约束的多智能体强化学习在主动电压控制中的应用

    基于多智能体强化学习的安全限制算法，用于解决分布式可控发电机在电力网络中主动电压控制问题，通过在电力分布网络模拟环境中进行实验，证明了该方法与最新的多智能体强化学习方法相比的有效性。

    May, 2024