Apr, 2024

MTLight：高效多任务强化学习用于交通信号控制

PDF
TL;DR车辆信号控制对缓解现代城市交通拥堵有着重大影响。近年来，深度强化学习被广泛应用于该任务，表现出有希望的性能，但也面临许多挑战，如有限的性能和样本效率。为了应对这些挑战，我们提出了 MTLight，通过学习大量交通指标来增强智能体的观察，并构建多个辅助任务和监督任务来学习潜在状态，并使用任务特定特征和任务共享特征来使潜在状态更丰富。在 CityFlow 上进行了大量实验证明 MTLight 具有领先的收敛速度和渐近性能。我们在所有场景中模拟了高峰小时模式，并且结果表明 MTLight 具有高度的适应性。
traffic signal controldeep reinforcement learningmtlightcongestionadaptive control
发现论文，激发创造
  • 大型语言模型作为交通信号控制代理：容量和机会

    LLMLight 通过利用大型语言模型（LLMs）进行交通信号控制任务，实现了人类般的决策过程，确保道路网络的最优效率。

    Dec, 2023

  • X-Light：利用 Transformer on Transformer 作为元多智能体强化学习器进行跨城交通信号控制

    本文提出了一种名为 X-Light 的基于 Transformer 模型的交通信号控制算法，通过在不同城市之间学习一般的决策轨迹，实现了跨城市的跨场景迁移，其性能在未知场景中超过所有基准方法平均 7.91％，在某些情况下甚至达到 16.3％，结果最佳。

    Apr, 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

  • 用于路面交通管制的离线强化学习技术

    本研究基于批量强化学习的方法，运用基于惩罚项的自适应奖励方式在普通的循环交通信号控制策略下，构建出一个马尔可夫决策过程（MDP）的学习框架，不仅提高了对于不同分布情境的管理优化，还显著提高了交通信号控制的效率。

    Jan, 2022

  • 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

  • 使用深度强化学习代理控制交通信号

    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

  • 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

  • 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

  • 针对交通信号控制的强化学习诊断

    本文通过经典交通理论的视角重新审视强化学习在交通信号控制中的应用，提出了 LIT 方法，使用简单的状态和奖励设计达到最优解，实验结果显示该方法明显优于现有交通信号控制方法。

    May, 2019