本研究提出利用无偏奖励函数提供密集反馈信息和非本地增强交通信号控制智能体更好地预测交通状况以实现更精确的交通控制的新型增强学习交通信号控制（TSC）方法，并经过了大量实验和消融研究验证其性能优于先进的基线方法。

Jun, 2023

在这项研究中，提出了一个基于强化学习的交通信号控制框架，能有效地处理城市地区持久存在的交通拥堵问题，通过引入交叉口矩阵来刻画交叉口状态，使该模型适用于不同结构的交叉口，并通过定制化的交通状态增强方法增加了处理各种交叉口结构的能力，多个交叉口配置的实验结果证实了该框架的有效性。

Dec, 2023

本研究提出了一种基于多智能体协作的在线规划方法，旨在实现适应性、实时和网络级交通信号控制（TSC），并证明这种方法能够有效提高交通流量的控制和性能。

Jun, 2023

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

提出了一种新颖的交通信号控制系统框架，通过与多个相邻的边缘计算服务器协作收集道路网络上的交通信息，采用多智能体软 actor-critic 强化学习算法结合超图学习，以实现交通信号控制的智能化，优化交通流量，并且能够捕捉多个交叉口之间的复杂时空相关性，实现更智能、更具响应性的城市交通管理解决方案。

Apr, 2024

本研究提出了一种名为 CVLight 的分散式增强学习方案，应用于多交叉口自适应交通信号控制，利用了来自互联车辆的数据，提出了新算法 Asym-A2C，通过全面的实验，证明 CVLight 在各种交通需求和覆盖率下都优于现有算法，并展示了 Asym-A2C 的优势。

Apr, 2021

本研究介绍了一种创新方法，将大型语言模型（LLMs）与交通信号控制系统相结合，提供先进的推理和决策能力，以应对都市交通流量的复杂性和变动性。通过在感知和决策工具套件中引入 LLMs，并将其放置在决策过程的核心位置，以结合外部交通数据和现有的交通信号控制方法，该方法在多种交通环境下表现出无需额外训练即可适应的高效性。在传感器故障情况下，相比传统基于强化学习（RL）的系统，该方法减少了平均等待时间 20.4%。本研究的进展为交通信号控制策略带来重大突破，并为将 LLMs 整合到真实、动态场景中铺平了道路，突显其革命性改变交通管理的潜力。

Mar, 2024

本研究引入了 CycLight，一种新颖的基于循环层次的深度强化学习方法，用于网络级自适应交通信号控制系统。与大多数传统的基于强化学习的交通控制器不同，CycLight 采用了循环层次的策略，使用参数化深度 Q 网络算法同时优化循环长度和分割。该循环层次方法有效减少了频繁数据通信的计算负担，同时增强了实际应用的实用性和安全性。为多智能体协作制定了分散的框架，同时整合了注意机制以准确评估当前交叉口周围环境的影响。在大型合成交通网格上使用微观交通仿真工具 SUMO 对 CycLight 进行了测试。实验结果不仅证明了 CycLight 相对于最先进方法的卓越性能，还展示了其对信息传输延迟的稳健性。

Jan, 2024

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

该研究探讨了基于计算机视觉的交通信号控制方法，通过视觉观测调节道路上的交通流量，引入了名为 TrafficDojo 的综合交通模拟框架，通过将 SUMO 提供的微观交通流量集成到驾驶模拟器 MetaDrive 中进行基线算法的比较和综合评估，为设计和发展基于视觉的交通信号控制方法打开了新的研究机会。

Mar, 2024