一种用于应急车辆高效通行的去中心化强化学习框架
人工智能
2022-02-22 v3 系统与控制
系统与控制
摘要
应急车辆（EMV）在城市对医疗急救和火灾等时间紧迫事件的响应中起着关键作用。现有减少 EMV 行程时间的方法采用路线优化和交通信号优先，却未考虑路线与交通信号这两个子问题之间的耦合。因此，所规划路线常变为次优。此外，这些方法也未着眼于最小化对整体交通流的干扰。为解决这些问题，我们在本文中引入 EMVLight。这是一个用于同步动态路由与交通信号控制的去中心化强化学习（RL）框架。EMVLight 扩展 Dijkstra 算法，以在 EMV 穿越交通网络时高效实时更新其最优路线。由此，去中心化 RL 智能体学习网络级协同交通信号相位策略，从而降低 EMV 行程时间及网络中非 EMV 的平均行程时间。我们使用合成与真实世界地图进行了综合实验以展示此益处。结果表明，EMVLight 优于基准交通工程技术以及现有的基于 RL 的交通信号控制方法。
引用
@article{arxiv.2111.00278,
title = {A Decentralized Reinforcement Learning Framework for Efficient Passage of Emergency Vehicles},
author = {Haoran Su and Yaofeng Desmond Zhong and Biswadip Dey and Amit Chakraborty},
journal= {arXiv preprint arXiv:2111.00278},
year = {2022}
}
备注
Artificial Intelligence and Humanitarian Assistance and Disaster Recovery (AI + HADR) workshop, NeurIPS 2021. arXiv admin note: substantial text overlap with arXiv:2109.05429