基于交通视频数据的深度强化学习匝道控制方法
计算机视觉与模式识别
2020-12-23 v1 人工智能
摘要
匝道控制利用交通信号调节来自入口匝道的车流，已被广泛实施以改善高速公路的车辆机动性。以往研究通常基于点检测器采集的预定义交通度量（如交通量与占有率）实时更新信号配时。与点检测器相比，已日益部署于道路网络中的交通摄像头可覆盖更大区域并提供更详细的交通信息。本工作中，我们提出一种深度强化学习（DRL）方法，以挖掘交通视频数据在提升匝道控制效率方面的潜力。所提方法以交通视频帧为输入，并直接从高维视觉输入中学习最优控制策略。一项真实案例研究表明，与一种当前主流方法相比，所提 DRL 方法实现了 1) 主线下游更短的行程时间，2) 入口匝道处更短的车辆排队，以及 3) 合流区下游更高的交通流量。结果表明，所提方法能够从视频数据中提取有用信息以实现更好的匝道控制。
引用
@article{arxiv.2012.12104,
title = {A Deep Reinforcement Learning Approach for Ramp Metering Based on Traffic Video Data},
author = {Bing Liu and Yu Tang and Yuxiong Ji and Yu Shen and Yuchuan Du},
journal= {arXiv preprint arXiv:2012.12104},
year = {2020}
}