一种用于交通信号控制的新型多智能体深度强化学习方法
人工智能
2023-06-06 v1 多智能体系统
摘要
随着出行需求增长与城市交通状况日益复杂，将多智能体深度强化学习（MARL）应用于交通信号控制成为热点之一。强化学习（RL）的兴起为在复杂城市交通网络中解决自适应交通信号控制（ATSC）提供了机遇，深度神经网络进一步增强了其处理复杂数据的能力。传统交通信号控制研究基于集中式强化学习技术。然而，在大规模路网中，由于联合状态-动作空间呈指数增长，集中式 RL 不可行。本文提出一种基于智能体协作方案的 Friend-Deep Q-network（Friend-DQN）方法，用于城市路网中多交通信号控制。特别地，多智能体间的协作可缩减状态-动作空间，从而加速收敛。我们使用 SUMO（城市交通仿真）平台评估 Friend-DQN 模型的性能，并展示其相较于其他现有方法的可行性与优越性。
引用
@article{arxiv.2306.02684,
title = {A Novel Multi-Agent Deep RL Approach for Traffic Signal Control},
author = {Shijie Wang and Shangbo Wang},
journal= {arXiv preprint arXiv:2306.02684},
year = {2023}
}
备注
Accepted by PerCOM2023 Workshops