CityFlow：面向大规模城市交通场景的多智能体强化学习环境
多智能体系统
2019-05-15 v1 机器学习
摘要
交通信号控制是强化学习的一个新兴应用场景。除了作为影响人们日常通勤的重要问题外，交通信号控制在适应动态交通环境以及协调包括车辆与行人在内的数千个智能体方面，对强化学习提出了独特的挑战。现代强化学习成功的一个关键因素依赖于一个好的模拟器来生成大量用于学习的数据样本。然而，最常用的开源交通模拟器SUMO无法扩展到大型路网和大交通流，这阻碍了在交通场景上开展强化学习的研究。这促使我们创建了一个具有根本性优化数据结构和高效算法的新交通模拟器CityFlow。CityFlow可基于合成与真实世界数据支持对路网和交通流的灵活定义。它还提供了用户友好的强化学习接口。最重要的是，CityFlow比SUMO快二十倍以上，并能支持全市范围的交通模拟及用于监控的交互式渲染。除交通信号控制外，CityFlow可作为其他交通研究的基础，并能为在智能交通领域测试机器学习方法创造新的可能。
引用
@article{arxiv.1905.05217,
title = {CityFlow: A Multi-Agent Reinforcement Learning Environment for Large Scale City Traffic Scenario},
author = {Huichu Zhang and Siyuan Feng and Chang Liu and Yaoyao Ding and Yichen Zhu and Zihan Zhou and Weinan Zhang and Yong Yu and Haiming Jin and Zhenhui Li},
journal= {arXiv preprint arXiv:1905.05217},
year = {2019}
}
备注
WWW 2019 Demo Paper