用于自适应交通信号控制的深度强化学习
系统与控制
2019-11-15 v1 机器学习
系统与控制
信号处理
摘要
许多现有的交通信号控制器要么是基于交通路口周围传感器的简单自适应控制器，要么由交通工程师按固定配时优化。优化交通控制器耗时且通常需要经验丰富的交通工程师。近期研究展示了在此背景下使用深度强化学习（DRL）的潜力。然而，大多数研究未考虑可无缝过渡至部署的现实设置。本文中，我们提出一个基于DRL的自适应交通信号控制框架，其明确考虑现实交通场景、传感器与物理约束。在该框架中，我们还提出一种新颖的奖励函数，与典型的基线定时与全感应交通信号控制器相比，展现出显著改善的交通性能。该框架在模拟真实交通场景与传感器数据流仿真平台上实现并验证。
引用
@article{arxiv.1911.06294,
title = {Deep Reinforcement Learning for Adaptive Traffic Signal Control},
author = {Kai Liang Tan and Subhadipto Poddar and Anuj Sharma and Soumik Sarkar},
journal= {arXiv preprint arXiv:1911.06294},
year = {2019}
}
备注
ASME 2019 Dynamic Systems and Control Conference (DSCC), October 9-11, Park City, Utah, USA