利用深度强化学习在极端拥堵下最大化道路利用率
人工智能
2023-05-17 v1 机器学习
摘要
道路网络上的碰撞、车祸及其他事件若不加缓解，可能引发级联失效，影响系统的大片区域。及时处理此类极端拥堵场景对于减少排放、提升生产率和改善城市生活质量至关重要。在这项工作中，我们提出了一种深度强化学习（DRL）方法，用于缓解极端拥堵期间多车道高速公路上的交通拥堵。该智能体被训练以学习拥堵高速公路交通的自适应绕行策略，从而最优地利用高速公路车道及邻近的本地道路网络，其奖励为拥堵减少与车速提升。实验设置位于美国华盛顿州 Shoreline 一段 2.6 英里长、4 车道的高速公路路段，包含两个出口及相关道路，在微观连续多模态交通模拟器 SUMO（Simulation of Urban MObility）上仿真，并使用基于真实世界交通数据生成的参数化交通剖面。我们的分析表明，与无措施相比，基于 DRL 的控制器在陡峻拥堵时可将平均车速提升 21%。该研究进一步讨论了奖励函数选择中的权衡、人类遵从度对智能体性能的影响，以及智能体间知识迁移以解决数据稀疏与扩展问题的可行性。
引用
@article{arxiv.2305.09600,
title = {Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion},
author = {Ashutosh Dutta and Milan Jain and Arif Khan and Arun Sathanur},
journal= {arXiv preprint arXiv:2305.09600},
year = {2023}
}