基于深度强化学习的自由流常发瓶颈差分可变限速控制
机器学习
2018-10-26 v1 人工智能
机器学习
摘要
可变限速（VSL）控制是改善交通状况、提高安全性并减少排放的灵活手段。使用强化学习技术进行 VSL 控制正成为新兴趋势，近期研究已显示出有前景的结果。当前，深度学习正使强化学习能够为先前难以处理的问题开发自主控制智能体。在本文中，我们提出了一种更有效的深度强化学习（DRL）模型用于差分可变限速（DVSL）控制，其中可施加车道间动态且不同的限速。所提出的 DRL 模型使用一种新颖的 actor-critic 架构，可在连续动作空间中学习大量离散限速。不同的奖励信号，例如总行程时间、瓶颈速度、紧急刹车和车辆排放，被用于训练 DVSL 控制器，并对这些奖励信号进行了比较。我们在模拟的自由流常发瓶颈上测试了所提出的基于 DRL 的 DVSL 控制器。结果表明，所提方法可改善效率、安全性与排放。我们还通过可视化 DRL 模型生成的控制策略展示了一些有趣的发现。
引用
@article{arxiv.1810.10952,
title = {Differential Variable Speed Limits Control for Freeway Recurrent Bottlenecks via Deep Reinforcement learning},
author = {Yuankai Wu and Huachun Tan and Bin Ran},
journal= {arXiv preprint arXiv:1810.10952},
year = {2018}
}
备注
24 pages, 7 figures, 1 table