EMVLight：一种用于应急车辆高效通行的去中心化强化学习框架

应急车辆（EMV）在应对城市地区医疗急救和火灾爆发等时间紧迫事件中发挥关键作用。EMV 在交通中行驶的时间越短，就越有可能挽救生命并减少财产损失。为减少 EMV 的行驶时间，已有工作利用基于历史交通流数据的路径优化和基于最优路线的交通信号优先通行。然而，交通信号优先通行会动态改变交通流，进而改变 EMV 的最优路线。此外，交通信号优先通行做法通常会导致交通流的显著扰动，并随后增加非 EMV 的行驶时间。本文中，我们提出 EMVLight，一种用于动态路由与交通信号控制同步进行的去中心化强化学习（RL）框架。EMVLight 扩展 Dijkstra 算法，以在 EMV 穿越交通网络时高效实时更新其最优路线。去中心化 RL 智能体学习网络级协同交通信号相位策略，不仅减少 EMV 行驶时间，也降低网络中非 EMV 的平均行驶时间。该益处已通过合成与真实世界地图的综合实验得到证明。这些实验表明 EMVLight 优于基准交通工程技术与现有基于 RL 的信号控制方法。