基于多智能体深度强化学习的紧急车辆在拥堵城市地区通行促进
人工智能
2025-02-25 v1 系统与控制
系统与控制
摘要
紧急响应时间(ERT)是城市安全的关键指标，衡量城市处理医疗、消防和犯罪紧急情况的能力。在纽约，医疗ERT从2014年的7.89分钟增长到2024年的14.27分钟，其中一半的延迟源于紧急车辆(EMV)的旅行时间。每分钟的中风响应延迟会损失200万大脑细胞，而心脏骤停的存活率每分钟下降7-10%。本论文通过三个贡献推进EMV促进：第一，EMVLight是一个去中心化的多智能体强化学习框架，将EMV路由与交通信号抢占相结合，实现了42.6%的EMV旅行时间加速和23.5%的其他车辆改进。第二，动态排队跳车系统使用多智能体近端策略优化进行协调式车道清除，混合自主和人类驾驶车辆，使EMV旅行时间缩短40%。第三，纽约紧急医疗服务的公平性研究揭示了各区差异：斯塔岛因稀疏信号化交叉口而延迟，曼哈顿则因拥堵问题。解决方案包括优化EMS站点和改进交叉口设计。这些贡献增强了EMV的 mobility 和紧急服务的公平性，为政策制定者和城市规划者提供了构建更安全、更高效交通系统的见解。
引用
@article{arxiv.2502.16449,
title = {Facilitating Emergency Vehicle Passage in Congested Urban Areas Using Multi-agent Deep Reinforcement Learning},
author = {Haoran Su},
journal= {arXiv preprint arXiv:2502.16449},
year = {2025}
}
备注
Ph.D. dissertation in Transportation Systems