FuzzyLight：用于现实城市交通信号控制的稳健双阶段模糊方法
系统与控制
2025-09-30 v2 人工智能
系统与控制
摘要
有效的交通信号控制（TSC）对于缓解城市拥堵和减少排放至关重要。最近，强化学习（RL）是TSC的研究趋势。然而，现有的RL算法面临着阻碍其在TSC中实际部署的几个现实挑战：（1）传感器检测范围增加时，传感器精度会恶化，数据传输容易受到噪声影响，可能导致不安全的TSC决策。（2）在线RL的训练过程中，与环境的交互可能不稳定，可能导致不恰当的交通信号相位（TSP）选择和交通拥堵。（3）大多数当前的TSC算法仅关注TSP决策，忽视了相位持续时间这一关键方面，影响安全性和效率。为克服这些挑战，我们提出了一种稳健的双阶段模糊方法，称为FuzzyLight，将压缩感知与RL集成用于TSC部署。FuzzyLight提供了几个关键贡献：（1）它采用模糊逻辑和压缩感知来解决传感器噪声问题，增强TSP决策的效率。（2）它在训练期间保持稳定的性能，并将模糊逻辑与RL结合以生成精确的相位。（3）它在22个交叉口的现实城市中运行，并在现实和模拟环境中表现出优异的性能。实验结果表明，FuzzyLight在现实世界中比专家设计的时序提高了48%的交通效率。此外，它在使用六个带有传输噪声的真实世界数据集的模拟环境中实现了最先进（SOTA）的性能。代码和部署视频可在URL1获取。
引用
@article{arxiv.2501.15820,
title = {FuzzyLight: A Robust Two-Stage Fuzzy Approach for Traffic Signal Control Works in Real Cities},
author = {Mingyuan Li and Jiahao Wang and Bo Du and Jun Shen and Qiang Wu},
journal= {arXiv preprint arXiv:2501.15820},
year = {2025}
}