GuideLight：面向实际应用的交通信号控制智能体的“工业解决方案”指导
多智能体系统
2024-07-16 v1 人工智能
机器学习
摘要
目前，基于强化学习(RL)的交通信号控制(TSC)方法已证明优于传统方法。然而，大多数RL方法在实际应用中面临三个挑战：输入、输出和循环-流关系。行业可观测的输入远少于基于仿真的RL方法。对于实际解决方案，只能可靠收集流量数据，而常规RL方法需要更丰富的输入。对于输出动作，大多数RL方法关注无环控制，而实际信号控制器不支持。更重要的是，行业标准要求循环-流关系一致：对低、中、高水平流量采用递增且不同的响应策略，这一点被忽略了。为缩小RL方法与行业标准之间的差距，我们创新性地提出使用行业解决方案指导RL智能体。具体而言，我们设计行为克隆和课程学习，以引导智能体模仿并满足行业要求，同时发挥RL中探索与开发的优势以获得更佳性能。我们理论上证明，这种指导可以大幅降低寻找最优策略时对样本复杂度的要求。我们的严格实验表明，该方法在循环-流关系方面表现良好且性能卓越。
引用
@article{arxiv.2407.10811,
title = {GuideLight: "Industrial Solution" Guidance for More Practical Traffic Signal Control Agents},
author = {Haoyuan Jiang and Xuantang Xiong and Ziyue Li and Hangyu Mao and Guanghu Sui and Jingqing Ruan and Yuheng Cheng and Hua Wei and Wolfgang Ketter and Rui Zhao},
journal= {arXiv preprint arXiv:2407.10811},
year = {2024}
}
备注
Under Review of IEEE Transactions on Intelligent Transportation Systems