基于多智能体强化学习的大规模混合交通与路口控制
机器学习
2025-07-29 v2 多智能体系统
摘要
交通拥堵仍是现代城市网络面临的重大挑战。自动驾驶技术已然出现作为潜在解决方案。尽管如此，现有的强化学习研究在小规模网络或孤立路口场景上表现良好，但大规模混合交通控制仍鲜有探索。本研究首次尝试运用去中心化多智能体强化学习方法，针对包含由交通信号灯和机器人车辆分别管理的路口的大规模混合交通进行控制。我们评估了一个来自美国科罗拉多州科堪斯斯（Colorado Springs, CO）的真实世界网络，包含 14 个路口。通过车辆在路口的平均等待时间以及到达目的地的车辆数（即吞吐量）衡量交通效率。在 80% 自动驾驶车辆渗透率下，我们的方法将等待时间从 6.17 秒降至 5.09 秒，将吞吐量从每 500 秒 454 辆提升至 493 辆，显著优于完全信号化路口的基准。这些结果表明，将强化学习集成到大规模交通控制中可提升整体效率，并为未来城市规划策略提供参考。
引用
@article{arxiv.2504.04691,
title = {Large-Scale Mixed-Traffic and Intersection Control using Multi-agent Reinforcement Learning},
author = {Songyang Liu and Muyang Fan and Weizi Li and Jing Du and Shuai Li},
journal= {arXiv preprint arXiv:2504.04691},
year = {2025}
}
备注
Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2025