基于可解释影响机制与偏置 ReLU 近似的多智能体强化交通信号控制
多智能体系统
2024-03-21 v1
摘要
交通信号控制在智能交通系统中至关重要，其中协同控制难以实现但又极为关键。许多方法将多交叉口交通网络建模为网格，并使用多智能体强化学习（RL）来解决该问题。尽管已有这些研究，但通过在深度 RL 中使用高效的神经网络捕获时空交通信息，仍有机会进一步增强我们对交通网络连通性与全局性的理解。在本文中，我们提出了一种基于可解释影响机制的新型多智能体 actor-critic 框架，采用集中式训练与分布式执行方法。具体而言，我们首先构建了一个 actor-critic 框架，其中名为偏置 ReLU（BReLU）的分段线性神经网络（PWLNN）被用作函数近似器，以获得更准确且具有理论依据的近似。最后，我们在两个合成交通网络上验证了所提出的框架，以协调交叉口间的信号控制，与最先进（SOTA）的性能相比，在整个交通网络中实现了更低的交通延迟。
引用
@article{arxiv.2403.13639,
title = {Multi-agent Reinforcement Traffic Signal Control based on Interpretable Influence Mechanism and Biased ReLU Approximation},
author = {Zhiyue Luo and Jun Xu and Fanglin Chen},
journal= {arXiv preprint arXiv:2403.13639},
year = {2024}
}