基于多主体强化学习的可变速限控制系统的实际部署与评估
系统与控制
2025-03-04 v1 系统与控制
摘要
本文首次在田�24号公路（距田纳西州纳什维尔近处）部署基于多主体强化学习（MARL）的可变速限（VSL）控制系统。我们设计并实现了从在交通仿真器中训练MARL智能体到田地24号公路上实际部署的完整流程，涵盖17英里长的路段，包含67个VSL控制器。系统于2024年3月8日启动运行，运行了6个月后已作出约3500万次决策，针对2800万次行程。我们应用无效动作掩码机制和多项安全护栏，确保满足实际约束条件。MARL实现的系统运行至多达98%的时间，安全护栏在剩余时间覆盖MARL决策。我们将MARL算法与此前在I-24上部署的非RL VSL基准算法进行比较。结果表明，MARL VSL控制系统性能优越。其准确率提升14%，可及时提醒驾驶员 ahead traffic ahead，响应非递归性拥堵的延迟缩短75%。初步数据显示，该VSL控制系统使事故率降低26%，二次事故率降低50%。我们已在https://github.com/Lab-Work/marl-vsl-controller]开源了部署的MARL VSL算法。
引用
@article{arxiv.2503.01017,
title = {Real-World Deployment and Assessment of a Multi-Agent Reinforcement Learning-Based Variable Speed Limit Control System},
author = {Yuhang Zhang and Zhiyao Zhang and Junyi Ji and Marcos Quiñones-Grueiro and William Barbour and Derek Gloudemans and Gergely Zachár and Clay Weston and Gautam Biswas and Daniel B. Work},
journal= {arXiv preprint arXiv:2503.01017},
year = {2025}
}