TinyLight：面向极低资源设备的自适应交通信号控制
机器学习
2022-05-03 v1 人工智能
摘要
深度强化学习（DRL）的近期进展大幅提升了自适应交通信号控制（ATSC）的性能。然而就部署而言，多数工作在存储与计算上颇为笨重，阻碍其在资源受限场景下的应用。本工作中，我们提出 TinyLight，首个面向极低资源设备设计的基于 DRL 的 ATSC 模型。TinyLight 首先构建超图，将丰富候选特征组与一组轻量网络块相关联。继而，为降低模型资源消耗，我们以新颖的熵最小化目标函数自动删减超图边。这使 TinyLight 能在仅 2KB RAM 与 32KB ROM 的独立微控制器上运行。我们在多个具真实交通需求的道路网络上评估 TinyLight。实验表明，即便资源极度有限，TinyLight 仍取得具竞争力的性能。本工作的源代码与附录见 \url{https://bit.ly/38hH8t8}。
引用
@article{arxiv.2205.00427,
title = {TinyLight: Adaptive Traffic Signal Control on Devices with Extremely Limited Resources},
author = {Dong Xing and Qian Zheng and Qianhui Liu and Gang Pan},
journal= {arXiv preprint arXiv:2205.00427},
year = {2022}
}
备注
Accepted by IJCAI 2022 (Long Oral)