面向鲁棒深度强化学习交通信号控制：需求激增、事故与传感器故障
机器学习
2019-07-23 v2 机器学习
系统与控制
摘要
强化学习（RL）构成了缓解交通拥堵问题的一个有前景的方案。特别是，深度RL算法已被证明能生成优于传统系统的自适应交通信号控制器。然而，为了在高度动态的城市区域中可靠，此类控制器需要对一系列外生不确定性来源具有鲁棒性。本文中，我们开发了一个开源的基于回调的框架，用于在交通仿真环境下促进不同深度RL配置的灵活评估。借助该框架，我们研究了基于深度RL的自适应交通控制器在不同场景下的表现，即由特殊事件引起的需求激增、事故导致的通行能力下降以及传感器故障。我们提取了若干用于开发鲁棒深度RL交通控制算法的关键见解，并提出了具体设计以缓解所考虑外生不确定性的影响。
引用
@article{arxiv.1904.08353,
title = {Towards Robust Deep Reinforcement Learning for Traffic Signal Control: Demand Surges, Incidents and Sensor Failures},
author = {Filipe Rodrigues and Carlos Lima Azevedo},
journal= {arXiv preprint arXiv:1904.08353},
year = {2019}
}
备注
8 pages