TransferLight: 零样态交通信号控制于任意道路网络

交通信号控制在城市交通中的作用至关重要。然而，现有方法常常难以将模型从训练环境推广到未见场景，尤其是涉及变化交通动力学的情形。我们提出TransferLight，一个专为在任意道路网络、多样交通条件和交叉口几何形状之间实现稳健泛化而设计的框架。其核心思想是提出一种对数距离奖励函数，提供具有空间感知的信号优先级，同时适应多种车道配置——克服了传统基于压力的奖励函数的局限性。我们的层次化、异构化和有向图神经网络架构有效捕获细粒度的交通动力学，使其能够推广至任意交叉口布局。通过去中心化的多智能体方法、全局奖励以及新颖的状态转移先验，我们开发了单一、权重绑定策略，能够在无需再训练的情况下零样态扩展到任意道路网络。通过训练期间的域随机化，我们进一步增强了泛化能力。实验结果表明，TransferLight在未见场景中表现优异，推动了智能交通系统向满足不断演变城市交通需求的实用化、可泛化发展。