A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation

交通信号控制(TSC)对于减少交通拥堵非常关键，可以实现交通流畅，减少怠速时间和减缓CO2排放。在这项研究中，我们探讨了基于计算机视觉的TSC方法，通过视觉观察来调节道路交通流量。与传统的基于特征的方法不同，基于视觉的方法更少依赖于启发式和预定义的特征，有望实现端到端学习和交通信号优化的潜力。因此，我们提出了一个名为TrafficDojo的综合交通仿真框架，用于实现基于视觉的TSC，并将SUMO提供的微观交通流量集成到驾驶模拟器MetaDrive中进行基准测试。这个框架为深入分析和全面评估不同交通条件和场景下的交通信号控制器提供了一个多功能的交通环境。我们建立并比较了包括传统和强化学习(RL)方法在内的基线算法。这项工作为基于视觉的TSC方法的设计和开发提供了启示，并开辟了新的研究机会。所有代码和基准都将公开发布。

研究交通信号控制（TSC）的计算机视觉方法，以减少交通拥堵和减少CO2排放。

提出了一个综合的交通仿真框架TrafficDojo，用于视觉TSC的基准测试，包括传统方法和强化学习方法。

TrafficDojo框架将SUMO提供的微观交通流与MetaDrive驾驶模拟器相结合，提供了一个多样化的交通环境，用于综合评估交通信号控制器。论文提出的视觉方法不依赖预定义的特征，具有端到端学习和优化交通信号的潜力。所有代码和基线都将公开。

最近的相关研究包括：“A survey of traffic signal control methods”，“A deep reinforcement learning approach for urban traffic control”，“Traffic signal control with deep reinforcement learning: A case study in SUMO”等。