CoSLight: Co-optimizing Collaborator Selection and Decision-making to Enhance Traffic Signal Control

有效的多路口协作对于基于强化学习的交通信号控制以缓解拥堵至关重要。现有的工作主要选择相邻的交叉口作为合作者。然而，相当数量的拥堵，甚至一些广泛的拥堵，是由非相邻的交叉口未能合作造成的。为了解决这些问题，我们提出将合作者选择作为第二个策略单独学习，同时与原始信号控制策略一起进行更新。具体而言，实时的选择策略根据阶段和交叉口级别的特征自适应地选择最佳的队友。在合成和实际数据集上的实证结果为我们的方法的优越性提供了强有力的验证，相比现有的最先进方法，我们的方法提供了显著的改进。代码可在https://github.com/AnonymousAccountss/CoSLight上找到。

解决问题：论文旨在解决交通信号控制中多个路口协作问题，即如何选择最佳的协作者以缓解拥堵。

关键思路：论文提出了一种将协作者选择作为第二个策略与信号控制策略同时学习和更新的方法，通过实时自适应选择最佳协作者来解决非邻近路口协作问题。

其他亮点：论文在合成和真实数据集上进行了实验，证明了该方法的优越性，并提供了开源代码。该方法为解决交通拥堵问题提供了新思路。

相关研究：在这个领域中，最近的相关研究包括“Multi-Agent Reinforcement Learning for Traffic Signal Control Using Graph Convolutional Networks”和“Traffic Signal Control with Reinforcement Learning: A Survey”。