【标题】Adaptive Traffic Signal Control for large-scale scenario with Cooperative Group-based Multi-agent reinforcement learning 【论文链接】https://www.sciencedirect.com/science/article/pii/S0968090X21000760 【作者团队】Tong Wang, Jiahua Cao, Azhar Hussain 【发表时间】2021.2.22 【推荐理由】本文提出了“基于协作组的自适应交通信号控制”（CGB-MATSC）的框架，以在真实的城市场景中进行大规模的智能交通灯控制。研究结果表明，该算法在综合路网及真实城市场景应用中表现出较高的有效性和可扩展性，与常规控制方法相比，其在考虑缓解交通拥堵和保护环境的条件下能更好地控制多个交叉路口。

最新研究表明，与传统方法（如自适应交通信号控制（ATSC））相比，强化学习可以潜在地执行最佳决策。随着试错法知识的发展，深度强化学习（DRL）技术证明了其在智能交通信号灯控制中的可行性。然而，一般的DRL算法无法满足代理在大型复杂道路网络内进行协调的需求。本文提出了一种新的基于协作组的多智能体强化学习-ATSC（CGB-MATSC）框架。它基于协作车辆基础设施系统（CVIS）来实现大规模道路网络中的有效控制。并且提出了一种适用的CGB-MAQL算法基于最近邻的状态表示，基于信息素的区域绿波控制模式以及空间贴现奖励以稳定学习收敛。CGB-MAQL算法的大量实验和消融研究表明，它在综合路网，摩纳哥市和哈尔滨城市场景中具有有效性和可扩展性。结果表明，与常规控制方法相比，该算法在缓解交通拥堵和保护环境方面能更好地控制多个交叉路口。 图1：MARL框架中的CGB-MATS结构

内容中包含的图片若涉及版权问题，请及时与我们联系删除