【标题】A Deep Reinforcement Learning Approach for Traffic Signal Control Optimization

【作者团队】Zhenning Li, Chengzhong Xu, Guohui Zhang

【论文链接】https://arxiv.org/ftp/arxiv/papers/2107/2107.06115.pdf

【发表时间】2021.7.13

【推荐理由】低效的交通信号控制方法可能会导致许多问题，例如交通拥堵和能源浪费。强化学习 (RL) 是一种趋势数据驱动的方法，用于复杂城市交通网络中的自适应交通信号控制。尽管深度神经网络 (DNN) 的发展进一步增强了其学习能力，但将深度 RL 应用于具有多个信号交叉口的交通网络仍存在一些挑战，包括非平稳环境、探索开发困境、多智能体训练方案、连续动作空间等。为了解决这些问题，本文首先通过扩展actor-critic策略梯度算法，提出了一种多智能体深度确定性策略梯度（MADDPG）方法。MADDPG 具有集中学习和分散执行范式，其中批评者使用附加信息来简化培训过程，而参与者则根据自己的本地观察采取行动。在城市交通仿真平台（SUMO）上对该模型进行了仿真评价。模型比较结果表明了该算法在交通信号灯控制中的有效性。

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