Deep Reinforcement Learning for the Joint Control of Traffic Light Signaling and Vehicle Speed Advice

要約

密集した都市中心部での交通渋滞は、経済的および環境的負荷をもたらします。
近年、車両間通信の利用により、車両の詳細な状態をインフラストラクチャに送信し、インテリジェントな交通信号制御に使用できるようになりました。
逆に言えば、インフラストラクチャは適切な速度などの運転行動に関するアドバイスを車両に提供することができ、これにより交通システムの効率を向上させることができます。
いくつかの研究では、信号制御や車速アドバイスに深層強化学習を適用しました。
この研究では、両方の制御を共同で学習する最初の試みを提案します。
これが交通システムの有効性を向上させることを示します。
私たちの実験では、共同制御アプローチにより、車両の平均走行遅延が短縮されました。
ベンチマーク シナリオ 11 件中 8 件で、信号機のみを制御しました。
車速アドバイス ポリシーの定性的な動作を分析すると、これは信号機付近の車両の速度プロファイルを平滑化することによって実現されることがわかります。
現実世界で交通信号の共同制御と速度アドバイスを学ぶことは、渋滞を緩和し、今日の交通システムの経済的および環境的影響を軽減するのに役立つ可能性があります。

要約(オリジナル)

Traffic congestion in dense urban centers presents an economical and environmental burden. In recent years, the availability of vehicle-to-anything communication allows for the transmission of detailed vehicle states to the infrastructure that can be used for intelligent traffic light control. The other way around, the infrastructure can provide vehicles with advice on driving behavior, such as appropriate velocities, which can improve the efficacy of the traffic system. Several research works applied deep reinforcement learning to either traffic light control or vehicle speed advice. In this work, we propose a first attempt to jointly learn the control of both. We show this to improve the efficacy of traffic systems. In our experiments, the joint control approach reduces average vehicle trip delays, w.r.t. controlling only traffic lights, in eight out of eleven benchmark scenarios. Analyzing the qualitative behavior of the vehicle speed advice policy, we observe that this is achieved by smoothing out the velocity profile of vehicles nearby a traffic light. Learning joint control of traffic signaling and speed advice in the real world could help to reduce congestion and mitigate the economical and environmental repercussions of today’s traffic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google