Mixed Traffic Control and Coordination from Pixels

要約

交通渋滞は私たちの社会における根強い問題である。これまでの交通制御の方法は、現在の渋滞レベルを緩和するのに無駄であることが証明されており、研究者は、道路上にさまざまなレベルの自律性を持つ車両が出現するようになったことから、ロボット車両を用いたアイデアを模索するようになった。このため、ロボット車両が強化学習（RL）を通じて人間が運転する車両を制御する混合交通制御が生まれる。しかし、既存の研究のほとんどは、道路網の観測空間ごとに専門知識と手作業を必要とする精密な観測を使用している。さらに、精密な観測は、環境の流出などのグローバルな情報と、車両の位置や速度などのローカルな情報を使用する。これらの情報を得るには、広大なセンサ環境を持つ既存の道路インフラを更新し、潜在的に不本意な人間のドライバーに通信する必要がある。1）画像は、環境から環境へ観測空間の完全な再構築を必要としない、2）画像は、衛星画像、車載カメラシステム、および交通監視システムを通じてユビキタスである、3）画像は、機器への通信のみを必要とする。本研究では、画像観測を用いたロボット車両が、環状、八の字、交差点、合流、ボトルネックなどの環境に関する正確な情報を用いて、競争力のある性能を達成できることを示す。特定のシナリオでは、我々のアプローチは精密な観測を使用した場合よりも優れており、例えば、大域的な交通情報とは対照的に局所的な交通情報しか使用していないにもかかわらず、合流環境では平均車速が最大8％向上した。

要約(オリジナル)

Traffic congestion is a persistent problem in our society. Previous methods for traffic control have proven futile in alleviating current congestion levels leading researchers to explore ideas with robot vehicles given the increased emergence of vehicles with different levels of autonomy on our roads. This gives rise to mixed traffic control, where robot vehicles regulate human-driven vehicles through reinforcement learning (RL). However, most existing studies use precise observations that require domain expertise and hand engineering for each road network’s observation space. Additionally, precise observations use global information, such as environment outflow, and local information, i.e., vehicle positions and velocities. Obtaining this information requires updating existing road infrastructure with vast sensor environments and communication to potentially unwilling human drivers. We consider image observations, a modality that has not been extensively explored for mixed traffic control via RL, as the alternative: 1) images do not require a complete re-imagination of the observation space from environment to environment; 2) images are ubiquitous through satellite imagery, in-car camera systems, and traffic monitoring systems; and 3) images only require communication to equipment. In this work, we show robot vehicles using image observations can achieve competitive performance to using precise information on environments, including ring, figure eight, intersection, merge, and bottleneck. In certain scenarios, our approach even outperforms using precision observations, e.g., up to 8% increase in average vehicle velocity in the merge environment, despite only using local traffic information as opposed to global traffic information.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL