Optimizing Efficiency of Mixed Traffic through Reinforcement Learning: A Topology-Independent Approach and Benchmark

要約

このホワイトペーパーでは、多様な道路トポロジ全体の交通効率を最適化するように設計された混合トラフィックコントロールポリシーを提示し、都市環境で一般的な混雑の問題に対処します。
モデルフリーの強化学習（RL）アプローチは、自律車両によって収集されたデータを使用して人間駆動車両に影響を与えるデータを使用して、大規模な交通フローを管理するために開発されています。
現実世界の混合トラフィックコントロールベンチマークもリリースされています。これには、20か国から444のシナリオが含まれ、さまざまなシナリオと道路トポロジをカバーしています。
このベンチマークは、将来の研究の基盤として機能し、効果的なポリシーの開発のための現実的なシミュレーション環境を提供します。
包括的な実験は、提案された方法の有効性と適応性を実証し、交差点とラウンドアバウトシナリオの両方で既存の交通制御方法よりも優れたパフォーマンスを達成します。
私たちの知る限り、これは現実世界の複雑なシナリオを混合した交通コントロールベンチマークを導入する最初のプロジェクトです。
私たちの作品のビデオとコードは、https：//sites.google.com/berkeley.edu/mixedtrafficplus/homeで入手できます。

要約(オリジナル)

This paper presents a mixed traffic control policy designed to optimize traffic efficiency across diverse road topologies, addressing issues of congestion prevalent in urban environments. A model-free reinforcement learning (RL) approach is developed to manage large-scale traffic flow, using data collected by autonomous vehicles to influence human-driven vehicles. A real-world mixed traffic control benchmark is also released, which includes 444 scenarios from 20 countries, representing a wide geographic distribution and covering a variety of scenarios and road topologies. This benchmark serves as a foundation for future research, providing a realistic simulation environment for the development of effective policies. Comprehensive experiments demonstrate the effectiveness and adaptability of the proposed method, achieving better performance than existing traffic control methods in both intersection and roundabout scenarios. To the best of our knowledge, this is the first project to introduce a real-world complex scenarios mixed traffic control benchmark. Videos and code of our work are available at https://sites.google.com/berkeley.edu/mixedtrafficplus/home

arxiv情報

提供元, 利用サービス

arxiv.jp, Google