CoTV: Cooperative Control for Traffic Light Signals and Connected Autonomous Vehicles using Deep Reinforcement Learning

要約

将来のスマート交通システムの開発をサポートするには、移動時間の短縮だけでは不十分です。
国連の持続可能な開発目標 (UN-SDG) に合わせて、燃料と排出量のさらなる削減、交通安全の改善、インフラの展開と保守の容易さも検討する必要があります。
信号機信号 (交差点のスループットを向上させるため) または車両速度 (交通を安定させるため) の制御の最適化に焦点を当てた既存の研究とは異なり、この論文では、CoTV と呼ばれるマルチエージェント深層強化学習 (DRL) システムを紹介します。
信号機とコネクテッド自律走行車 (CAV) の両方を協調的に制御します。
したがって、私たちのCoTVは、旅行時間、燃料、および排出量の削減の達成をうまくバランスさせることができます.
一方、CoTV は、それぞれの進入道路の信号機コントローラに最も近い 1 つの CAV と連携することで、簡単に導入することもできます。
これにより、信号機コントローラーと CAV の間のより効率的な調整が可能になり、従来は収束が困難であった大規模なマルチエージェント シナリオでのトレーニング CoTV の収束につながります。
CoTV の詳細なシステム設計を提供し、さまざまなグリッド マップの下で SUMO を使用したシミュレーション研究と、混合自律トラフィックを伴う現実的な都市シナリオでその有効性を実証します。

要約(オリジナル)

The target of reducing travel time only is insufficient to support the development of future smart transportation systems. To align with the United Nations Sustainable Development Goals (UN-SDG), a further reduction of fuel and emissions, improvements of traffic safety, and the ease of infrastructure deployment and maintenance should also be considered. Different from existing work focusing on the optimization of the control in either traffic light signal (to improve the intersection throughput), or vehicle speed (to stabilize the traffic), this paper presents a multi-agent Deep Reinforcement Learning (DRL) system called CoTV, which Cooperatively controls both Traffic light signals and Connected Autonomous Vehicles (CAV). Therefore, our CoTV can well balance the achievement of the reduction of travel time, fuel, and emissions. In the meantime, CoTV can also be easy to deploy by cooperating with only one CAV that is the nearest to the traffic light controller on each incoming road. This enables more efficient coordination between traffic light controllers and CAV, thus leading to the convergence of training CoTV under the large-scale multi-agent scenario that is traditionally difficult to converge. We give the detailed system design of CoTV and demonstrate its effectiveness in a simulation study using SUMO under various grid maps and realistic urban scenarios with mixed-autonomy traffic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google