优化交通信号以减少交叉口等待时间

交叉点处的交通灯由简单的计算机管理,可分配通向非污染方向的右侧。然而,看城市地区旅行时间的研究表明,交叉口造成的延误占每日通勤旅行的12-55%,如果这些控制器的运行更有效,这可以减少。

由Guni Sharon,教授领导的研究人员团队 计算机科学与工程系 at Texas A&米大学开发了一种自学系统,使用机器学习来改善通过交叉口的车辆的协调。

研究人员在诉讼程序中公布了他们的研究结果 2020自治工人和多层系统国际会议。

今天的许多交通信号都配备了用作交叉点的“大脑”的信号控制器。它们被编程为各种设置,以告知流量显示,何时根据日期和流量移动的时间来改变颜色。这使信号能够在整个日期处理流量的波动,以最大限度地减少交通拥堵。

最近的研究表明了学习算法,基于叫做强化学习的心理学的概念,其中有利于奖励,可以用来优化控制器的信号。该策略使控制器能够制定一系列决策,并了解在现实世界中改善其操作的行动。在这种情况下,结果将减少交通延迟的积累。

但Sharon指出,这些优化的控制器在现实世界中不会实用,因为控制它如何处理数据的潜在操作使用深度神经网络(DNN),这是一种机器学习算法。它们通常用于培训和概括控制器的启动策略,这是决策(或控制)函数,该函数根据它的当前情况决定它应该采取的措施。它由几个传感器组成,提供有关的信息交叉路口的当前状态。

尽管他们有多强大,但DNN是非常不可预测的,在他们的决策中是非常不可预测的。试图了解他们为什么采取某些行动而不是其他行动是交通工程师的繁琐过程,这反过来使他们难以调节和理解不同的政策。

为了克服这一点,莎朗和他的团队定义并验证了一种可以实时成功培训DNN的方法,同时转移它从观察现实世界到了能够被工程师理解和监管的不同控制功能。

使用实际交叉点的模拟,该团队发现它们的方法在优化其可解释的控制器方面特别有效,导致与常用的信号控制器相比,车辆延迟减少高达19.4%。

尽管他们的方法有效,但研究人员观察到,当他们开始培训控制器时,它需要大约两天时间,以了解从所有方向缓解交通拥堵的行动。

“我们未来的工作将通过观察当前部署的控制器的操作来检查控制器的学习过程的技巧,同时保证基线性能和学习,”Sharon表示。

本研究的其他贡献者包括德克萨斯州德克萨斯州德克萨斯州的PI星级实验室的信息学学院的Josiah P. Hanna,研究助理和James Ault。&M.



本新闻稿中的材料来自于始发的研究组织。可以为样式和长度编辑内容。有一个问题? 让我们知道.

订阅

每天早上有一封电子邮件,我们的最新帖子。从医学研究到空间新闻。环境的环境。技术物理学。

感谢您的订阅。

出问题了。