論文の概要: FuzzyLight: A Robust Two-Stage Fuzzy Approach for Traffic Signal Control Works in Real Cities
- arxiv url: http://arxiv.org/abs/2501.15820v1
- Date: Mon, 27 Jan 2025 06:55:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:54:28.030902
- Title: FuzzyLight: A Robust Two-Stage Fuzzy Approach for Traffic Signal Control Works in Real Cities
- Title(参考訳): FuzzyLight: 実都市における交通信号制御のためのロバストな2段階ファジィアプローチ
- Authors: Mingyuan Li, Jiahao Wang, Bo Du, Jun Shen, Qiang Wu,
- Abstract要約: ファジィライトと呼ばれる頑健な2段階ファジィ手法を提案する。
圧縮センシングとRTLを統合してTSCデプロイメントを行う。
これは22の交差点の実際の都市で機能し、現実世界とシミュレーション環境の両方で優れたパフォーマンスを示す。
- 参考スコア(独自算出の注目度): 38.019185360592196
- License:
- Abstract: Effective traffic signal control (TSC) is crucial in mitigating urban congestion and reducing emissions. Recently, reinforcement learning (RL) has been the research trend for TSC. However, existing RL algorithms face several real-world challenges that hinder their practical deployment in TSC: (1) Sensor accuracy deteriorates with increased sensor detection range, and data transmission is prone to noise, potentially resulting in unsafe TSC decisions. (2) During the training of online RL, interactions with the environment could be unstable, potentially leading to inappropriate traffic signal phase (TSP) selection and traffic congestion. (3) Most current TSC algorithms focus only on TSP decisions, overlooking the critical aspect of phase duration, affecting safety and efficiency. To overcome these challenges, we propose a robust two-stage fuzzy approach called FuzzyLight, which integrates compressed sensing and RL for TSC deployment. FuzzyLight offers several key contributions: (1) It employs fuzzy logic and compressed sensing to address sensor noise and enhances the efficiency of TSP decisions. (2) It maintains stable performance during training and combines fuzzy logic with RL to generate precise phases. (3) It works in real cities across 22 intersections and demonstrates superior performance in both real-world and simulated environments. Experimental results indicate that FuzzyLight enhances traffic efficiency by 48% compared to expert-designed timings in the real world. Furthermore, it achieves state-of-the-art (SOTA) performance in simulated environments using six real-world datasets with transmission noise. The code and deployment video are available at the URL1
- Abstract(参考訳): 交通信号制御 (TSC) は, 都市交通渋滞の緩和と排出削減に重要である。
近年、強化学習(RL)がTSCの研究トレンドとなっている。
しかし,既存のRLアルゴリズムでは,センサ検出範囲の増大に伴いセンサ精度が低下し,ノイズが発生しやすいため,TSCの安全性が低下する可能性がある。
2) オンラインRLのトレーニング中,環境との相互作用は不安定になり,不適切な交通信号位相の選択や渋滞につながる可能性がある。
3) 現状のTSCアルゴリズムは, 位相長の重要な側面を克服し, 安全性と効率に影響を及ぼすため, TSP決定にのみ焦点をあてている。
これらの課題を克服するために、圧縮センシングとRTLを統合した2段階ファジィアプローチであるFuzzyLightを提案する。
1)ファジィ論理と圧縮センシングを用いてセンサノイズに対処し、TSP決定の効率を高める。
2) 訓練中に安定した性能を維持し, ファジィ論理とRLを組み合わせて正確な位相を生成する。
(3)22の交差点にまたがる実際の都市で機能し、実環境とシミュレーション環境の両方において優れた性能を示す。
実験の結果,FuzzyLightは,専門家が設計した実世界のタイミングと比較して,交通効率を48%向上させることがわかった。
さらに、伝送ノイズを伴う6つの実世界のデータセットを用いて、シミュレーション環境でのSOTA(State-of-the-art)性能を実現する。
コードとデプロイメントのビデオはURL1で公開されている。
関連論文リスト
- MTLight: Efficient Multi-Task Reinforcement Learning for Traffic Signal Control [56.545522358606924]
MTLightは、多数の交通指標から学習した潜伏状態のエージェント観測を強化するために提案されている。
CityFlowで行った実験は、MTLightが収束速度と性能をリードしていることを示している。
論文 参考訳(メタデータ) (2024-04-01T03:27:46Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-11T16:42:29Z) - Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning
Framework for Congestion Control in Tactical Environments [53.08686495706487]
本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。
衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
論文 参考訳(メタデータ) (2023-06-27T16:15:15Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳(メタデータ) (2023-06-13T05:58:57Z) - Reinforcement Learning Approaches for Traffic Signal Control under
Missing Data [5.896742981602458]
現実世界の都市では、センサーの欠如により交通状態の観察が欠如することがある。
本稿では, 適応制御を実現するために, トラフィック状態をインプットし, 適応制御とRLエージェントの訓練を可能にするために, 状態と報酬の両方をインプットする2つの方法を提案する。
論文 参考訳(メタデータ) (2023-04-21T03:26:33Z) - DataLight: Offline Data-Driven Traffic Signal Control [9.393196900855648]
Reinforcement Learning (RL) は、交通信号制御(TSC)の課題に対処するための有望なソリューションとして登場した。
この研究は、DataLightと呼ばれる革新的なオフラインデータ駆動アプローチを導入している。
DataLightは、車両の速度情報をキャプチャすることで、効果的な状態表現と報酬関数を利用する。
論文 参考訳(メタデータ) (2023-03-20T02:02:50Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - The Real Deal: A Review of Challenges and Opportunities in Moving
Reinforcement Learning-Based Traffic Signal Control Systems Towards Reality [35.22273933799107]
交通信号制御 (TSC) は, 交通量の増加に伴い, 重要度の高い領域である。
強化学習(RL)は、信号処理効率を向上させるために、大量のトラフィックデータを描画することができる。
RLベースの信号制御装置は一度も配備されていない。
本研究では,(1)検出の不確実性,(2)通信の信頼性,(3)コンプライアンスと解釈可能性,(4)異種道路利用者の4つの課題に焦点をあてる。
論文 参考訳(メタデータ) (2022-06-23T22:05:38Z) - Efficient Pressure: Improving efficiency for signalized intersections [24.917612761503996]
交通信号制御(TSC)の問題を解決するために,強化学習(RL)が注目されている。
既存のRLベースの手法は、計算資源の面でコスト効率が良くなく、従来の手法よりも堅牢ではないため、ほとんどデプロイされない。
我々は,RTLに基づくアプローチに基づいて,トレーニングを減らし,複雑さを低減したTSCの適応制御系を構築する方法を示す。
論文 参考訳(メタデータ) (2021-12-04T13:49:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。