論文の概要: Reinforcement Learning-Based Traffic Signal Control for IoT-Enabled Intersections

• arxiv url: http://arxiv.org/abs/2606.22108v1
• Date: Sat, 20 Jun 2026 15:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 22:47:31.636883
• Title: Reinforcement Learning-Based Traffic Signal Control for IoT-Enabled Intersections
• Title（参考訳）: IoT-Enabled インターセクションのための強化学習に基づく交通信号制御
• Authors: Yousef AlSaqabi,
• Abstract要約: 交通信号システムは、スマートシティインフラストラクチャ内のネットワーク化されたサイバー物理コンポーネントとして、ますます多くデプロイされている。 本稿では,クウェートの信号化都市交差点における適応信号運用におけるエッジ・インテリジェント手法としての強化学習について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban traffic congestion remains a persistent challenge in car-dependent cities, imposing significant economic and societal costs. Traffic signal systems are increasingly deployed as networked cyber-physical components within smart-city infrastructures, where distributed sensing and edge intelligence enable adaptive traffic management. This paper investigates reinforcement learning (RL) as an edge-intelligent approach for adaptive traffic signal operation at a signalized urban intersection in Kuwait. A Proximal Policy Optimization (PPO)-based controller is developed to dynamically allocate green-phase durations using locally observed traffic states, without relying on future demand information or centralized coordination. The controller is evaluated in a realistic simulation environment informed by real-world hourly traffic volume data from Kuwait, and is compared against both conventional fixed-time control and a vehicle-actuated controller representing the current state of practice, using average vehicle delay, queue length, and emissions as performance metrics. Under nominal conditions, the proposed controller reduces average vehicle delay by 46% relative to fixed-time control and 34% relative to actuated control, while also lowering per-vehicle CO2 emissions by approximately 23%. These performance gains persist under demand perturbations of +/-15%, generalize from weekday to weekend traffic patterns, and are corroborated by a reward function ablation; low variance across five random seeds confirms their statistical reliability. These findings demonstrate the practicality of learning-based edge traffic signal control as a building block for IoT-enabled smart-city transportation systems, and as a deployable precursor toward fully connected, Internet of Vehicles (IoV)-based urban mobility.
• Abstract（参考訳）: 都市交通渋滞は依然として自動車に依存した都市において持続的な課題であり、経済的・社会的なコストが著しく高いことを示唆している。 交通信号システムは、分散センシングとエッジインテリジェンスが適応的なトラフィック管理を可能にするスマートシティインフラストラクチャ内のネットワーク化されたサイバー物理コンポーネントとして、ますます多くデプロイされている。 本稿では,クウェートの信号化都市交差点における適応的な交通信号運用のためのエッジ・インテリジェント・アプローチとしての強化学習(RL)について検討する。 PPO(Proximal Policy Optimization)ベースのコントローラは、将来の需要情報や集中的な調整に頼ることなく、局所的に観測された交通状態を用いて、温暖化期間を動的に割り当てるように開発されている。 クウェートからの実時間交通量データに基づいて現実的なシミュレーション環境で評価し、平均車両遅延、待ち時間、エミッションをパフォーマンス指標として、従来の固定時間制御と現在の状況を表す車両作動制御とを比較した。 規定条件下では, 一定時間制御に対して平均車両遅延を46%, 作動制御に対して34%削減し, 車両当たりCO2排出量を約23%削減する。 これらの性能向上は、需要摂動下で持続し、平日から週末の交通パターンを一般化し、報酬関数のアブレーションによって相関する。 これらの知見は,IoT対応スマートシティ交通システムのビルディングブロックとして,学習に基づくエッジトラフィック信号制御の実用性を示すとともに,完全接続型IoV(Internet of Vehicles)ベースの都市モビリティに向けたデプロイ可能な前駆体であることを示す。

関連論文リスト

• Self-Regulating Cars: Automating Traffic Control in Free Flow Road Networks [5.557442038265024]
  本稿では,車両の速度を動的に調整し,スループットを最適化し,混雑を防止することを目的とした,強化学習に基づく交通制御プロトコルである自己規制車を紹介する。 提案手法は,古典的交通流理論,ギャップ受容モデル,微視的シミュレーションを物理インフォームドRLフレームワークに統合する。 また、さまざまなトラフィックパターンをまたいで一般化しながら、スムーズで渋滞に強いフローを実現し、スケーラブルでML駆動のトラフィック管理の可能性を示している。
  論文  参考訳（メタデータ） (2025-06-13T17:31:23Z)
• Smart Traffic Signals: Comparing MARL and Fixed-Time Strategies [0.0]
  都市交通渋滞、特に交差点での交通渋滞は、旅行時間、燃料消費および排出に大きな影響を及ぼす。 従来の固定時間信号制御システムは、動的トラフィックパターンを効果的に管理する適応性に欠けることが多い。 本研究では,複数交差点間の交通信号調整を最適化するためのマルチエージェント強化学習の適用について検討する。
  論文  参考訳（メタデータ） (2025-05-20T15:59:44Z)
• Joint Pedestrian and Vehicle Traffic Optimization in Urban Environments using Reinforcement Learning [11.107470982920262]
  強化学習は適応的な交通信号制御に重要な可能性を秘めている。 本研究では,現実世界の都市回廊に沿った8つの交通信号の適応制御のための深いRLフレームワークを提案する。 その結果、従来の固定時間信号よりも大幅に性能が向上した。
  論文  参考訳（メタデータ） (2025-04-07T12:41:58Z)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• 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)
• Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
  我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。 我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。 その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T00:50:41Z)
• 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)

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。