日本語タイトル#
強化学習に基づく都市における歩行者と車両の交通最適化
英文タイトル#
Joint Pedestrian and Vehicle Traffic Optimization in Urban Environments using Reinforcement Learning
日本語要約#
強化学習（RL）は、適応型交通信号制御において重要な可能性を秘めています。既存の RL ベースの手法は、車両の渋滞を減少させる効果を示していますが、主に車両中心の最適化に焦点を当てており、歩行者の移動ニーズや安全上の課題には対処していません。本論文では、現実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層 RL フレームワークを提案し、歩行者と車両の効率を共同で最適化します。我々の単一エージェントポリシーは、Wi-Fi ログとビデオ分析から得られた現実の歩行者と車両の需要データを使用して訓練されています。結果は、従来の固定時間信号に比べて性能が大幅に向上し、歩行者と車両の平均待機時間がそれぞれ最大 67% と 52% 減少し、同時に両者の総待機時間もそれぞれ最大 67% と 53% 減少したことを示しています。さらに、我々の結果は、訓練中に完全に未見の条件を含むさまざまな交通需要に対する一般化能力を示し、すべての道路利用者にサービスを提供する交通システムの開発における RL の可能性を検証しています。
英文要約#
Reinforcement learning (RL) holds significant promise for adaptive traffic signal control. While existing RL-based methods demonstrate effectiveness in reducing vehicular congestion, their predominant focus on vehicle-centric optimization leaves pedestrian mobility needs and safety challenges unaddressed. In this paper, we present a deep RL framework for adaptive control of eight traffic signals along a real-world urban corridor, jointly optimizing both pedestrian and vehicular efficiency. Our single-agent policy is trained using real-world pedestrian and vehicle demand data derived from Wi-Fi logs and video analysis. The results demonstrate significant performance improvements over traditional fixed-time signals, reducing average wait times per pedestrian and per vehicle by up to 67% and 52% respectively, while simultaneously decreasing total wait times for both groups by up to 67% and 53%. Additionally, our results demonstrate generalization capabilities across varying traffic demands, including conditions entirely unseen during training, validating RL's potential for developing transportation systems that serve all road users.
PDF 取得#
抖音でさらに素晴らしいコンテンツを見るにはスキャンしてください