优化交通信号以减少交叉路口等待时间–今日德克萨斯州A＆M

交叉路口的交通信号灯由简单的计算机管理，这些计算机将通行权分配给无冲突的方向。但是，研究城市地区旅行时间的研究表明，由交叉路口引起的延误占每日通勤旅行的12-55％，如果这些控制器的操作效率更高，则可以减少这种情况。

由德克萨斯农工大学计算机科学与工程系教授古尼·沙伦（Guni Sharon）领导的一组研究人员开发了一种自学习系统，该系统使用机器学习来改善通过交叉路口的车辆的协调性。

研究人员在2020年自主智能体和多智能体系统国际会议的议事录中发表了他们的发现。

如今，许多交通信号灯都配备了作为十字路口“大脑”的信号控制器。它们通过各种设置进行编程，以告诉交通显示何时根据一天中的时间和交通变化来更改颜色。这使信号能够处理全天的交通波动，以最大程度地减少交通拥堵。

最近的研究表明，基于心理学中被称为强化学习的概念的学习算法，可以奖励良好的结果，从而可以优化控制器的信号。该策略使控制器可以做出一系列决策，并了解哪些操作可以改善其在现实世界中的运行。在这种情况下，结果将是减少交通延迟。

但是Sharon指出，这些优化的控制器在现实世界中不切实际，因为控制数据处理方式的基础操作使用了深度神经网络（DNN），这是一种机器学习算法。它们通常用于训练和概括控制器的致动策略，该策略是决策（或控制）功能，可根据其当前情况确定下一步应采取的措施。它由多个传感器组成，这些传感器可提供有关传感器的信息。相交的当前状态。

尽管它们的功能强大，但DNN的决策却非常不可预测且前后不一致。试图了解为什么他们采取某些行动而不采取其他行动对交通工程师来说是一个繁琐的过程，这反过来又使他们难以监管和理解不同的政策。

为了克服这个问题，Sharon和他的团队定义并验证了一种方法，该方法可以成功地实时训练DNN，同时将其从观察现实世界中学到的知识转移到工程师可以理解和调节的其他控制功能中。

通过对真实路口的仿真，该团队发现他们的方法在优化其可解释的控制器方面特别有效，与通常部署的信号控制器相比，可将车辆延迟减少多达19.4％。

尽管他们的方法有效，研究人员观察到，当他们开始训练控制器时，它花了大约两天的时间才能了解什么措施实际上有助于减轻各个方向的交通拥堵。

“我们的未来工作将通过观察当前部署的控制器的运行情况，同时保证性能的基线水平并从中学习，来研究用于启动控制器学习过程的技术。” Sharon说。

这项研究的其他贡献者包括爱丁堡大学信息学院的研究助理Josiah P. Hanna，以及得克萨斯州A＆amp; M的Pi Star实验室的博士生James Ault。

新的Polo Road设施是7800万美元项目的一部分，该项目还包括一个停车库和用餐区。

航空工程学教授兼Hagler高级研究所所长的目标是保留大学的长处，并在可能的情况下，寻找使之更好的方法。

德克萨斯州A＆amp; M地理学教授是一个研究小组的成员，该小组找到了有效的方法来跟踪病毒并查明传播的集群。 订阅每周德克萨斯州A＆amp; M今日新闻，以获得最新新闻和故事。