Effiziente und anpassungsfähige Steuerung von Verkehrsampeln durch Meta-Reinforcement-Learning
Ein neuartiges Meta-Reinforcement-Learning-Verfahren (MetaVIM) wird vorgestellt, um dezentrale Strategien zur Steuerung von Verkehrsampeln in großen Straßennetzen zu lernen. Das Verfahren nutzt einen erlernten latenten Variablenraum, um aufgabenspezifische Informationen darzustellen, und ein neuartiges intrinsisches Belohnungssystem, um die Stabilität des Lernens zu verbessern.
Effizientes Multi-Task-Reinforcement-Learning für die Verkehrslichtsignalsteuerung
MTLIGHT verbessert die Beobachtung des Agenten durch einen erlernten latenten Zustand, der aus zahlreichen Verkehrskennzahlen gewonnen wird. Gleichzeitig werden mehrere Hilfs- und Überwachungsaufgaben konstruiert, um den latenten Zustand zu lernen, und zwei Arten von eingebetteten latenten Merkmalen, die aufgabenspezifischen und die aufgabenübergreifenden Merkmale, werden verwendet, um den latenten Zustand reichhaltiger zu machen.
© 2024 by Linnk AI