读书笔记-Distributed Cooperative Reinforcement Learning-Based Traffic Signal Control That Integrates V2X

最新推荐文章于 2023-02-04 21:59:37 发布
最新推荐文章于 2023-02-04 21:59:37 发布
阅读量687 收藏 4
点赞数
分类专栏： 交叉口控制 文章标签： 车联网 交叉口控制 V2X网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gaoruowen1/article/details/82761026
版权
本文介绍了基于V2X网络的分布式协同强化学习交通信号控制系统，利用动态聚类算法获取实时交通信息，通过协作强化学习优化控制策略。V2X网络包括V2I和V2V通信模式，确保数据传输。动态聚类算法确保集群稳定性，而交通信号控制优化则借助快速函数逼近技术解决高维问题。仿真结果展示了算法在通信性能和交通控制效果上的优势。
摘要由CSDN通过智能技术生成

Distributed Cooperative Reinforcement Learning-Based Traffic Signal Control That Integrates V2X

基于 V2X网络 动态聚类算法 的分布式协同强化学习流量控制。

主要思路

准确即时获取交通流信息 -> V2X集群稳定 -> 提出一种新的动态聚类算法
控制平衡流量 -> 协同强化学习

问题背景

目前，大多数的ITS系统根据安装在交叉路口附近的 传感器感测 的实时交通数据来计算。难以维护和更新

-> 利用短程无线通信：V2X网络
通过VANET获得实时交通道路信息。这种方法为车辆检测和交叉口合作提供了新的方法。当车辆在红绿灯前等候时，会将他们的相关信息发送给交叉路口代理。

-> V2X网络的信息通信组织：集群结构，因此需要考虑如何 维持群集稳定性 --> 提出稳定聚类算法

-> 获得交通信息后，考虑交通信号控制优化：协同强化学习 -> 如何解决高维问题(利用函数逼近技术) -> 如何解决逼近方法的较慢收敛性（运用快速梯度下降这种逼近方法）

相关技术 - V2X中信息采集<

最低0.47元/天 解锁文章
EmilyGnn
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
读书笔记 - Clique-based Cooperative Multiagent Reinforcement Learning Using Factor Graphs
能能
10-18 467
《Clique-based Cooperative Multiagent Reinforcement Learning Using Factor Graphs》 在许多情况下，代理不是独立的，而是与其他代理连接，代理相互交互以共同影响环境。有时，每个代理只能获取其附近环境的状态以及其邻居代理的行为。这种系统称为多代理系统（MAS）[5]。 如果代理人有共同的兴趣并协调完成任务，那么他们就是合作的，...
阅读Qatten：A General Framework for Cooperative Multiagent Reinforcement Learning
养羊的博客
10-13 1453
写在前面：还是那句话，不要怕理论，一个知识点一个知识点地理解。胡适说：“怕什么真理无穷，进一步有一步的欢喜”。 目录题目作者摘要方法理论证明实际方法实验写在后面 题目作者 2020.06，arXiv，v2。天津大学Jianye Hao老师组的工作，一作的Yaodong Yang也很厉害,可以重点关注郝老师他们组里的工作。 摘要 这篇同样是值分解路线下的一篇工作，作者认为之前的VDN,QMIX将Qtot,QiQ_{tot},Q_iQtot​,Qi​之间的关系做了假设限制（加性、单调），且缺少理论分析，而Q
【论文笔记·RL】Traffic Signal Control Based on Reinforcement Learning with Graph Convolutional Neural Nets
lokol.的秘密基地
02-04 421
文章使用神经网络拟合Q-Learning的迭代过程（NFQI），每个agent可以利用周边道路的交通信息学习一种策略，以分布式方式控制十字路口的交通信号。采用sumo进行模拟仿真，仿真结果表明，该方法能够以两倍于基于强化学习的全连接神经网络(FCNN)方法的速度找到可比策略，并能处理更广泛的交通需求变化。
读书笔记 - EITantawy2013 - Multiagent RL for Integrated Network of Adaptive Traffic Signal Controllers
能能
10-11 373
《Multiagent Reinforcement Learning for Integrated Network of Adaptive Traffic Signal Controllers (MARLIN-ATSC): Methodology and Large-Scale Application on Downtown Toronto》 使用多代理强化学习（MARL）方法可以设计高效且稳健的...
SUMO-V2X-Communication-Research-Platooning-and-CIM:交通模拟项目
05-16
SUMO V2X通讯研究（排和CIM） 该项目最初于2018年启动，当时我对大学的学位论文进行了研究，将与相结合。 该项目的重点是创建排并通过使用路口控制它们。 这是使用SUMO和TraCI（Python）的组合来实现的。 SUMO是一种城市交通模拟器，可以在找到有关它的更多信息 崔西是手动查看有关SUMO模拟信息，并改变它使用python运行时，它的行为（详细信息的方式） 随时进行构建/学习，如果您有任何问题，请告诉我。 入门 要开始使用该项目，它相对简单 安装 ，请确保在安装过程中打勾以将python添加到系统路径中 安装 ，确保在安装过程中打勾以将SUMO添加到系统路径 将此存储库克隆到本地。 双击它或使用命令提示符（例如pythoncensage_runner.py）运行scenario_runner.py文件。 然后，它将为您提供可以运行的方案的选项，输入您的选择，模
Optimal control in microgrid using multi-agent reinforcement learning
02-20
This paper presents an improved reinforcement learning method to minimize electricity costs on the premise of satisfying the power balance and generation limit of units in a microgrid with grid-...
Distributed Consensus in Multi-vehicle Cooperative Control.rar
08-10
"Distributed Consensus in Multi-vehicle Cooperative Control.rar"这个压缩包包含了深入探讨这一主题的专业资料，主要关注的是分布式一致性理论。 分布式一致性理论是网络控制和分布式计算的核心概念，它涉及到...
Distributed Consensus in Multi-vehicle Cooperative Control
11-15
Distributed Consensus in Multi-vehicle Cooperative
Reflective-distributed SPR sensor based on twin-core fiber
02-10
We propose and demonstrate a reflective-distributed surface plasmon resonance (SPR) sensor based on the twin-core fiber. Firstly, we study the effects of the fiber dual tapered (DT) probe grinding ...
论文研究-Distributed Containment Control of Multi-Agent Linear Systems.pdf
08-16
线性多智能体系统的分布式包含控制，温广辉， 胡国强，本文研究了有向通信拓扑下的线性多智能体系统的分布式包含控制问题。为了实现包含控制任务,本文首先设计了一类静态分布式通信协��
车联网平台SUMO
08-31
关于车联网的一个仿真平台的介绍，包括交通仿真SUMO和网络仿真软件NS3
sumo车辆仿真
05-22
sumo的基于上海市某地区实地地图的仿真，包括各种数据的导出。
V2X车联网及其关键技术_王建昱
01-23
随着我国汽车保有量的快速增加，道路交通安全问题日益突出。V2X车联网作为一种解决道路安全问题的新手段逐渐引起人们的重视。本文首先对国内外V2X车联网的研究状况进行了总结，然后对V2X车联网的关键技术进行了介绍和分析，给出了V2X车联网支持的典型道路安全应用场景，最后对V2X车联网的发展趋势进行总结。
V2X-Sim: A Virtual Collaborative Perception Dataset for Autonomous Driving
weixin_43635795的博客
09-09 1100
V2X-Sim是第一个基于 CARLA 模拟器的自动驾驶场景中的虚拟协同感知数据集。通过在现实交通流中提供多智能主体多模态传感器数据流和多种的注释标签，V2X-Sim 可以用于各种感知任务，尤其是在现实数据集广泛可用之前的协同感知。原文：https://arxiv.org/pdf/2202.08449.pdf。
Multi-Agent Deep Reinforcement Learning for Large-scale Traffic Signal Control
qq_33026195的博客
10-27 2059
目录 摘要 引言 方法 总结 本文将A2C算法与IQL算法结合，应用到多体的交通信号灯领域，并且为了解决部分可观测的、非稳定的问题，采取了综合邻居信息和空间衰减因子的方法。 摘要 对于复杂城市交通网络的适应性交通信号灯控制（adaptive traffic signals control），强化学习（RL）是一种非常有前景的方法，并且深度神经网络进一步增强了它学习的能力。 问题：然而，对于大规模的ATSC，由于联合动作空间的极度高维度，集中化的RL是不可行的。MARL（multi agent
Reward Machines for Cooperative Multi-Agent Reinforcement Learning论文阅读
蜜汁菠萝头
11-24 1237
Abstract 本文提出了一种使用Reward Machine作为reward function编码任务的方法。其实就是把传统的Q值使用reward Machine替代了。使用reward Machine把team-level的任务，一个团队合作的任务拆分成多个子任务，然后使用不同的agents来学习这些子任务。最后把所有求得的最优policy集合一起。 并且每一个agent学习不同的子任务时，只会根据自己的local state（自己看到的环境）和其他agent的抽象表示。 既然有提到拆分，那拆分出来的
读书笔记 - Kuyer - Multiagent RL for Urban Traffic Control using CG
能能
10-09 870
Multiagent Reinforcement Learning for Urban Traffic Control using Coordination Graphs 在多代理强化学习的先前工作中，代理仅选择本地最优的动作而不协调行为。本文将这种方法扩展到包括相邻交通灯之间的协作。使用max-plus算法实现协调，该算法通过在连接的代理之间发送本地优化的消息来估计最佳联合动作。 背景 将强化...
5G移动网络 V2X
stoneyyhit的专栏
10-12 4645
http://www.pcpop.com/doc/1/1080/1080103.shtml 如何提高互联网接入速度一直是各国运营商所研讨的重点课题，从80年代初的模拟信号到现在的4G移动网络即将普及，数据交换速度已经有了质的飞跃。人们对于速度的追求是永无止境的，虽然在大众的眼里4G已经足够快，但科学家实际上早就开始了针对下一代通讯技术的研究，今天我就带大家看一看未来5G移动网络的大致面貌
# SUMO 仿真建模
passergerLinda的博客
10-01 3525
公众号打算系统介绍一下SUMO软件的使用。公众号系列文章将以一个典型交叉口为例，从静态路网建模，交通需求加载，信号方案生成，到嵌入经典交通控制算法，A信控I算法，一步一步深入全面介绍sumo的知识。在此之后，公众号会横向拓展介绍，静态路网建模...AI信控算法的多种实现方式。最后，介绍大家可能接触不多，但是很重要的知识，如：仿真加速，并行仿真，仿真服务web可视化，仿真场景重现，中观与微观一体化仿真，大规模路网实时在线仿真等技术要点。最后呈现一个大规模在线实时仿真的demo。
distributed consensus in multi-vehicle cooperative control
最新发布
05-14
分布式一致性在多车协同控制中是一个非常关键的概念。在多车协同控制中，需要通过分布式一致性来确保各个车辆之间的信息和行动是同步的。 分布式一致性是指通过各个节点之间的协商和共识达成一致，使得分布式系统中...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值