一个深度强化学习算法,用于优化交通信号的安全性和效率,使用交通冲突技术和基于人工智能的视频分析

科学领域:

• 人工智能的人工智能
• 交通工程是交通工程.
• 计算机视觉 计算机视觉

背景情况:

• 传统的交通信号系统往往优先考虑效率而不是安全.
• 将实时,循环级碰撞风险估计整合到信号设计中至关重要,但具有挑战性.
• 现有的方法缺乏处理非静止和冲突类型特定碰撞概率的能力.

研究的目的:

• 开发和评估深度强化学习框架,以优化交通信号安全性和效率.
• 将实时撞车风险估计与交通延迟数据集成,以加强信号控制.
• 解决需要考虑非静止,冲突类型特定和周期级崩概率的方法的需求.

主要方法:

• 利用基于人工智能的视频分析来实时估计碰撞风险.
• 采用深度Q网络 (DQN),与非静止极值理论模型集成.
• 嵌入微观交通模拟以提取交通延误 (等待时间).
• 在澳大利亚昆士兰州的两个现实世界的十字路口上训练并测试了框架.

主要成果:

• 拟议的基于深度强化学习 (DRL) 的信号系统降低了高达87.75%的碰撞风险和高达37.91%的延迟.
• 经过验证的后端撞车风险估计与观察到的撞车频率相比,使用Poisson信心界限.
• 经过训练的DQN模型有效地消除了交通队列,而不会造成过度延误.

结论:

• 与传统的自适应系统相比,拟议的DRL框架显著提高了交通安全和效率.
• 安全性和效率之间的平衡权重 (约为0.5) 优化了交通信号控制政策.
• 这种由人工智能驱动的方法为未来的交通信号设计提供了一个有希望的方向,改进了仅效率优化方法.