Resumen

En el control adaptativo de señales de tráfico (ATSC), el aprendizaje por refuerzo (RL) es un tema de investigación de vanguardia, combinado con redes neuronales profundas para mejorar aún más su capacidad de aprendizaje. El aprendizaje por refuerzo multiagente distribuido (MARL) puede evitar este tipo de problema al observar algunas áreas de cada RL local en la compleja área de tráfico en el plano. Sin embargo, debido a las limitadas capacidades de comunicación entre cada agente, el entorno se vuelve parcialmente visible. Este artículo propone el aprendizaje por refuerzo multiagente basado en juego cooperativo (CG-MARL) para diseñar la intersección como una estructura de agentes. El método considera no solo la comunicación y coordinación entre agentes, sino también el juego entre agentes. Cada agente observa su propia área para aprender la estrategia de RL y la función de valor, luego concentra la función de diferentes agentes a través de una red híbrida, y finalmente forma su propia función final en toda la red de transporte a gran escala. Los

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Control de señales de tráfico adaptativo; Aprendizaje por refuerzo; Redes neuronales profundas; RL multiagente distribuido; Juego cooperativo; Intersección;
• Keywords:Adaptive traffic signal control; Reinforcement learning; Deep neural networks; Distributed multiagent RL; Cooperative game; Intersection;