PulseAugur
中
实时 07:14:56
English(EN) Explainable Reinforcement Learning for Adaptive Traffic Signal Control

可解释强化学习框架提升交通信号控制的安全性和透明度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的可解释强化学习（RL）框架，旨在提高自适应交通信号控制系统的安全性和透明度。这种新颖的方法将交通观测分解为不同的车道实体和相位配置，保留了交叉口的结构拓扑。一个双阶段注意力网络提取关系依赖性，提供对信号相位影响交通量的可解释见解。该系统在Proximal Policy Optimization管道内集成了确定性动作掩码接口，以防止无效的相位转换，确保符合安全约束。该框架在模拟中进行了评估，在减少延迟方面优于现有方法，并展示了与交通工程原理一致的注意力权重，使其可审计并可部署用于下一代系统。 AI

影响 为关键基础设施引入了更具可解释性和可信赖性的人工智能方法，有可能加速在受监管行业的采用。

排序理由 该集群是一篇详细介绍新颖技术方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

可解释强化学习框架提升交通信号控制的安全性和透明度

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Dickens Kwesiga, Nishu Choudhary, Angshuman Guin, Michael Hunter ·

    用于自适应交通信号控制的可解释强化学习

    arXiv:2607.03703v1 Announce Type: new Abstract: Reinforcement Learning (RL) has emerged as a powerful paradigm for adaptive traffic signal control. However, in safety-critical infrastructure like traffic control, the opaque, black-box nature of deep RL models poses challenges for…

相关实体

相关话题