近期，实验室博士生杨光新的论文“Twin-Timescale Traffic Signal Timing Method with Joint Communication Resource Allocation”被IEEE Internet of Things Journa正式录用。交通信号时序（TST）对于确保交通安全、效率和流畅性至关重要，其主流方法包括信号协调时序方法、模糊逻辑时序方法以及多智能体强化学习（MARL）时序方法。交通信号灯的变化将加快车辆通过路口的频率，增加对通信资源的需求，从而强烈影响车联网 (V2X) 通信资源分配（CRA）。在现有的研究领域中，高质量的通信技术已被应用于各种场景，即信息提供 、精确控制 、路径选择和碰撞避免 ，这些工作仅关注通信技术对交通控制的单向影响。本文首次揭示了TST与CRA之间的双向交互机制，旨在在确保通信性能的同时尽可能提高TST的性能。值得注意的是，所提出的机制可以有效应对交通信号带来的通信资源限制挑战，为未来智能交通中自动驾驶的广泛应用提供支持。
论文简介
TongWang,Member,IEEE,
GuangxinYang,StudentMember,IEEE,
LuWang,Member,IEEE,
P.Takisathiopoulos,SeniorMember,IEEE,
TomoakiOhtsuki,SeniorMember,IEEE,
MinOuyang,Member,IEEE
在多交叉口交通信号配时（TST）中，采用统一的周期时间会降低低流量交叉口的效率，并且信号变化会改变车流并降低通信质量。为了应对这些挑战，本文采用双时间尺度框架，将多交叉口TST方法与通信资源分配（CRA）策略相结合，并分析其性能。具体而言，针对每个交叉口，构建了一个双时间尺度强化学习（RL）框架，将CRA和TST分别作为短时间尺度和长时间尺度模型，并联合构建奖励函数。基于双时间尺度模型的特性，奖励函数被构建为奇异摄动模型（SPM），并设计了一个状态反馈控制器来保证SPM的渐近稳定性。在算法设计方面，提出了一种新颖的异步多智能体协同强化学习算法。为了实现多交叉口交通环境的有效异步协调，每个交叉口在异步时间基于相邻交叉口的参数信息生成决策策略的联合参数。此外，本文还研究了联邦学习（FL）与所提出的算法相结合的应用，并讨论了其优势。利用真实交通数据，通过计算机仿真实验获得了各种性能评估结果，证实该方法能够显著且可靠地改善交通指标，并保持良好的通信性能。同时，引入联邦学习增强了算法对恶意攻击的抵抗力，并通过数值计算设计了用于双时间尺度模型稳定性的有效状态反馈控制器。
作者信息
如果您对本文内容感兴趣的话，可以与作者联系：
杨光新 哈尔滨工程大学智能感知与群智计算黑龙江省重点实验室 博士研究生
联系方式：1803669455@hrbeu.edu.cn
评论 0