OM | 论文精读： 深度强化学习与智慧交通(一）
作者：宋绪杰
随着城市化和新兴智能技术的发展，交通运输系统中包含了越来越多的人工智能技 术（AI），被称为智能交通系统（ITS）。本文主要讨论强化学习（RL）在智能交通系统中的应用，下面摘录文中与“交通信号灯 控制”相关的内容。
论文标题：Deep Reinforcement Learning for Intelligent Transportation Systems: A Survey
论文作者：Ammar Haydari, Yasin Yılmaz
随着城市化和新兴智能技术的发展，交通运输系统中包含了越来越多的人工智能技 术（AI），被称为智能交通系统（ITS）。ITS 和 AI 的结合为 21 世纪运输科学研究提供了 有效解决方案，主要应用领域包括“交通信号灯控制”、“自动驾驶”、“交通流控制”等。本文主要讨论强化学习（RL）在智能交通系统中的应用。
在 Reinforcement Learning (RL) 中，智能体在 时刻观测到系统状态 
，根据当前策略 采取动作
，并从环境中获得回报
，系统转移到下一状态
。在每一轮交互中，智能体更新从环境中学到 的知识，下图展示了 RL 的学习过程。
RL 可分为以下两种类型：
-
Model-based RL：智能体知道从状态
转移到的概率。 -
Model-free RL：智能体不知道转移概率，通过探索环境来学习这个状态转移模型。Model-free RL 又可分为 value-based 和 policy-based 两种。
用 RL 解决交通信号灯控制（TSC）问题需要好好设计如下几个模块：
01 状态（state)
(1) Discrete traffic state encoding (DTSE)：这是一种类图像的状态表示形式，将一个车道划分为 个格子，每个格子的长度可容纳一辆汽车，用格子里的值来表示当前路口的 状态。这种状态表示方法较为精细，但数据相对较难收集。
(2) Feature-based value vector：这类方法将某个信息的平均值或总量表示在一个向量中，比如队列长度、等待时间、平均速度、车辆数目等。通常这些信息可以通过路侧 传感器方便地收集。
02 动作（action）
(1) 选择一个相位：在一个交叉路口，通常可以有 4 个绿灯相位，第一种动作可以 选择其中一个相位并执行。
(2) 选择是否改变当前相位：第二种动作可以是一个 01 变量。此种情况下，通常相 位顺序是确定的，通过动作来选择是否改变当前相位并进入下一相位。
(3) 改变当前相位的持续时间：第三种动作可以是连续动作空间下的动作，它表示 当前相位的持续时间。
03 回报（reward）
常用回报包括：等待时间（waiting time），累计延迟（cumulative delay），排队长度 （queue length）以及它们的组合等。
04 神经网络结构（neural network structure）
常用神经网络结构包括：
(1) MLP：即多层感知机，这是标准的全连接神经网络。
(2) CNN：可以看做拥有卷积核的 MLP，有较强的从图像到输出的映射能力。
(3) ResNet：用来解决 CNN 类型网络过拟合问题的网络结构。
(4) GCN：即图卷积神经网络，可在图结构中做卷积操作。
(5) RNN：即循环神经网络，例如 LSTM 网络。经常用于处理序列数据。
05 仿真环境（traffic simulator）
(1)Green Light District (GLD)：这是早期一个基于 Java 开发的交通仿真器，有许多 RL 研究使用这个仿真器。
(2) Simulation Urban Mobility (SUMO)：这是最受欢迎的开源仿真器之一，用户可以 使用 Python 的 TraCI 接口库实现与环境的交互。
(3) AIMSUN：这是由 Transport Simulation Systems (Spain)设计的一个商用求解器。
(4) Paramics：这是由 Quadstone Paramics (UK)设计的一个商用求解器。(5) VISSIM：是类似于 AIMSUN 的仿真器，拥有 MATLAB 接口。
参考文献：
-
Haydari A, Yilmaz Y. Deep reinforcement learning for intelligent transportation systems: A survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2020.