$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

다중 교차로에서 협력적 교통신호제어에 대한 연구
A Study on Cooperative Traffic Signal Control at multi-intersection 원문보기

전기전자학회논문지 = Journal of IKEEE, v.23 no.4, 2019년, pp.1381 - 1386  

김대호 (Dept. of Software, Gachon University) ,  정옥란 (Dept. of Software, Gachon University)

초록
AI-Helper 아이콘AI-Helper

도시의 교통 혼잡 문제가 심각해지면서 지능형 교통신호제어가 활발하게 연구되고 있다. 강화학습은 교통신호제어에 가장 활발하게 사용되고 있는 알고리즘으로 최근에는 심층 강화학습 알고리즘이 관심을 끌고 있다. 또한 심층 강화학습 알고리즘이 다양한 분야에서 높은 성능을 보이면서 심층 강화학습의 확장 버전들이 빠른 속도로 등장했다. 하지만 기존 교통신호제어 연구들은 대부분 단일 교차로 환경에서 진행되었으며, 단일 교차로의 교통 혼잡만 완화하는 방법은 도시 전체의 교통 상황을 고려하지 못한다는 한계가 있다. 본 논문에서는 다중 교차로 환경에서 협력적 교통신호제어를 제안한다. 신호제어 알고리즘에는 심층 강화학습의 확장 버전들이 결합된 알고리즘을 적용했으며 다중 교차로를 효율적으로 제어하기 위해 인접한 교차로의 교통 상황을 고려하였다. 실험에서는 제안하는 알고리즘과 기존 심층 강화학습 알고리즘을 비교하였으며, 더 나아가 협력적 방법이 적용된 모델과 적용되지 않은 모델의 실험 결과를 보여줌으로써 높은 성능을 증명한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

As traffic congestion in cities becomes more serious, intelligent traffic control is actively being researched. Reinforcement learning is the most actively used algorithm for traffic signal control, and recently Deep reinforcement learning has attracted attention of researchers. Extended versions of...

주제어

#Trafic signal control   #Deep reinforcement learning   #Deep Q Network   #Coordination   #Multi-intersection traffic signal control  

표/그림 (4)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 논문에서는 다중 교차로에서 협력적 교통신호 제어를 제안한다. 교통신호제어 알고리즘으로 심층 강화학습의 여러 가지 확장 버전들을 결합하여 성능을 높였으며, 다중 교차로를 효율적으로 제어하기 위해 인접한 교차로의 교통 상황을 고려하는 협력적 방법을 제안한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
적응형 교통신호제어의 역할은? 적응형 교통신호제어는 교통신호를 동적으로 전환하거나 녹색신호의 길이를 조절한다. 예를 들어, 교차로에서 각 차선의 교통량이 관측되었으면 적응형 교통신호제어는 교통량이 많은 차선에 녹색 신호를 할당함으로써 교통 혼잡을 완화한다. 강화학습은 교통신호제어에 가장 많이 사용되는 알고리즘으로, 알파고(AlphaGo)의 등장 이후로 활발하게 연구되고 있다[6]-[7].
적응형 교통신호제어는 무엇인가? 적응형 교통신호제어는 교통신호를 동적으로 전환하거나 녹색신호의 길이를 조절한다. 예를 들어, 교차로에서 각 차선의 교통량이 관측되었으면 적응형 교통신호제어는 교통량이 많은 차선에 녹색 신호를 할당함으로써 교통 혼잡을 완화한다.
심층 강화학습 알고리즘을 통한 기존의 심층 강화학습 기반 교통신호제어의 한계는 무엇인가? 또한 심층 강화학습 알고리즘이 다양한 분야에서 높은 성능을 보이면서 심층 강화학습의 확장 버전들이 빠른 속도로 등장했다. 하지만 기존 교통신호제어 연구들은 대부분 단일 교차로 환경에서 진행되었으며, 단일 교차로의 교통 혼잡만 완화하는 방법은 도시 전체의 교통 상황을 고려하지 못한다는 한계가 있다. 본 논문에서는 다중 교차로 환경에서 협력적 교통신호제어를 제안한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (21)

  1. J. H. Youn, Y. G. Kang, "Simulation of Traffic Signal Control with Adaptive Priority Order through Object Extraction in Images," Journal of Korea Multimedia Society, Vol.11, No.8 pp.1043-1193, 2008. 

  2. Cai, Chen, Chi Kwong Wong, and Benjamin G. Heydecker. "Adaptive traffic signal control using approximate dynamic programming," Transportation Research Part C: Emerging Technologies, Vol.17, No.5 pp.456-474, 2009. DOI: 10.1016/j.trc.2009.04.005 

    상세보기 crossref

  3. Pandit, Kartik, et al. "Adaptive traffic signal control with vehicular ad hoc network," IEEE Transactions on Vehicular Technolog, Vol.62, No.4 pp.1459-1471, 2013. DOI: 10.1109/TVT.2013.2241460 

    상세보기 crossref

  4. Maslekar, Nitin, et al. "VANET based adaptive traffic signal control," 2011 IEEE 73rd Vehicular Technology Conference (VTC Spring). IEEE, 2011. DOI: 10.1109/VETECS.2011.5956305 

  5. Mannion, Patrick, Jim Duggan, and Enda Howley. "An experimental review of reinforcement learning algorithms for adaptive traffic signal control," Autonomic Road Transport Support Systems. Birkhauser, Cham, pp.47-66, 2016. DOI: 10.1007/978-3-319-25808-9_4 

  6. Sutton, Richard S., and Andrew G. Barto. Introduction to reinforcement learning. Vol.2. No.4. Cambridge: MIT press, 1998. 

  7. Kaelbling, Leslie Pack, Michael L. Littman, and Andrew W. Moore. "Reinforcement learning: A survey," Journal of artificial intelligence research 4, pp.237-285, 1996. 

    상세보기 crossref

  8. Li, Li, Yisheng Lv, and Fei-Yue Wang. "Traffic signal timing via deep reinforcement learning," IEEE/CAA Journal of Automatica Sinica, Vol.3, No.3 247-254, 2016. DOI: 10.1109/JAS.2016.7508798 

    상세보기 crossref

  9. Genders, Wade, and Saiedeh Razavi. "Using a deep reinforcement learning agent for traffic signal control," arXiv preprint arXiv:1611.01142, 2016. 

  10. Gao, Juntao, et al. "Adaptive traffic signal control: Deep reinforcement learning algorithm with experience replay and target network," arXiv preprint arXiv:1705.02755, 2017. 

  11. Mnih, Volodymyr, et al. "Human-level control through deep reinforcement learning," Nature 518, 7540 pp.529-533, 2015. DOI: 10.1038/nature14236 

    상세보기 crossref

  12. YoungTae Jo, JinSup Choi, and InBum Jung, "Intersection Traffic Signal Control based on Traffic Pattern Learning for Repetitive Traffic Congestion," Journal of Computing Science and Engineering, Vol.20, No.8, pp.450-465, 2014. 

  13. Kwang-baek Kim, "Intelligent Traffic Light Control using Fuzzy Method," Journal of The Korea Society of Computer and Information, Vol.15, No.9, pp.19-24. 2010. DOI: 10.6109/jkiice.2012.16.8.1593 

    원문보기 상세보기 crossref

  14. Chen, Ruey-Shun, Duen-Kai Chen, and Szu-Yin Lin. "ACTAM: Cooperative multi-agent system architecture for urban traffic signal control," IEICE transactions on Information and Systems Vol.88, No.1, pp.119-126, 2005. 

  15. Van Hasselt, Hado, Arthur Guez, and David Silver. "Deep reinforcement learning with double q-learning," Thirtieth AAAI conference on artificial intelligence. 2016. 

  16. Wang, Ziyu, et al. "Dueling network architectures for deep reinforcement learning," arXiv preprint arXiv:1511.06581, 2015. 

  17. Schaul, Tom, et al. "Prioritized experience replay," arXiv preprint arXiv:1511.05952 (2015). 

  18. Sutton, Richard S. "Learning to predict by the methods of temporal differences," Machine learning Vol.3, No.1, pp.9-44, 1988. DOI: 10.1007/BF00115009 

    상세보기 crossref

  19. Bellemare, Marc G., Will Dabney, and Remi Munos. "A distributional perspective on reinforcement learning," Proceedings of the 34th International Conference on Machine Learning-Volume 70. JMLR. org, 2017. 

  20. Fortunato, Meire, et al. "Noisy networks for exploration." arXiv preprint arXiv:1706.10295, 2017. 

  21. Krajzewicz, Daniel, et al. "SUMO (Simulation of Urban MObility)-an open-source traffic simulation," Proceedings of the 4th middle East Symposium on Simulation and Modelling (MESM20002), 2002. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로