Co-Adaptive Reinforcement Learning in Microscopic Traffic Systems

Lemos, Liza L.; Bazzan, Ana L. C.; Pasin, Márcia

doi:10.1109/cec.2018.8477713

Cited by 4 publications

(3 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Liu et al, 2018). The co-learning problem of both classes of learning agents, traffic signals and drivers, with different goals (minimizing individual travel times vs minimizing the queues locally), different nature (driver agents learn in episodes that are asynchronous, while traffic light agents learn continuously (non-episodic)), and the nontrivial task of microscopic modelling and simulation (whose actions are highly coupled) is another area of research that was addressed (Lemos et al, 2018). In addition to these lines of research in this category, analyzing what specifically RL does differently (i.e.…”

Section: Methods' Contribution and Combinationmentioning

confidence: 99%

Reinforcement Learning in Urban Network Traffic Signal Control: A Systematic Literature Review

Noaeen¹,

Naik²,

Goodman³

et al. 2021

Preprint

Self Cite

View full text Add to dashboard Cite

Improvement of traffic signal control (TSC) efficiency has been found to lead to improved urban transportation and enhanced quality of life. Recently, the use of reinforcement learning (RL) in various areas of TSC has gained significant traction; thus, we conducted a systematic literature review as a systematic, comprehensive, and reproducible review to dissect all the existing research that applied RL in the network-level TSC (NTSC) domain. The review only targeted the network-level articles that tested the proposed methods in networks with two or more intersections. We used natural language processing to define the search strings and searched Google Scholar, Web of Science, IEEE Xplore, ACM Digital Library, Springer Link, and Science Direct databases. This review covers 160 peer-reviewed articles from 30 countries published from 1994 to March 2020. The goal of this study is to provide the research community with statistical and conceptual knowledge, summarize existence evidence, characterize RL applications in NTSC domains, explore all applied methods and major first events in the defined scope, and identify areas for further research based on the explored research problems in current research.

show abstract

Section: Methods' Contribution and Combinationmentioning

confidence: 99%

Reinforcement Learning in Urban Network Traffic Signal Control: A Systematic Literature Review

Noaeen¹,

Naik²,

Goodman³

et al. 2021

Preprint

Self Cite

View full text Add to dashboard Cite

show abstract

“…No trabalho de [Wiering 2000] foi um dos pioneiros a tratar motoristas e semáforos aprendendo simultaneamente. Em [Lemos et al 2018] foi proposta uma abordagem baseada em jogos repetidos (para a classe motorista) e jogos estocásticos (para os semáforos). Por se tratar de naturezas diversas de aprendizado, o artigo também discute os desafios encontrados em termos de AR.…”

Section: Aplicaçõesunclassified

“A Nova Eletricidade”: Aplicações, Riscos e Tendências da IA Moderna

Bazzan,

Tavares,

Pereira

et al. 2023

Escola De Computação PPGC/UFRGS 50 Anos: Transformando Desafios Em Oportunidades Para O Futuro

View full text Add to dashboard Cite

A provocativa comparação entre IA e eletricidade, feita pelo cientista da computação e empreendedor Andrew Ng, resume a profunda transformação que os recentes avanços em Inteligência Artificial (IA) têm desencadeado no mundo. Este capítulo apresenta uma visão geral pela paisagem em constante evolução da IA. Sem pretensões de exaurir o assunto, exploramos as aplicações que estão redefinindo setores da economia, impactando a sociedade e a humanidade. Analisamos os riscos que acompanham o rápido progresso tecnológico e as tendências futuras da IA, área que trilha o caminho para se tornar uma tecnologia de propósito geral, assim como a eletricidade, que revolucionou a sociedade dos séculos XIX e XX.

show abstract

“…E já existem muitos trabalhos com a proposta de usar comunicação veicular para substituir semáforos [1], [3], [4], [5], [6]. Liang et al [7] e Lemos et al [8] usam técnicas mais apuradas para fazer o controle semafórico, com o uso de técnicas da inteligência computacional. Em contraste, neste trabalho, o controle de interseçãoé analisado do ponto de vista de troca de mensagens, com o apoio de comunicação veicular em um cenário miniaturizado.…”

Section: Introductionunclassified

Controle de Interseções em Redes de Transporte com Suporte de Comunicação Veicular: uma Experimentação usando a Plataforma Arduino

Schmidt

Pasin

2019

Anais Estendidos Do IX Simpósio Brasileiro De Engenharia De Sistemas Computacionais (SBESC Estendido 2019)

Self Cite

View full text Add to dashboard Cite

Mobilidade está se tornando um problema constante nas grandes e médias cidades. No futuro, com a implementação de redes veiculares (VANETs), novas soluções poderão ser propostas para melhorar o escoamento do trânsito. Por exemplo, semáforos poderão ser automaticamente ajustados para colaborar na redução de congestionamentos. Enquanto a tecnologia de VANETs não está plenamente disponível, o uso de plataformas robóticas miniaturizadas como estratégia de validação é uma solução factível. Este artigo descreve uma solução o controle semafórico apoiada por comunicação veicular. Um semáforo virtual, implementado com o apoio de uma VANET, é usado para coordenar os fluxos de veículos concorrentes enquanto pequenos carros-robôs são usados para simular o fluxo. Os carros são equipados com placa de controle, um conjunto de sensores e com módulos de comunicação Wi-Fi. A Solução aqui descrita segue a arquitetura cliente-servidor. O semáforo virtual opera como servidor e os carros-robôs são clientes. Um cliente se comunica via Wi-Fi com o servidor para alocar um slot de tempo e espaço para a passagem de uma interseção de vias. O caráter experimental deste trabalho permite demostrar, ainda que de forma preliminar, a possibilidade do uso do suporte de rede de comunicação veicular para a implementação do semáforo virtual.

show abstract

Co-Adaptive Reinforcement Learning in Microscopic Traffic Systems

Cited by 4 publications

References 7 publications

Reinforcement Learning in Urban Network Traffic Signal Control: A Systematic Literature Review

Reinforcement Learning in Urban Network Traffic Signal Control: A Systematic Literature Review

“A Nova Eletricidade”: Aplicações, Riscos e Tendências da IA Moderna

Controle de Interseções em Redes de Transporte com Suporte de Comunicação Veicular: uma Experimentação usando a Plataforma Arduino

Contact Info

Product

Resources

About