We present in this article a semi-decentralized approach for urban traffic control, based on the TUC (Traffic responsive Urban Control) strategy. We assume that the control is centralized as in the TUC strategy, but we introduce a contention time window inside the cycle time, where antagonistic stages alternate a priority rule. The priority rule is set by applying green colours for given stages and yellow colours for antagonistic ones, in such a way that the stages with green colour have priority over the ones with yellow colour. The idea of introducing this time window is to reduce the red time inside the cycle, and by that, increase the capacity of the network junctions. In practice, the priority rule could be applied using vehicle-to-vehicle (v2v) or vehicle-to-infrastructure (v2i) communications. The vehicles having the priority pass almost normally through the junction, while the others reduce their speed and yield the way. We propose a model for the dynamics and the control of such a system. The model is still formulated as a linear quadratic problem, for which the feedback control law is calculated off-line, and applied in real time. The model is implemented using the Simulation of Urban MObility (SUMO) tool in a small regular (American-like) network configuration. The results are presented and compared to the classical TUC strategy.


翻译:在本文中,我们根据TUC(Traffic Respective City Control)战略,提出了城市交通管制的半分散化办法。我们假定控制与TUC战略一样集中,但我们在周期内引入了一个有争议的时间窗口,对立阶段交替了优先规则。优先规则是通过对特定阶段应用绿色颜色和对立阶段应用黄色颜色来设定的,使绿色阶段优先于黄色阶段。引入这个时间窗口的想法是减少周期内的红色时间,从而增加网络连接能力。在实践中,优先规则可以使用车辆对车辆(v2v)或车辆对基础设施(v2i)通信。优先车辆几乎通常通过交接点传递,而其他车辆则降低速度和速度。我们提出了这种系统的动态和控制模式。该模式仍然是线性二次问题,为此计算回馈控制法是离线式的,因此提高了网络连接能力。在实践中,优先规则可以使用车辆对车辆对车辆对车辆(v2v)或车辆对基础设施(v2i)或车辆对基础设施(v2i)的通信。优先车辆通过交接点传递方式,而其他车辆则降低速度和速度。我们提出了一个模型用于Simmodal-MO的模型。在Sim-modal-modal-modal-modal-modal-modal-modal-modal 将执行。

0
下载
关闭预览

相关内容

 【SIGGRAPH 2020】人像阴影处理,Portrait Shadow Manipulation
专知会员服务
28+阅读 · 2020年5月19日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】RNN最新研究进展综述
机器学习研究会
25+阅读 · 2018年1月6日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
3+阅读 · 2018年10月25日
Arxiv
3+阅读 · 2018年8月17日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
8+阅读 · 2018年3月20日
VIP会员
相关VIP内容
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】RNN最新研究进展综述
机器学习研究会
25+阅读 · 2018年1月6日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员