arXiv 论文提出 Graphormer 方法，联合控制可变车道与限速
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题建模与连通性约束
论文关注的是车联网与自动驾驶条件下，道路方向与限速可以频繁重设的场景。作者指出，收益取决于车流如何重新分配，而单行道可能把路口孤立起来。为此他们把全网动态车道分配与方向限速控制写成一个统一问题，约束包括每次换向前清空车道，以及可导航图在任何时刻保持强连通。为满足后者，作者给出一个基于图定向理论的动作解析算法：只有当关闭某个方向后网络仍强连通时才允许该提案通过，否则放宽或回退，从而在模型内保证所有路口互相可达，换向清空期间也不例外。
共享控制器与训练方式
所有道路控制器共用一个 transformer，其注意力机制名为 GERASTSA，覆盖全部道路-时间 token，并由道路之间的端点关系提供偏置。训练分两步：先在动作条件化的交通预测任务上预训练，再用逐道路的近端策略优化微调，奖励为混合形式，除本道路外还计入相邻道路与全网的表现。预训练的作用体现在收敛速度上，使策略超过固定配置所需的更新次数大约减少一半。
网格实验与消融结果
实验在 6x6 网格、含通勤高峰的场景中进行。学到的策略把约三分之二道路在高峰方向设为单行道，日延误相比保持固定的初始配置下降 90%，相比调优的双向负载均衡器下降 85%。若在测试时把动作限制为双向道路，收益降到与调优负载均衡器相当的水平，说明单行道重分配是主要收益来源；同时学到的限速在该设置下反而增加延误。消融显示，去掉关系偏置或空间嵌入会使延误放大约五倍，其余消融项影响不明显。
为什么值得看
给出了车道方向与限速联合控制的完整建模与消融结果，对交通控制与图神经网络应用研究者有参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。