基于视觉的交通信号控制的整体框架与微观仿真

交通信号控制（TSC）对于减少交通拥堵至关重要，能够实现更顺畅的交通流动，减少怠速时间，并减轻二氧化碳排放。在本研究中，我们探讨了一种通过视觉观察来调节路面交通流量的计算机视觉方法。与传统特征基础方法不同，基于视觉的方法对启发式和预定义特征的依赖性大大降低，为交通信号的端到端学习和优化带来了良好的潜力。因此，我们引入了一个称为TrafficDojo的整体交通仿真框架，以支持基于视觉的交通信号控制，并通过将SUMO提供的微观交通流集成到驾驶模拟器MetaDrive中进行基准测试。该框架提供了一个多功能的交通环境，以便对多种交通条件和场景下的交通信号控制器进行深入分析和全面评估。我们建立并比较了包括传统方法和强化学习（RL）方法在内的基线算法。这项工作为基于视觉的交通信号控制方法的设计和开发提供了见解，并开启了新的研究机会。所有代码和基线将公开发布。