तकनीकी सारांश: विषम सड़क नेटवर्क पर ट्रैफ़िक सिग्नल के लिए एक ग्राफ-आधारित नियंत्रण इंटरफ़ेस

समस्या विवरण

ट्रैफ़िक सिग्नल नियंत्रण मौलिक सामान्यीकरण (generalization) की चुनौती का सामना करता है: एक्शन स्पेस (action spaces) स्वाभाविक रूप से स्थानीय और विषम होते हैं। एक तीन-भुजा वाला जंक्शन, एक मानक चार-भुजा वाला चौराहा, और एक संरक्षित टर्न (protected turns) वाला जटिल जंक्शन, अलग-अलग चरणों (phases) की संख्या और उन चरणों के भिन्न अर्थ रखते हैं। फलस्वरूप, निश्चित-आउटपुट न्यूरल नेटवर्क हेड्स (जैसे, "फेज 2") विभिन्न सड़क नेटवर्क में पुन: प्रयोज्य अर्थ (reusable semantics) की कमी रखते हैं। मानक दृष्टिकोण जो एक्शन स्पेस को एक समान आकार तक पैडिंग (padding) करते हैं, वे टेंसर आयामों को बदलते तो हैं लेकिन साझा अर्थ स्थापित नहीं कर पाते, जबकि मौजूदा सीखे गए तरीके अक्सर ट्रैफ़िक मूवमेंट की स्कोरिंग को जंक्शन-विशिष्ट एक्शन स्पेस के निर्माण से अलग करने में संघर्ष करते हैं।

कार्यप्रणाली (Methodology)

यह शोध पत्र एक नियंत्रण इंटरफ़ेस प्रस्तावित करता है जो ट्रैफ़िक मूवमेंट्स की सीखी गई स्कोरिंग को स्थानीय एक्शन स्पेस के नियतात्मक निर्माण से सख्ती से अलग करता है।

1. नियंत्रण वस्तुएं और प्रतिनिधित्व (Control Objects and Representation)

• मूवमेंट्स (Movements): इन्हें एक इनकमिंग रोड कॉरिडोर से आउटगोइंग रोड कॉरिडोर तक के कानूनी, नियंत्रित पथों के रूप में परिभाषित किया गया है (जिसमें सीधा चलना और टर्न शामिल हैं)।
• लेनग्रुप्स (LaneGroups): जब अनसिग्नलकृत निरंतरता (unsignalized continuation) स्पष्ट हो, तो क्रमिक निर्देशित सड़क खंडों को लेनग्रुप्स में समूहबद्ध किया जाता है। विपरीत दिशाएं अलग रहती हैं क्योंकि उनके क्यू (queue) और गति की गतिशीलता भिन्न होती है।
• फेजेस (Phases): एक फेज संगत मूवमेंट्स का एक सेट है जो एक साथ हरा सिग्नल प्राप्त कर सकते हैं। नियंत्रक व्यक्तिगत लैंप को नियंत्रित करने के बजाय प्रति जंक्शन एक फेज का चयन करता है।

2. ग्राफ न्यूरल नेटवर्क (GNN) आर्किटेक्चर

सिस्टम एक साझा, टाइप किए गए ग्राफ न्यूरल नेटवर्क का उपयोग करता है जो लेनग्रुप और मूवमेंट नोड्स वाले शहर-स्तरीय ग्राफ पर कार्य करता है।

• मैसेज पासिंग (Message Passing): आर्किटेक्चर चार निर्देशित संबंधों के साथ टाइप किए गए मैसेज पासिंग का उपयोग करता है: $L_{in} \to M$, $L_{out} \to M$, $M \to L_{in}$, और $M \to L_{out}$।
• एग्रीगेशन (Aggregation): यह एम्बेडिंग उत्पन्न करने के लिए टाइप्ड मीन एग्रीगेशन (अटेंशन के बजाय) का उपयोग करता है।
• स्कोरिंग (Scoring): दो मैसेज-पासिंग ब्लॉक्स के बाद, एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) अंतिम मूवमेंट एम्बेडिंग ($h^{(2)}_m$) को एक एकल स्केलर स्कोर ($s_m$) में मैप करता है।
• पैरामीटर शेयरिंग (Parameter Sharing): पैरामीटर के आकार केवल फीचर और हिडन डायमेंशन पर निर्भर करते हैं, जिससे वे ग्राफ के आकार या एक्शन की संख्या से स्वतंत्र होते हैं।

3. नियतात्मक एक्शन स्पेस निर्माण (Deterministic Action Space Construction)

यह इंटरफ़ेस एक "नैरो बाउंड्री" (narrow boundary) लागू करता है जहाँ सीखना (learning) मूवमेंट स्कोरिंग पर समाप्त होता है, और बाकी का काम नियतात्मक कोड द्वारा संभाला जाता है:

• इंसिडेंस मैट्रिक्स ($A_j$): प्रत्येक जंक्शन $j$ के लिए, एक पूर्व-निर्धारित, नियतात्मक इंसिडेंस मैट्रिक्स मूवमेंट स्कोर को फेज लॉजिट्स (phase logits) में मैप करता है। मैट्रिक्स $A_j \in \{0, 1\}^{|P_j| \times |M_j|}$ यह दर्शाता है कि कौन से मूवमेंट्स किन फेजेस द्वारा सक्षम किए गए हैं।
• फेज लॉजिट्स (Phase Logits): एक फेज $p$ के लिए लॉजिट उसके सक्षम मूवमेंट्स के स्कोर का योग है: $\ell_{j,p} = \sum_{m \in M_j} A_{j,p,m} s_m$।
• ऑफलाइन निर्माण: फेजेस को SUMF कॉन्फ्लिक्ट डेटा के आधार पर मैक्सिमल कंपैटिबल मूवमेंट सेट्स खोजने के लिए ब्रोंक-केर्कोस (Bron–Kerbosch) एन्यूमरेशन का उपयोग करके ऑफलाइन बनाया जाता है।
• ऑनलाइन निष्पादन: रनटाइम पर, एक उपलब्धता मास्क न्यूनतम ग्रीन टाइम को लागू करता है, और एक कैटेगोरिकल सैंपल लॉजिट्स के आधार पर एक फेज का चयन करता है।

4. प्रशिक्षण प्रोटोकॉल (Training Protocol)

• एल्गोरिदम: पूर्ण नीति (complete policy) को अनुकूलित करने के लिए प्रॉक्सिमल पॉलिसी ऑप्टिमाइजेशन (PPO) का उपयोग किया जाता है।
• रिवॉर्ड फंक्शन: प्रति जंक्शन एक स्थानीय, आयामहीन (dimensionless) रिवॉर्ड दिया जाता है, जो प्रोग्रेस (स्पीड-नॉर्मलाइज्ड डेंसिटी), डिस्चार्ज (वाहनों का निकलना), ब्रेकिंग (डिसिलेरेशन), और ग्रिडलॉक (स्पीड डेफिसिट) के पदों को जोड़ता है।
• निष्पादन: नीति परिवर्तनशील-आकार के स्टेट ग्राफ पर कार्य करती है। बैचिंग के लिए, समान स्थानीय आयाम वाले जंक्शन्स को समूहबद्ध किया जाता है, जिससे यूनिवर्सल ग्राफ साइज तक पैडिंग करने से बचा जा सके।

मुख्य योगदान (Key Contributions)

1. संरचनात्मक अलगाव (Structural Decoupling): प्राथमिक योगदान वह आर्किटेक्चरल इंटरफ़ेस है जो मूवमेंट स्कोरिंग के लिए एक पुन: प्रयोज्य, साझा GNN को एक्शन स्पेस के जंक्शन-विशिष्ट निर्माण से अलग करता है। यह सिस्टम को बिना रिट्रेनिंग या नेटवर्क टोपोलॉजी बदले, परिवर्तनशील ग्राफ आकार और परिवर्तनशील एक्शन काउंट को संभालने की अनुमति देता है।
2. व्यवहार्यता मूल्यांकन (Feasibility Evaluation): शोध पत्र इस इंटरफ़ेस की विषम सड़क नेटवर्क (अनदेखे सिंथेटिक ग्रिड ज्योमेट्री और पांच अलग-अलग शहर ग्राफ - कार्लज़रूहे, मानहेम, स्टटगार्ट, हाइडलबर्ग, फ्रीबर्ग सहित) पर निष्पादित होने की क्षमता का अनुभवजन्य प्रमाण प्रदान करता है।
3. पारदर्शी सीमा (Transparent Boundary): TransferLight जैसे पिछले कार्यों के विपरीत, जो जटिल पदानुक्रम या फेज अर्थों को सीखते हैं, यह दृष्टिकोण एक पारदर्शी सीमा बनाए रखता है जहाँ फेज सदस्यता और समय निर्धारण नियतात्मक रहता है, और सीखा गया एक्टर केवल प्रति मूवमेंट एक स्केलर आउटपुट देता है।

प्रयोगात्मक परिणाम (Experimental Results)

मूल्यांकन तीन अनुसंधान प्रश्नों (RQs) को संबोधित करता है:

• RQ1 (सिंथेटिक फैमिली के भीतर स्थानांतरण): अनदेखे ग्रिड आकारों (जैसे, $6 \times 6$) और उसी सिंथेटिक जनरेटर द्वारा उत्पन्न आस्पेक्ट रेश्यो पर, नमूना ली गई सीखी गई नीति ने सभी मांग स्तरों (0.6, 0.7, 0.8) पर थ्रूपुट और पूर्णता दर (completion rates) दोनों में मैक्स-प्रेशर बेसलाइन को पीछे छोड़ दिया।
• RQ2 (डिस्ट्रीब्यूशन शिफ्ट): जब सिग्नल कवरेज को कम (50% और 25%) किया गया, तो पूर्ण कवरेज पर प्रशिक्षित नीति ने मैक्स-प्रेशर की तुलना में महत्वपूर्ण प्रदर्शन गिरावट दिखाई। यह सिग्नल कवरेज में वितरण बदलाव (distribution shifts) के प्रति संवेदनशीलता को दर्शाता है, भले ही आर्किटेक्चर संरचनात्मक रूप से निष्पादन योग्य बना हुआ है।
• RQ3 (शहर की व्यवहार्यता): एक ही प्रशिक्षित पॉलिसी इंस्टेंस को पांच विषम शहर ग्राफों पर निष्पादित किया गया। परिणाम मिश्रित रहे:
  • कार्लज़रूहे और स्टटगार्ट: सीखी गई नीति ने थ्रूपुट और पूर्णता में सभी गैर-सीखे गए बेसलाइन्स (मैक्स-प्रेशर, क्यू, फिक्स्ड टाइम) को पछाड़ दिया।
  • मानहेम: यह क्यू (Queue) बेसलाइन से पीछे रही।
  • हाइडलबर्ग: इसने फिक्स्ड टाइम के समान प्रदर्शन किया।
  • फ्रीबर्ग: इसने फिक्स्ड टाइम की तुलना में उच्च थ्रूपुट और पूर्णता प्राप्त की, लेकिन उच्च वेट डेंसिटी (wait density) की कीमत पर।
  • नोट: स्टटगार्ट एकमात्र वास्तविक सामान्यीकरण परीक्षण (कोई प्रशिक्षण रोलआउट नहीं) था, जबकि अन्य विषम प्रशिक्षण डोमेन में निष्पादन को प्रदर्शित करते हैं।

महत्व और दावे (Significance and Claims)

शोध पत्र स्पष्ट रूप से अपने योगदान को एक सामान्य गारंटी के बजाय व्यवहार्यता साक्ष्य के रूप में फ्रेम करता है।

• सीमित दायरा: लेखक कहते हैं कि उनके परिणाम किसी भी सड़क नेटवर्क पर सामान्य स्थानांतरण की गारंटी नहीं देते हैं। मूल्यांकन विशिष्ट सिंथेटिक और शहर सिमुलेशन परिवारों तक सीमित है।
• संरचनात्मक बनाम अनुभवजन्य: पेपर एक संरचनात्मक गुण (परिवर्तनीय ग्राफ पर निष्पादित होने की क्षमता, जो निर्माण द्वारा सिद्ध है) और अनुभवजन्य मजबूती (जो सिग्नल कवरेज जैसे वितरण बदलावों के प्रति संवेदनशील है, जैसा कि दिखाया गया है) के बीच अंतर करता है।
• कार्यान्वयन फोकस: यह कार्य एक नए सुदृढीकरण शिक्षण (reinforcement learning) एल्गोरिदम के बजाय एक कार्यान्वयन और आर्किटेक्चरल इंटरफ़ेस का मूल्यांकन करता है। यह रेखांकित करता है कि हालांकि इंटरफ़ेस परिवर्तनशील आयामों का समर्थन करता है, सीखी गई प्रदर्शनशीलता नियंत्रक के वितरण या अंतर्निहित नेटवर्क टोपोलॉजी में बदलाव के प्रति अपरिवर्तित नहीं है।

निष्कर्षतः, शोध पत्र प्रदर्शित करता है कि एक ग्राफ-आधारित इंटरफ़ेस सफलतापूर्वक मूवमेंट स्कोरिंग को स्थानीय सिग्नल लॉजिक से अलग कर सकता है, जिससे विविध और अनदेखे नेटवर्क ज्यामिति पर निष्पादन संभव होता है। हालाँकि, यह यह भी प्रकट करता है कि संरचनात्मक निष्पादन क्षमता स्वचालित रूप से वितरण बदलावों या सभी विषम शहर वातावरणों में बिना अतिरिक्त ट्यूनिंग या अनुकूलन के मजबूत प्रदर्शन सुनिश्चित नहीं करती है।