🤖 machine learning

DeCoR: Design and Control Co-Optimization for Urban Streets Using Reinforcement Learning

Het artikel introduceert DeCoR, een tweestaps reinforcement learning-framework dat stedelijke voetgangersoversteekplaatsen en adaptieve verkeerslichtregeling gezamenlijk optimaliseert om de vertragingen voor voetgangers en voertuigen op realistische trajecten aanzienlijk te verminderen, terwijl het zich aanpast aan wisselende vraagpatronen zonder hertraining.

Oorspronkelijke auteurs: Bibek Poudel, Lei Zhu, Kevin Heaslip, Sai Swaminathan, Weizi Li

Gepubliceerd 2026-05-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bibek Poudel, Lei Zhu, Kevin Heaslip, Sai Swaminathan, Weizi Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een drukke stadsstraat voor als een gigantische, chaotische dansvloer. Aan de ene kant heb je voetgangers die proberen over te steken; aan de andere kant auto's die proberen erdoorheen te rijden. Momenteel stellen stadsplanners de dansvloer (de oversteekplaatsen) vaak in op basis van oude vuistregels, zoals "plaats een oversteekplaats elke 100 voet", en huren ze vervolgens een DJ (het verkeerslicht) in om een vast ritme te draaien, ongeacht hoeveel mensen er daadwerkelijk dansen.

Het artikel introduceert DeCoR, een nieuw systeem dat fungeert als een superintelligente choreograaf en DJ die samenwerken om de dansvloer terwijl de muziek speelt, opnieuw in te richten.

Hier is hoe het werkt, opgesplitst in eenvoudige stappen:

1. Het Probleem: De "Giswerk"-Kloof

Op dit moment hebben we geweldige camera's en sensoren die precies kunnen tellen hoeveel mensen en auto's er bewegen en waar ze naartoe willen. Maar we gebruiken die data zelden om de stadsindeling te veranderen. We meten het verkeer, maar we herontwerpen de straat niet om het verkeer aan te passen. Dit leidt tot gevaarlijke situaties waarbij mensen wild oversteken omdat de dichtstbijzijnde oversteekplaats te ver weg is, of auto's vastlopen bij lichten die niet overeenkomen met de daadwerkelijke stroom van mensen.

2. De Oplossing: Een Tweestaps "Co-Optimalisatie"

DeCoR maakt gebruik van een type AI genaamd Versterkend Leren (denk hierbij aan een videogamespeler die leert door trial-and-error) om twee problemen tegelijk op te lossen:

Stap 1: De Architect (Ontwerpagent). Deze AI kijkt naar de kaart en vraagt: "Waar moeten we oversteekplaatsen plaatsen en hoe breed moeten ze zijn?" Het raadt niet zomaar; het gebruikt een wiskundig hulpmiddel genaamd een Gaussian Mixture Model. Stel je dit voor als een "hittekaart" die de populairste paden leert die mensen willen nemen (hun "wenslijnen") en voorstelt om oversteekplaatsen precies daar te plaatsen waar het publiek naartoe wil, in plaats van waar een reglement zegt dat ze zouden moeten zijn.
Stap 2: De Dirigent (Besturingsagent). Zodra de Architect een nieuwe indeling voorstelt, neemt de Dirigent het over. Deze AI bestuurt de verkeerslichten. In plaats van een vaste timer, observeert het de real-time menigte en verandert de lichten direct om mensen en auto's met zo min mogelijk wachttijd te laten passeren.

3. Het Trainingsveld: Een Digitale Tweeling

Voordat ze dit op een echte straat probeerden, testte het team DeCoR op een stuk van 750 meter van een universiteitscampus in de VS. Ze voerden het systeem real data aan van:

Videocamera's om auto's te tellen.
Wi-Fi-logboeken (van anonieme telefoons) om voetgangers te tellen.

Ze draaiden duizenden simulaties in een digitale wereld (met behulp van een tool genaamd SUMO) waarbij de AI verschillende indelingen van oversteekplaatsen en lichttimings probeerde. Elke keer dat de AI een zet deed die de wachttijd voor zowel mensen als auto's verkleinde, kreeg het een "beloning". Elke keer dat het een vertraging veroorzaakte, kreeg het een "straf".

4. De Resultaten: Slimmer, Sneller, Veiliger

De resultaten waren verrassend effectief:

Minder Oversteekplaatsen, Beter Resultaat: De echte straat had 7 oversteekplaatsen. DeCoR stelde voor om sommige te verwijderen en er slechts 4 te behouden, maar dan op slimmere plekken te plaatsen.
Lopen is Sneller: Omdat de oversteekplaatsen precies waren geplaatst waar mensen natuurlijk wilden lopen, bereikten voetgangers hun dichtstbijzijnde oversteekplaats 23% sneller. Ze hoefden niet zo ver uit hun pad te lopen.
Wachten is Drastisch Verminderd:
- Voetgangers: Wachtten 79% minder tijd bij de lichten vergeleken met het oude systeem met vaste timer. In feite wachtten ze bijna net zo weinig als bij een ongecontroleerde oversteek (waar je gewoon overstekt), maar dan met de veiligheid van een sein.
- Auto's: Wachtten 65% minder tijd. De lichten pasten zich aan zodat auto's niet onnodig stopten.
De "Superkracht" van Co-Optimalisatie: Het artikel testte wat er gebeurt als je de straatindeling na het trainen van het systeem verandert.
- Als je de DJ (Besturing) traint op een vast plattegrond, en je voegt plotseling een nieuwe oversteekplaats toe, raakt de DJ in de war en ontstaat er file.
- Maar omdat DeCoR's DJ leerde terwijl het plattegrond veranderde, werd het ongelooflijk flexibel. Zelfs toen het team een nieuwe oversteekplaats toevoegde die de AI nog nooit had gezien, bleef het systeem het verkeer soepel laten stromen, met een reductie van de wachttijden van 97% vergeleken met een systeem dat op de ouderwetse manier was getraind.

De Conclusie

DeCoR bewijst dat als je luistert naar de data (het waarnemen waar mensen en auto's daadwerkelijk gaan) en de indeling (waar de oversteekplaatsen zijn) en de besturing (de verkeerslichten) met elkaar laat praten, je steden veiliger en sneller kunt maken voor iedereen. Het verandert een stijf, op regels gebaseerd systeem in een flexibel, levend organisme dat zich aanpast aan de menigte.

Opmerking: Het artikel richt zich strikt op het verbeteren van reistijd en het verminderen van vertragingen in een simulatie gebaseerd op real-world data. Het claimt niet dat ongelukken of sterfgevallen in de echte wereld al zijn geëlimineerd, noch claimt het dat het werkt op elk type stadsstraat wereldwijd, maar eerder op de specifieke corridor die ze hebben getest.

Technische Samenvatting: DeCoR – Gecoördineerde Optimalisatie van Ontwerp en Besturing voor Stedelijke Straten

Probleemstelling
Moderne computervisie- en sensortechnologieën hebben aanzienlijke vooruitgang geboekt in het detecteren, volgen en voorspellen van stedelijke actoren (voetgangers en voertuigen). Er blijft echter een kritieke kloof bestaan tussen deze perceptiecapaciteiten en het ontwerp van stedelijke infrastructuur. Hoewel steden steeds beter kunnen meten hoe mensen en voertuigen zich verplaatsen, worden deze metingen zelden gebruikt om de infrastructuur die hun gedrag vormgeeft, opnieuw te ontwerpen. Huidige praktijken voor voetgangersveiligheid vertrouwen sterk op statische heuristieken (bijvoorbeeld vaste drempelwaarden voor de onderlinge afstand van oversteekplaatsen) die dateren uit de tijd voor moderne sensormogelijkheden. Deze regels slagen er vaak niet in om concurrerende prioriteiten in evenwicht te brengen: voetgangers vereisen veilige en handige oversteekplaatsen, voertuigen verwachten minimale vertragingen, en planners streven naar kostenefficiëntie. Het optimaliseren van de plaatsing van oversteekplaatsen zonder rekening te houden met verkeerslichtbesturing, of vice versa, kan contraproductief zijn; slecht geplaatste oversteekplaatsen verhogen het aantal stops voor voertuigen, terwijl slecht getimede verkeerslichten op goed geplaatste oversteekplaatsen leiden tot overmatige vertragingen.

Methodologie
Het artikel introduceert DeCoR, een tweestaps Reinforcement Learning (RL)-kader dat de lay-out van oversteekplaatsen op bloksegmenten en de besturing van verkeerslichten op netwerkniveau gecoördineerd optimaliseert. Het kader werkt op een gerichte graaf $G=(V, E)$ die het voetgangersnetwerk voorstelt, waarbij knopen kruispunten en padknooppunten zijn, en randen wandelbare segmenten zijn.

Ontwerpfase (Buitenste Lus):
- Doel: Een generatief beleid leren om optimale locaties en breedtes van oversteekplaatsen voor te stellen.
- Mechanisme: Een Graph Attention Network (GATv2) encodeert de graaf van het voetgangersnetwerk. Het ontwerpagent parameteriseert een Gaussische Mixture Model (GMM) over de locatie en breedte van oversteekplaatsen.
- Actie: Nieuwe oversteekplaatsen worden in elke episode uit deze GMM gehaald. De ontwerpreward ( $R_D$ ) weegt de aankomsttijd van voetgangers af tegen het aantal oversteekplaatsen (infrastructuurkosten), waardoor spaarzame, kosteneffectieve ontwerpen worden gestimuleerd.
- Beperking: De lay-out wordt begrensd door de corridorlimieten, en fysiek onrealistische configuraties (bijvoorbeeld oversteekplaatsen met minder dan 1 meter onderlinge afstand) worden samengevoegd.
Besturingsfase (Binnenste Lus):
- Doel: Een adaptief beleid voor verkeerslichttiming leren, voorwaardelijk op de voorgestelde lay-out.
- Mechanisme: Een gedeeld besturingsbeleid werkt over $N$ parallelle gesloten-lus-simulaties (met SUMO) met variërende schalen van werkelijke vraag.
- Toestand: De toestand omvat spatiotemporale matrices van verkeerslichtfasen, bezetting van voertuigen (binnen 100m van kruispunten, 50m van oversteekplaatsen) en bezetting van voetgangers (binnen 5m van oversteekplaatsen).
- Actie: Het agent selecteert verkeerslichtfasen voor kruispunten (4 configuraties) en binaire toestanden voor oversteekplaatsen op bloksegmenten (voertuig- versus voetgangersstroom).
- Reward: De besturingsreward is gebaseerd op een gewijzigde Maximum Wait Aggregated Queue (MWAQ)-metriek. Deze combineert de ergste individuele vertraging met de opgebouwde vraag en past exponentiële straffen toe om extreme wachttijden voor zowel voetgangers als voertuigen te onderdrukken.
Training:
- Beide fasen maken gebruik van Proximal Policy Optimization (PPO).
- De ontwerpfase wordt behandeld als een contextueel bandiet met directe rewards, terwijl de besturingsfase een Markov Decision Process (MDP) is over sequentiële stappen.
- Wereldwijde vraag wordt afgeleid van video- en Wi-Fi-logboeken, willekeurig geschaald tijdens de training om robuustheid te garanderen.

Belangrijkste Resultaten
Geëvalueerd op een 750 meter lange realistische stedelijke corridor met 2.223 voetgangers/uur en 202 voertuigen/uur:

Optimalisatie van Lay-out: DeCoR verlaagde het aantal oversteekplaatsen op bloksegmenten van 7 (bestaand) naar 4. Ondanks minder oversteekplaatsen verlaagde de geoptimaliseerde lay-out de gemiddelde aankomsttijd van voetgangers naar de dichtstbijzijnde oversteekplaats met 22,68% (tot 25,8% bij hoge vraag) door beter aan te sluiten bij de gewenste looplijnen van voetgangers.
Optimalisatie van Besturing: Ten opzichte van vaste verkeerslichtschakeling verlaagde het DeCoR-besturingsbeleid de wachttijd voor voetgangers met 78,9% en de wachttijd voor voertuigen met 65,3%.
Prestaties ten opzichte van Baselines:
- De gesignaleerde oversteekplaatsen van DeCoR bereikten voetgangerswachttijden die vergelijkbaar waren met die van niet-gesignaleerde oversteekplaatsen (1,26s versus 1,46s), terwijl de veiligheid behouden bleef (nul conflicten).
- Bij hoge vraag veroorzaakten niet-gesignaleerde oversteekplaatsen een significante piek in de wachttijden voor voertuigen, terwijl DeCoR de efficiëntie behield.
Generalisatie en Robuustheid:
- Beide agenten generaliseerden naar vraagpatronen en schalen buiten de trainingsverdeling (getest van 0,5x tot 2,75x vraag).
- Robuustheidstest: Wanneer een extra oversteekplaats werd toegevoegd aan de geoptimaliseerde lay-out zonder opnieuw te trainen, behield de gecoördineerd geoptimaliseerde besturing lage wachttijden. Daarentegen degradeerde een sequentieel getrainde besturing (eerst ontwerp, dan besturing) dramatisch, met 97,53% hogere wachttijden voor voetgangers en 91,90% hogere wachttijden voor voertuigen.

Betekenis en Claims
Het artikel beweert dat DeCoR de kloof van perceptie naar ontwerp succesvol dicht door aan te tonen dat het waarnemen van hoe voetgangers en voertuigen zich verplaatsen, voldoende is om infrastructuur gezamenlijk opnieuw te ontwerpen en de besturing aan te passen.

Waarde van Gecoördineerde Optimalisatie: De primaire bijdrage is het aantonen dat gezamenlijke optimalisatie beter presteert dan sequentiële benaderingen. Gecoördineerde optimalisatie stelt het besturingsbeleid in staat om robuustheid te leren ten opzichte van structurele veranderingen in de lay-out, een vermogen dat ontbreekt bij sequentieel getrainde agenten.
Ontwerp gericht op Voetgangers: De resultaten daagt de aanname uit dat gesignaleerde oversteekplaatsen inherent traag zijn voor voetgangers. Met op perceptie gebaseerde adaptieve besturing kunnen gesignaleerde oversteekplaatsen de gemakken van niet-gesignaleerde oversteekplaatsen benaderen, terwijl de efficiëntie voor voertuigen behouden blijft.
Efficiëntie: De gecoördineerde optimalisatiebenadering introduceert geen noemenswaardige computerefficiëntie (ongeveer 10% per ronde voor conversie van graaf naar simulatie) in vergelijking met sequentiële training, maar levert aanzienlijk superieure prestaties en robuustheid op.

Beperkingen en Reikwijdte
De auteurs merken expliciet op dat DeCoR mobiliteit (aankomsttijd en vertraging) als surrogaat voor veiligheid target, in plaats van expliciet letselrisico of sterfgevallen te modelleren. De evaluatie is beperkt tot simulatie met gebruik van realistische vraagdata; het modelleert geen overtredingen van verkeerslichten, sensorruis of verduistering. Bovendien is de studie beperkt tot één realistische corridor vanwege het gebrek aan datasets die realistische geometrie koppelen aan hoogwaardige, temporair uitgelijnde vraagmetingen. Toekomstig werk wordt voorgesteld om de ontwerpruimte uit te breiden naar hogere dimensionale netwerkgeometrieën en expliciete op conflicten gebaseerde veiligheidsindicatoren op te nemen.