在交通信号控制领域，强化学习（RL）已成为一种强大的自适应控制范式。然而，深度RL模型的黑箱特性在安全关键的基础设施中导致了接受度、合规性、操作信任、故障排除及微调等方面的挑战。为了解决高性能优化与人类可理解性之间的矛盾，本文提出了一种新颖的可解释实体中心RL框架，旨在实现安全透明的交通信号控制。
该架构将实时交叉口观察数据分解为独立的高维车道实体和相位时间配置，而不是通过单一的扁平向量处理交通状态，从而保留了交叉口的结构拓扑和几何配置。通过双阶段注意力网络动态提取关系依赖和车道间冲突，网络包含序列多头交叉注意力和自注意力模块。这一设计生成了一个实时亲和力矩阵，量化信号相位对特定车流量和排队的直接影响，提供全面的视觉和分析可解释性。
为了确保严格的操作可靠性，决策掩蔽接口直接集成到近端策略优化（PPO）管道中，明确阻止无效的相位转换，以保证绝对遵循既定的信号时序和安全约束。在微观仿真环境中评估后，该方法在延误最小化方面优于现有的最新基准。更重要的是，生成的注意力权重与既定的交通工程原理精确对齐，为下一代自适应交通控制系统提供了可审计、信任启用和可部署的架构。
博主点评： 本文通过引入可解释性强化学习框架，为交通信号控制提供了新的解决方案，既优化性能又增强了系统的透明度和可靠性，为未来智能交通系统的部署奠定了基础。可解释性在安全关键领域尤为重要，确保了交通管理的合规性与公众信任。该研究不仅具有理论意义，更在实际应用中展现出强大的潜力。