在IoT设备监控的城市交通信号控制中，必须有效应对传感器遮挡、天气衰减和非平稳需求等挑战。传统控制器在这些条件下表现不佳，而学习策略的审核也相对困难。为了解决这些问题，我们提出了一种主动推理控制器，针对四臂信号交叉口动态选择信号相位，通过最小化对每个方向拥堵水平的高斯信念的期望自由能（EFE），形成一个完全可追溯的决策流程。
我们在SUMO交通模拟器中对该控制器进行了基准测试，与基于规则的启发式方法和深度Q网络（DQN）在四种逐步增加噪声和非平稳性的场景下进行比较，这些场景涵盖了传感器遮挡、不利天气和随机事故。在每种场景下进行100次独立随机评估后，结果显示，在最嘈杂的场景中，主动推理实现了最低的空闲时间和CO2排放（56,977秒和29.12千克，相比DQN的71,741秒和30.56千克）。这些收益的代价是公交优先服务率和相位切换频率的适度下降。
博主点评： 该研究展示了主动推理在复杂动态环境中的应用潜力，通过有效应对不确定性，提升了交通信号控制的效率，为智能交通系统的发展提供了新的思路和方法。其在真实世界应用中的可行性值得进一步探索。