혁신적인 교통 신호 제어: AI가 도시 교통 난제를 풀다!

중국 연구진이 개발한 PLight와 PRLight 알고리즘은 모델 기반 강화 학습과 정책 재사용을 통해 교통 신호 제어의 적응력과 효율성을 획기적으로 개선했습니다. 다양한 교통 상황과 도로망에 대한 적응력 향상 및 학습 시간 단축을 실험적으로 검증하여 AI 기반 스마트 교통 시스템 구축의 가능성을 제시했습니다.

AI, 교통 체증의 새로운 해법을 제시하다!

최근 중국 연구진(Li, Zhang, Zhan, Liu, Zhou, Zheng)이 발표한 논문 "Enhancing Traffic Signal Control through Model-based Reinforcement Learning and Policy Reuse"는 AI 기반 교통 신호 제어 분야에 혁신적인 돌파구를 제시했습니다. 기존의 다중 에이전트 강화 학습(MARL) 방식은 특정 교통 패턴과 도로망에만 적용 가능하다는 한계를 가지고 있었는데요. 이는 새로운 상황에 적응하기 위해 매번 재훈련이 필요하다는 것을 의미하며, 비용과 시간 측면에서 큰 부담이었습니다.

하지만 이번 연구는 이러한 문제점을 극복하기 위해 모델 기반 강화 학습과 정책 재사용이라는 두 가지 핵심 전략을 도입했습니다. 연구진은 PLight와 PRLight라는 두 가지 알고리즘을 개발하여, 사전에 정의된 교통 상황을 이용해 제어 정책과 환경 모델을 미리 학습시켰습니다. PLight는 모델 기반 강화 학습을 통해 환경 변화를 예측하고, PRLight는 학습된 에이전트들을 유사한 상황에 적용하여 학습 시간을 단축하는 전략을 사용합니다. 이는 마치 사람이 과거의 경험을 바탕으로 새로운 상황에 더욱 효율적으로 대처하는 것과 유사합니다.

연구팀은 서로 다른 교통 상황과 도로망을 대상으로 두 알고리즘의 성능을 평가했습니다. 그 결과, PRLight는 기존 방식보다 훨씬 빠르게 새로운 상황에 적응하여 최적의 성능을 달성하는 것을 확인했습니다. 이는 마치 AI가 도시의 교통 흐름을 스스로 학습하고 최적화하는 ‘똑똑한 교통 관리 시스템’을 구축한 것과 같습니다.

이는 단순한 기술적 진보를 넘어, 교통 체증으로 인한 사회적 비용 절감, 환경 오염 감소 등 다양한 긍정적 효과를 가져올 수 있을 것으로 기대됩니다. 앞으로 AI 기반 교통 시스템의 발전이 도시의 지속가능성에 크게 기여할 것으로 예상됩니다.

주요 내용:

• 문제: 기존 MARL 기반 교통 신호 제어의 일반화 및 적응력 부족
• 해결책: 모델 기반 강화 학습(PLight)과 정책 재사용(PRLight) 알고리즘 개발
• 결과: 새로운 교통 상황에 대한 적응 시간 단축 및 최적 성능 달성
• 의미: AI 기반 스마트 교통 시스템 구축 가능성 제시, 사회적·경제적 효용 증대 기대