Actor-Critic fuer adaptive Ampelsteuerung in einer mittleren Stadt
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst eine SUMO-Konfiguration fuer den Innenstadtbereich mit 8 Kreuzungen sowie Verkehrszaehldaten fuer eine typische Werktagswoche. Implementiere Multi-Agent-Actor-Critic (jeweils Kreuzung = Agent) mit gemeinsamem Critic. State = Warteschlangenlaengen pro Spur; Action = naechste Phase + Dauer (5 diskrete Optionen); Reward = negative durchschnittliche Wartezeit. Vergleiche gegen Fixed-Time und einen einfachen Max-Pressure-Algorithmus. Bewerte: durchschnittliche Reisezeit, maximale Warteschlange, Anzahl Fahrzeugstopps. Liefere einen Bericht fuer den Gemeinderat mit klaren Auswirkungs- und Risiko-Aussagen.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere einen Multi-Agent-Actor-Critic fuer adaptive Ampelsteuerung und uebertrifff Fixed-Time und Max-Pressure auf einem SUMO-Modell.
Earning criteria — what you'll demonstrate
- Actor-Critic mit getrennten Policy- und Value-Netzen implementieren
- Multi-Agent-RL-Dynamik (Non-Stationarity) verstehen und mit Centralized Critic abmildern
- RL-Agenten in realistischen Simulationen mit klassischen Heuristiken vergleichen
- Forschungsergebnisse in politische Entscheidungs-Vorlagen uebersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML Researcher
Multi-Agent-Actor-Critic in einer realistischen Simulation mit ehrlichem Vergleich gegen klassische Heuristiken ist eine starke Forschungsarbeit fuer ML Researcher in Smart-City- oder Verkehrsforschungsgruppen.
Dieses Projekt schärft
- actor-critic
- multi-agent-rl
- function-approximation
Applied AI Scientist
RL in einem oeffentlichen Sektor mit politischen Stakeholdern auszuwerten und Risiken klar zu kommunizieren ist Kerngebiet von Applied AI Scientists in Verkehrs- und Energie-Forschungspartnerschaften.
Dieses Projekt schärft
- traffic-simulation
- multi-agent-rl
- model-evaluation
Research Scientist
Eine RL-Methode mit dokumentierten Stress-Tests und mehrseed-Reproduktion zu validieren ist genau die Sorgfalt, die in akademischen und industriellen Forschungsgruppen erwartet wird.
Dieses Projekt schärft
- actor-critic
- function-approximation
- model-evaluation
Noch eine Sache