earticle

영어

Urban traffic congestion leads to prolonged delays, elevated emissions, and diminished safety across arterial networks. This paper proposes an edge‑native framework for intersection control that combines smart‑pole edge computing with federated multi‑agent reinforcement learning. Lightweight agents at each intersection learn locally from on‑pole sensors while a privacy‑preserving federated procedure periodically aggregates model updates across the network. The communication layer integrates IEEE 802.11p for low‑latency local V2X exchange and MQTT 5.0 for monitoring and model coordination. Evaluation is conducted in a digital‑twin‑in‑the‑loop environment that couples VEINS (OMNeT++–SUMO) with Simu5G to account for 802.11p and NR‑V2X link behavior. Emissions are estimated using SUMO’s HBEFA‑based model. Compared with fixed‑time, actuated, and non‑federated MARL baselines, the proposed approach shows the potential to reduce network‑wide average delay and queue length while simultaneously lowering CO₂ and NOx. The paper details the architecture, the learning and communication design, and a reproducible protocol for scenario construction, metrics, and statistical testing.

한국어

본 도시 교통 혼잡은 간선도로망 전반에서 장시간의 지연, 배출 증가, 그리고 안전성 저하를 초래한다. 본 논문 은 스마트 폴 엣지 컴퓨팅과 연합형 다중 에이전트 강화학습을 결합한 교차로 제어용 엣지-네이티브 프레임워크를 제안 한다. 각 교차로의 경량 에이전트는 폴 탑재 센서로부터 로컬 학습을 수행하고, 프라이버시를 보존하는 연합 절차가 네 트워크 전역에서 주기적으로 모델 업데이트를 집계한다. 통신 계층은 저지연 로컬 V2X 교환을 위한 IEEE 802.11p와 모니터링 및 모델 조정을 위한 MQTT 5.0을 통합한다. 평가는 802.11p와 NR-V2X 링크 동작을 반영하기 위해 VEINS(OMNeT++–SUMO)와 Simu5G를 결합한 디지털 트윈-인-더-루프 환경에서 수행된다. 배출량은 SUMO의 HBEFA 기반 모형으로 추정한다. 고정주기, 감응식, 비연합형 MARL 기준선과 비교할 때, 제안 방법은 네트워크 전역 평균 지연과 대기행렬 길이를 줄이는 동시에 CO₂와 NOx를 낮출 잠재력을 보인다. 본 논문은 아키텍처, 학습 및 통신 설계, 그리고 시나리오 구성·평가지표·통계 검정을 위한 재현 가능한 프로토콜을 상세히 기술한다.