FairLight：采用分层动作空间的公平性感知自主交通信号控制

基于摘要分析。该研究针对自主交通信号控制（TSC）中强化学习（RL）偏重整体交通效率、可能使部分车辆等待过久的问题，提出 FairLight，将个体公平性考虑与可变信号相位时长控制相结合。研究对象是道路交通控制，而非 EEG 或 BCI。 机制方面，作者借鉴交通领域的 user satisfaction index（USI，用户满意度指数），引入关注车辆出行质量的公平性指标，并将其用于关键 RL 要素的设计；同时采用分层动作空间，为所选择的信号相位分配持续时间。摘要未说明公平性指标的计算公式、具体嵌入哪些 RL 要素，以及分层动作的表示和优化方式，这些细节尚未验证。 作者报告，在多个知名交通基准上，相较于所比较的先进 RL 交通信号控制方法，FairLight 获得了更好的公平性表现，并改善了车辆平均出行时间和 RL 收敛速度。摘要未提供基准名称、数值结果、数据划分、基线配置或统计信息，因此不能量化优势，也不能判断不同交通负载下结论的稳定性。 阅读全文时，可重点核对公平性与平均效率之间的权衡、分层动作空间的独立贡献，以及相位时长的约束和评估协议。当前材料未提供与神经信号处理或 BCI 的具体机制对应关系，不据此提出 EEG 迁移效果或复现实验建议。