論文の概要: Dynamic Queue-Jump Lane for Emergency Vehicles under Partially Connected
Settings: A Multi-Agent Deep Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2003.01025v3
- Date: Fri, 15 Jan 2021 23:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 05:51:53.434345
- Title: Dynamic Queue-Jump Lane for Emergency Vehicles under Partially Connected
Settings: A Multi-Agent Deep Reinforcement Learning Approach
- Title（参考訳）: 部分連結環境下での緊急車両用動的待ち行列車線:多エージェント深部強化学習アプローチ
- Authors: Haoran Su, Kejian Shi, Joseph. Y.J. Chow, Li Jin
- Abstract要約: 救急車(EMV)サービスは都市の重要な機能であり、都市交通渋滞のため非常に困難である。
本稿では,V2X接続下でのEMVサービスの改善について検討する。
非接続車両の存在下での連結車両のリアルタイム協調に基づく動的キュージャンプレーン(DQJL)の確立を検討する。
- 参考スコア（独自算出の注目度）: 3.39322931607753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergency vehicle (EMV) service is a key function of cities and is
exceedingly challenging due to urban traffic congestion. The main reason behind
EMV service delay is the lack of communication and cooperation between vehicles
blocking EMVs. In this paper, we study the improvement of EMV service under V2X
connectivity. We consider the establishment of dynamic queue jump lanes (DQJLs)
based on real-time coordination of connected vehicles in the presence of
non-connected human-driven vehicles. We develop a novel Markov decision process
formulation for the DQJL coordination strategies, which explicitly accounts for
the uncertainty of drivers' yielding pattern to approaching EMVs. Based on
pairs of neural networks representing actors and critics for agent vehicles, we
develop a multi-agent actor-critic deep reinforcement learning algorithm that
handles a varying number of vehicles and a random proportion of connected
vehicles in the traffic. Approaching the optimal coordination strategies via
indirect and direct reinforcement learning, we present two schemata to address
multi-agent reinforcement learning on this connected vehicle application. Both
approaches are validated, on a micro-simulation testbed SUMO, to establish a
DQJL fast and safely. Validation results reveal that, with DQJL coordination
strategies, it saves up to 30% time for EMVs to pass a link-level intelligent
urban roadway than the baseline scenario.
- Abstract（参考訳）: 救急車(EMV)サービスは都市の重要な機能であり、都市交通渋滞のため非常に困難である。
EMVサービスの遅延の主な理由は、EMVをブロックする車両間のコミュニケーションと協力の欠如である。
本稿では,V2X接続下でのEMVサービスの改善について検討する。
我々は,非連結型車両の存在下でのコネクテッドカーのリアルタイム協調に基づく動的待ち行列ジャンプレーン(dqjls)の確立を検討する。
我々は,dqjlコーディネート戦略のための新しいマルコフ決定過程の定式化法を開発した。
エージェント車両のアクタと批評家を表すニューラルネットワークのペアに基づいて,多エージェントのアクタによる深層強化学習アルゴリズムを開発した。
間接的および直接的強化学習による最適協調戦略にアプローチし、この連結車両アプリケーション上でのマルチエージェント強化学習に対処する2つのスキーマを提案する。
両方のアプローチは、DQJLを迅速かつ安全に確立するために、マイクロシミュレーションテストベッドSUMOで検証される。
検証の結果,DQJLコーディネーション戦略により,EMVがベースラインシナリオよりもリンクレベルのインテリジェントな都市道路を通すのに最大30%の時間を節約できることが判明した。
関連論文リスト
- Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。
本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文 参考訳（メタデータ） (2024-09-19T14:36:00Z) - Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。
周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。
我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-29T08:53:26Z) - Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving [17.659812774579756]
本研究では,自律走行車における分散型協調運転ポリシーを学習する非対称アクター・批判モデルを提案する。
マスキングを用いたアテンションニューラルネットワークを用いることで,実世界の交通動態と部分観測可能性の効率よく管理できる。
論文 参考訳（メタデータ） (2024-03-18T16:13:02Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - EMVLight: a Multi-agent Reinforcement Learning Framework for an
Emergency Vehicle Decentralized Routing and Traffic Signal Control System [4.622745478006317]
救急車(EMV)は、都市部における救急医療や火災発生などの時間的危機に対応する上で重要な役割を担っている。
EMVディスパッチの既存の手法は、典型的には、過去のトラフィックフローデータに基づいて経路を最適化し、それに従って交通信号のプリエンプションを設計する。
本研究では,共同動的EMVルーティングと交通信号プリエンプションのための分散強化学習フレームワークであるEMVLightを提案する。
論文 参考訳（メタデータ） (2022-06-27T16:46:20Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Learning to Help Emergency Vehicles Arrive Faster: A Cooperative
Vehicle-Road Scheduling Approach [24.505687255063986]
車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。
道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。
本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
論文 参考訳（メタデータ） (2022-02-20T10:25:15Z) - A Decentralized Reinforcement Learning Framework for Efficient Passage
of Emergency Vehicles [6.748225062396441]
救急車(EMV)は、都市が時間的に重要な出来事に対処する上で重要な役割を担っている。
EMVの走行時間を短縮するための既存のアプローチでは、経路最適化と信号プリエンプションが採用されている。
本稿では,動的ルーティングと信号制御を同時に行うためのフレームワークであるEMVLightを紹介する。
論文 参考訳（メタデータ） (2021-10-30T16:13:48Z) - V2I Connectivity-Based Dynamic Queue-Jump Lane for Emergency Vehicles: A
Deep Reinforcement Learning Approach [3.39322931607753]
EMVサービスの遅延の主な理由は、EMVをブロックする車両間の通信と協力の欠如である。
連結車両のリアルタイム協調に基づく動的待ち行列ジャンプレーン(DQJL)の確立について検討する。
本稿では、最適調整命令を効率的に計算するディープニューラルネットワークに基づく強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-01T20:34:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。