論文の概要: A Deep Ensemble Multi-Agent Reinforcement Learning Approach for Air Traffic Control

• arxiv url: http://arxiv.org/abs/2004.01387v1
• Date: Fri, 3 Apr 2020 06:03:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 03:53:11.511219
• Title: A Deep Ensemble Multi-Agent Reinforcement Learning Approach for Air Traffic Control
• Title（参考訳）: 航空交通制御のためのディープアンサンブルマルチエージェント強化学習手法
• Authors: Supriyo Ghosh, Sean Laguna, Shiau Hong Lim, Laura Wynter and Hasan Poonawala
• Abstract要約: 本稿では,マルチエージェント強化学習(MARL)を活用し,航空機の速度調整をリアルタイムで提案する知的意思決定フレームワークを提案する。 本システムの目的は,航空交通渋滞の回避,ニアミス状況の改善,到着スケジュールの改善のため,航空交通管制官が航空機に効果的な誘導を行う能力を高めることである。
• 参考スコア（独自算出の注目度）: 5.550794444001022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air traffic control is an example of a highly challenging operational problem that is readily amenable to human expertise augmentation via decision support technologies. In this paper, we propose a new intelligent decision making framework that leverages multi-agent reinforcement learning (MARL) to dynamically suggest adjustments of aircraft speeds in real-time. The goal of the system is to enhance the ability of an air traffic controller to provide effective guidance to aircraft to avoid air traffic congestion, near-miss situations, and to improve arrival timeliness. We develop a novel deep ensemble MARL method that can concisely capture the complexity of the air traffic control problem by learning to efficiently arbitrate between the decisions of a local kernel-based RL model and a wider-reaching deep MARL model. The proposed method is trained and evaluated on an open-source air traffic management simulator developed by Eurocontrol. Extensive empirical results on a real-world dataset including thousands of aircraft demonstrate the feasibility of using multi-agent RL for the problem of en-route air traffic control and show that our proposed deep ensemble MARL method significantly outperforms three state-of-the-art benchmark approaches.
• Abstract（参考訳）: 航空交通制御は、意思決定支援技術による人間の専門知識向上に容易に対応できる非常に困難な運用上の問題の一例である。 本稿では,マルチエージェント強化学習(MARL)を活用し,航空機の速度の動的調整をリアルタイムに提案する知的意思決定フレームワークを提案する。 本システムの目的は,航空交通渋滞や近距離状況の回避,到着スケジュールの改善のために,航空管制官が航空機に効果的な誘導を行う能力を高めることである。 我々は,ローカルカーネルベースのRLモデルとより広い範囲の深層MARLモデルの判断を効率よく仲裁することを学ぶことで,航空交通制御問題の複雑さを簡潔に把握できる新しいディープアンサンブルMARL法を開発した。 提案手法は、eurocontrolが開発したオープンソースの航空交通管理シミュレータを用いて訓練および評価を行う。 航空機数千機を含む実世界のデータセットにおける広範囲な実験結果から,マルチエージェントrlを用いた道路交通制御の可能性が示され,提案手法が3つの最先端ベンチマーク手法を大きく上回ることを示した。

関連論文リスト

• Airport take-off and landing optimization through genetic algorithms [55.2480439325792]
  本研究は, 航空機の運転における汚染問題に対処し, ゲート割り当てと滑走路スケジューリングを同時に最適化することに焦点を当てた。 本研究は,航空機の離陸・着陸時の燃料燃焼による汚染を最小化するための,革新的な遺伝的アルゴリズムに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:53:55Z)
• Improving Autonomous Separation Assurance through Distributed Reinforcement Learning with Attention Networks [0.0]
  本稿では,AAM廊下内で自律的な自己分離機能を実現するための強化学習フレームワークを提案する。 この問題はマルコフ決定プロセス(Markov Decision Process)として定式化され、サンプル効率の良いオフポリティ・ソフトアクター・クリティック(SAC)アルゴリズムへの新たな拡張を開発することで解決される。 包括的数値計算により,提案手法は高密度・動的環境下で航空機の安全かつ効率的な分離を保証できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T13:44:35Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Automating the resolution of flight conflicts: Deep reinforcement learning in service of air traffic controllers [0.0]
  難易度と複雑な航空交通シナリオは、今日の航空交通管制官(ATCO)が使用している戦術的衝突検知・分解(CD&R)ツールよりも高いレベルの自動化を必要とする。 本稿では,各エージェント(飛行士)が他のエージェントと共同でCD&Rタスクを行うマルチエージェント環境でグラフ畳み込み強化学習手法を提案する。 本手法は,運用上の透明性問題に対処するため,利害関係者(航空管制官及び航空管制官)に対して高品質なソリューションを提供することができることを示す。
  論文  参考訳（メタデータ） (2022-06-15T09:06:58Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)
• A Simplified Framework for Air Route Clustering Based on ADS-B Data [0.0]
  本稿では,ADS-Bデータに基づく空港間の典型的な航空路の検出を支援する枠組みを提案する。 実のところ,エアフロー最適化の計算コストを実質的に低減するために,我々の枠組みを考慮に入れることができる。
  論文  参考訳（メタデータ） (2021-07-07T08:55:31Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Path Design and Resource Management for NOMA enhanced Indoor Intelligent Robots [58.980293789967575]
  通信可能な屋内知的ロボット(IR)サービスフレームワークを提案する。 室内レイアウトとチャネル状態を決定論的に記述できるレゴモデリング手法が提案されている。 調査対象の無線マップは、強化学習エージェントを訓練するための仮想環境として呼び出される。
  論文  参考訳（メタデータ） (2020-11-23T21:45:01Z)
• Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL [63.52264764099532]
  本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。 この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
  論文  参考訳（メタデータ） (2020-10-30T22:06:05Z)
• An Autonomous Free Airspace En-route Controller using Deep Reinforcement Learning Techniques [24.59017394648942]
  航空機の任意の数の航空機を3次元非構造空域に誘導する航空交通制御モデルが提示される。 その結果,航空交通管制モデルが現実的な交通密度で良好に機能していることが示唆された。 潜在的な衝突の100%を回避し、潜在的な衝突の89.8%を防止して、空域を管理することができる。
  論文  参考訳（メタデータ） (2020-07-03T10:37:25Z)
• A Deep Multi-Agent Reinforcement Learning Approach to Autonomous Separation Assurance [5.196149362684628]
  可変数の航空機間の衝突を識別・解決するために, 深層多エージェント強化学習フレームワークを提案する。 提案手法は,BlueSkyの航空交通制御環境における3つのケーススタディで検証された。
  論文  参考訳（メタデータ） (2020-03-17T16:50:34Z)

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。