論文の概要: Deep Reinforcement Learning for Intelligent Transportation Systems: A
Survey
- arxiv url: http://arxiv.org/abs/2005.00935v1
- Date: Sat, 2 May 2020 22:44:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 12:15:26.503164
- Title: Deep Reinforcement Learning for Intelligent Transportation Systems: A
Survey
- Title(参考訳): 知的輸送システムのための深層強化学習:調査
- Authors: Ammar Haydari, Yasin Yilmaz
- Abstract要約: データ駆動型アプリケーションと輸送システムを組み合わせることは、近年の輸送アプリケーションにおいて重要な役割を担っている。
深部強化学習(RL)に基づく交通制御アプリケーションについて調査する。
- 参考スコア(独自算出の注目度): 23.300763504208597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Latest technological improvements increased the quality of transportation.
New data-driven approaches bring out a new research direction for all
control-based systems, e.g., in transportation, robotics, IoT and power
systems. Combining data-driven applications with transportation systems plays a
key role in recent transportation applications. In this paper, the latest deep
reinforcement learning (RL) based traffic control applications are surveyed.
Specifically, traffic signal control (TSC) applications based on (deep) RL,
which have been studied extensively in the literature, are discussed in detail.
Different problem formulations, RL parameters, and simulation environments for
TSC are discussed comprehensively. In the literature, there are also several
autonomous driving applications studied with deep RL models. Our survey
extensively summarizes existing works in this field by categorizing them with
respect to application types, control models and studied algorithms. In the
end, we discuss the challenges and open questions regarding deep RL-based
transportation applications.
- Abstract(参考訳): 最近の技術改良は輸送の質を高めた。
新しいデータ駆動アプローチは、輸送、ロボティクス、IoT、電力システムなど、すべての制御ベースのシステムに対して、新たな研究方向を提供する。
データ駆動アプリケーションと輸送システムの組み合わせは、最近の輸送アプリケーションにおいて重要な役割を担っている。
本稿では,最新の深層学習(RL)に基づく交通制御アプリケーションについて検討する。
具体的には、文献で広く研究されている(ディープ)RLに基づく交通信号制御(TSC)の応用について詳細に論じる。
TSCの様々な問題定式化、RLパラメータ、シミュレーション環境について概説する。
文献では、深いrlモデルで研究されているいくつかの自動運転アプリケーションもある。
本調査は,アプリケーションの種類,制御モデル,アルゴリズムを分類することで,この分野の既存作品を広範囲に要約する。
最後に,RLをベースとした深層輸送アプリケーションに関する課題とオープンな疑問について論じる。
関連論文リスト
- Data-efficient Deep Reinforcement Learning for Vehicle Trajectory
Control [6.144517901919656]
強化学習(RL)は、古典的なアプローチよりも優れた制御性能を達成することを約束する。
SAC(Soft-actor critic)のような標準RLアプローチでは、大量のトレーニングデータを収集する必要がある。
近年開発されたディープRL法を車両軌道制御に適用した。
論文 参考訳(メタデータ) (2023-11-30T09:38:59Z) - A Survey of Meta-Reinforcement Learning [83.95180398234238]
我々は,メタRLと呼ばれるプロセスにおいて,機械学習問題自体として,より優れたRLアルゴリズムを開発した。
本稿では,タスク分布の存在と各タスクに利用可能な学習予算に基づいて,高レベルでメタRL研究をクラスタ化する方法について議論する。
RL実践者のための標準ツールボックスにメタRLを組み込むことの道程について,オープンな問題を提示することによって,結論を下す。
論文 参考訳(メタデータ) (2023-01-19T12:01:41Z) - On Transforming Reinforcement Learning by Transformer: The Development
Trajectory [97.79247023389445]
Transformerは元々自然言語処理用に開発されたもので、コンピュータビジョンでも大きな成功を収めている。
既存の開発をアーキテクチャ拡張と軌道最適化の2つのカテゴリに分類する。
ロボット操作,テキストベースのゲーム,ナビゲーション,自律運転におけるTRLの主な応用について検討する。
論文 参考訳(メタデータ) (2022-12-29T03:15:59Z) - A Survey on Reinforcement Learning in Aviation Applications [5.7528776426748625]
強化学習は、シーケンシャルな意思決定問題を定式化し解決するための、データ駆動の学習ベースのフレームワークを提供する。
RLフレームワークは、航空業界におけるデータ可用性と計算能力の大幅な改善により、有望になった。
論文 参考訳(メタデータ) (2022-11-03T21:10:25Z) - A Bibliometric Analysis and Review on Reinforcement Learning for
Transportation Applications [43.356096302298056]
交通は経済と都市の発展のバックボーンである。
自律的な意思決定者が複雑な環境と対話できるようにする強化学習(RL)。
本稿では, 交通用RL法の開発状況を明らかにするために, 文献分析を行った。
論文 参考訳(メタデータ) (2022-10-26T07:34:51Z) - 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) - Automated Reinforcement Learning (AutoRL): A Survey and Open Problems [92.73407630874841]
AutoRL(Automated Reinforcement Learning)には、AutoMLの標準的なアプリケーションだけでなく、RL特有の課題も含まれている。
我々は共通の分類法を提供し、各領域を詳細に議論し、今後の研究者にとって関心のあるオープンな問題を提起する。
論文 参考訳(メタデータ) (2022-01-11T12:41:43Z) - Deep Surrogate Q-Learning for Autonomous Driving [17.30342128504405]
本稿では,自律運転における車線変更行動学習のためのSurrogate Q-learningを提案する。
このアーキテクチャは、Scene-centric Experience Replayと呼ばれる新しいリプレイサンプリング技術に繋がることを示す。
また,本手法は実高Dデータセット上のポリシーを学習することで,実世界のRLシステムの適用性を向上させる。
論文 参考訳(メタデータ) (2020-10-21T19:49:06Z) - Deep Reinforcement Learning and Transportation Research: A Comprehensive
Review [0.0]
DRLの数学的背景、人気があり有望なDRLアルゴリズム、高効率なDRL拡張について概説する。
本稿では, DRL技術の適用性, 強度, 欠点, 一般, 応用に特有な課題について検討する。
論文 参考訳(メタデータ) (2020-10-13T05:23:11Z) - RL Unplugged: A Suite of Benchmarks for Offline Reinforcement Learning [108.9599280270704]
オフラインのRL手法を評価・比較するためのRL Unpluggedというベンチマークを提案する。
RL Unpluggedにはゲームやシミュレートされたモーター制御問題を含むさまざまな領域のデータが含まれている。
本論文で提示した全タスクのデータと,全アルゴリズムをオープンソースとして公開する。
論文 参考訳(メタデータ) (2020-06-24T17:14:51Z)
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。