論文の概要: D-ACC: Dynamic Adaptive Cruise Control for Highways with Ramps Based on
Deep Q-Learning
- arxiv url: http://arxiv.org/abs/2006.01411v4
- Date: Thu, 25 Mar 2021 01:51:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 09:01:23.096312
- Title: D-ACC: Dynamic Adaptive Cruise Control for Highways with Ramps Based on
Deep Q-Learning
- Title(参考訳): D-ACC:Q-Learningに基づくランプ付きハイウェイの動的適応クルーズ制御
- Authors: Lokesh Das and Myounggyu Won
- Abstract要約: 深層強化学習に基づく動的適応型クルーズ制御システム(D-ACC)を提案する。
D-ACCは、ランプのあるハイウェイセグメントにおける最先端のインテリジェントACCシステムと比較して、トラフィックフローを最大70%改善する。
- 参考スコア(独自算出の注目度): 17.412117389855226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An Adaptive Cruise Control (ACC) system allows vehicles to maintain a desired
headway distance to a preceding vehicle automatically. It is increasingly
adopted by commercial vehicles. Recent research demonstrates that the effective
use of ACC can improve the traffic flow through the adaptation of the headway
distance in response to the current traffic conditions. In this paper, we
demonstrate that a state-of-the-art intelligent ACC system performs poorly on
highways with ramps due to the limitation of the model-based approaches that do
not take into account appropriately the traffic dynamics on ramps in
determining the optimal headway distance. We then propose a dynamic adaptive
cruise control system (D-ACC) based on deep reinforcement learning that adapts
the headway distance effectively according to dynamically changing traffic
conditions for both the main road and ramp to optimize the traffic flow.
Extensive simulations are performed with a combination of a traffic simulator
(SUMO) and vehicle-to-everything communication (V2X) network simulator (Veins)
under numerous traffic scenarios. We demonstrate that D-ACC improves the
traffic flow by up to 70% compared with a state-of-the-art intelligent ACC
system in a highway segment with a ramp.
- Abstract(参考訳): アダプティブクルーズ制御(acc)システムは、車両が所望のヘッドウェイ距離を自動的に先行車両まで維持することを可能にする。
商用車にも採用されている。
近年の研究では、ACCの有効利用は、現在の交通条件に応じて、ヘッドウェイ距離の適応を通じて、交通の流れを改善することが示されている。
本稿では,現在最先端の知的ACCシステムは,道路距離を最適に決定する上で,ランプ上の交通動態を適切に考慮しないモデルベースアプローチの制限により,ランプ付き高速道路において性能が低いことを示す。
そこで本研究では,幹線道路とランプの動的に変化する交通条件に応じて,頭部距離を効果的に適応する深層強化学習に基づく動的適応型クルーズ制御システム(D-ACC)を提案する。
交通シミュレータ (sumo) と車両間通信 (v2x) ネットワークシミュレータ (veins) の組み合わせにより, 多数の交通シナリオにおいて広範なシミュレーションを行う。
高速区間における最先端のインテリジェントACCシステムと比較して,D-ACCは交通流を最大70%改善することを示した。
関連論文リスト
- A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-11T16:42:29Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳(メタデータ) (2023-06-13T05:58:57Z) - A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive
Cruise Control Systems [4.296090907951611]
レーン変更予測は潜在的な事故を減らし、道路安全の向上に寄与する。
車両間通信(V2V)により、車両は周囲の車両と交通情報を共有できる。
本稿では,運転車線変更予測のための情報(位置,速度,加速度)の種類と周辺車両数を比較した。
論文 参考訳(メタデータ) (2023-05-01T21:40:23Z) - LSTM-based Preceding Vehicle Behaviour Prediction during Aggressive Lane
Change for ACC Application [4.693170687870612]
本稿では,Long Short-Term Memory(LSTM)に基づく適応クルーズ制御(ACC)システムを提案する。
このモデルは、カメラを装備したドローンの助けを借りて、ドイツの高速道路から取得した現実世界の高Dデータセットに基づいて構築されている。
LSTMに基づくシステムは,ANNモデルよりも19.25%精度が高く,MPCモデルよりも5.9%精度が高いことを示す。
論文 参考訳(メタデータ) (2023-05-01T21:33:40Z) - 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) - Traffic Management of Autonomous Vehicles using Policy Based Deep
Reinforcement Learning and Intelligent Routing [0.26249027950824505]
本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。
交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
論文 参考訳(メタデータ) (2022-06-28T02:46:20Z) - 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) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for
Autonomous Vehicles Using Deep Reinforcement Learning [17.412117389855226]
SAINT-ACC:Setyaf-Aware Intelligent ACC system (SAINT-ACC) は、交通効率、運転安全性、運転快適性の同時最適化を実現するために設計された。
交通効率と運転安全・快適性の最適バランスを求めるために,新しい二重RLエージェントベースアプローチを開発した。
論文 参考訳(メタデータ) (2021-03-06T14:01:29Z) - End-to-End Vision-Based Adaptive Cruise Control (ACC) Using Deep
Reinforcement Learning [12.100265694989627]
本稿では,Double Deep Q-networksという深層強化学習手法を提案し,エンドツーエンドの視覚ベースの適応クルーズ制御(ACC)システムを設計した。
強化学習モデルでは, 後続距離とスロットル/ブレーキ力に付随するよく設計された報酬関数が実装された。
提案システムは, 先行車両の異なる速度軌跡に適応し, リアルタイムに動作可能である。
論文 参考訳(メタデータ) (2020-01-24T20:02:50Z)
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。