論文の概要: Deep Learning Based Proactive Multi-Objective Eco-Routing Strategies for
Connected and Automated Vehicles
- arxiv url: http://arxiv.org/abs/2006.16472v2
- Date: Sun, 27 Dec 2020 15:12:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:12:00.200007
- Title: Deep Learning Based Proactive Multi-Objective Eco-Routing Strategies for
Connected and Automated Vehicles
- Title（参考訳）: 深層学習に基づく自律走行車用多目的エコルーティング戦略
- Authors: Lama Alfaseeh and Bilal Farooq
- Abstract要約: プロアクティブなルーティング戦略は、ルーティングの目的に関係なく、ミオピック戦略よりも優れていた。
ネットワーク内の車両が経験した追加のTTとVKTは、ネットワーク内で発生するGHGとNOxの量に悪影響を及ぼした。
- 参考スコア（独自算出の注目度）: 6.982614422666432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study exploits the advancements in information and communication
technology (ICT), connected and automated vehicles (CAVs), and sensing, to
develop proactive multi-objective eco-routing strategies. For a robust
application, several GHG costing approaches are examined. The predictive models
for the link level traffic and emission states are developed using long short
term memory deep network with exogenous predictors. It is found that proactive
routing strategies outperformed the myopic strategies, regardless of the
routing objective. Whether myopic or proactive, the multi-objective routing,
with travel time and GHG minimization as objectives, outperformed the single
objective routing strategies, causing a reduction in the average travel time
(TT), average vehicle kilometre travelled (VKT), total GHG and total NOx by
17%, 21%, 18%, and 20%, respectively. Finally, the additional TT and VKT
experienced by the vehicles in the network contributed adversely to the amount
of GHG and NOx produced in the network.
- Abstract（参考訳）: 本研究では、情報通信技術(ICT)、コネクテッド・アンド・オートマチック・ビークル(CAV)、センシングの進歩を活用して、積極的な多目的エコルーティング戦略を開発する。
堅牢なアプリケーションでは、いくつかのGHGコスト手法が検討されている。
リンクレベルトラヒックとエミッション状態の予測モデルは、外部予測器を備えた長期記憶深層ネットワークを用いて開発されている。
プロアクティブなルーティング戦略は、ルーティング目的に関係なく、ミオピック戦略よりも優れていた。
マイオピックであれプロアクティブであれ、旅行時間とghg最小化を目的とする多目的ルーティングであっても、単一の目標ルーティング戦略を上回り、平均走行時間(tt)、平均走行キロメートル旅行(vkt)、総ghg、総noxをそれぞれ17%、21%、18%、20%削減した。
最後に、ネットワーク内の車両が経験する追加のTTとVKTは、ネットワーク内で発生するGHGとNOxの量に悪影響を及ぼした。
関連論文リスト
- Progression Cognition Reinforcement Learning with Prioritized Experience
for Multi-Vehicle Pursuit [19.00359253910912]
本稿では,都市交通現場におけるMVPの優先体験を考慮した認知強化学習を提案する。
PEPCRL-MVPは優先順位付けネットワークを使用して、各MARLエージェントのパラメータに従ってグローバルエクスペリエンス再生バッファの遷移を評価する。
PEPCRL-MVPはTD3-DMAPよりも3.95%効率を向上し、その成功率はMADDPGよりも34.78%高い。
論文 参考訳（メタデータ） (2023-06-08T08:10:46Z) - 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) - 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) - Learning Eco-Driving Strategies at Signalized Intersections [1.7682859739940435]
本研究では,効率的なエコドライブ制御戦略を学習するための強化学習手法を提案する。
我々は,学習戦略が燃料消費,CO2排出,旅行時間に与える影響について分析した。
その結果、25%のCAV侵入でも、全燃料および排出削減効果の少なくとも50%を得られることが示唆された。
論文 参考訳（メタデータ） (2022-04-26T19:45:11Z) - 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) - Hybrid Reinforcement Learning-Based Eco-Driving Strategy for Connected
and Automated Vehicles at Signalized Intersections [3.401874022426856]
視覚知覚法は車間通信(V2I)と統合され、より高モビリティとエネルギー効率を実現する。
HRLフレームワークには3つのコンポーネントがある。ルールベースのドライビングマネージャで、ルールベースのポリシーとRLポリシーの協調を運用する。
実験により, HRL法によりエネルギー消費量を12.70%削減し, 11.75%の移動時間を省くことができた。
論文 参考訳（メタデータ） (2022-01-19T19:31:12Z) - Mobile Cellular-Connected UAVs: Reinforcement Learning for Sky Limits [71.28712804110974]
本稿では,UAVの切断時間,ハンドオーバ速度,エネルギー消費を低減するため,MAB(Multi-armed bandit)アルゴリズムを提案する。
それぞれの性能指標(PI)が、適切な学習パラメータの範囲を採用することにより、どのように改善されるかを示す。
論文 参考訳（メタデータ） (2020-09-21T12:35:23Z) - COMET: Context-Aware IoU-Guided Network for Small Object Tracking [17.387332692494084]
マルチタスク2ストリームネットワークとオフライン参照提案生成戦略を利用したコンテキスト対応IoU誘導トラッカー(COMET)を提案する。
提案するネットワークは,マルチスケールの特徴学習とアテンションモジュールによるターゲット関連情報を完全に活用する。
経験的に、COMETは、小さなオブジェクトを追跡することに焦点を当てた、さまざまな空中ビューデータセットにおいて、最先端のデータをパフォーマンスします。
論文 参考訳（メタデータ） (2020-06-04T00:28:45Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z) - Real-Time Semantic Segmentation via Auto Depth, Downsampling Joint
Decision and Feature Aggregation [54.28963233377946]
本稿では,セグメンテーション戦略の自動化を目的として,AutoRTNetという共同検索フレームワークを提案する。
具体的には,ネットワーク深度とダウンサンプリング戦略を協調的に決定するハイパーセルと,自動マルチスケール機能アグリゲーションを実現するアグリゲーションセルを提案する。
論文 参考訳（メタデータ） (2020-03-31T14:02:25Z)
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。