Fugu-MT 論文翻訳(概要): Adaptive Traffic Control with Deep Reinforcement Learning: Towards State-of-the-art and Beyond

論文の概要: Adaptive Traffic Control with Deep Reinforcement Learning: Towards State-of-the-art and Beyond

arxiv url: http://arxiv.org/abs/2007.10960v1
Date: Tue, 21 Jul 2020 17:26:20 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 04:11:29.489610
Title: Adaptive Traffic Control with Deep Reinforcement Learning: Towards State-of-the-art and Beyond
Title（参考訳）: 深層強化学習による適応的交通制御--最先端に向けて
Authors: Siavash Alemzadeh, Ramin Moslemi, Ratnesh Sharma, and Mehran Mesbahi
Abstract要約: 強化学習(RL)を用いた適応型データ誘導交通計画と制御について検討する。高速で信頼性の高い交通意思決定ツールとして,交通制御のための新しいDQNアルゴリズム(TC-DQN+)を提案する。
参考スコア（独自算出の注目度）: 1.3999481573773072
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we study adaptive data-guided traffic planning and control using Reinforcement Learning (RL). We shift from the plain use of classic methods towards state-of-the-art in deep RL community. We embed several recent techniques in our algorithm that improve the original Deep Q-Networks (DQN) for discrete control and discuss the traffic-related interpretations that follow. We propose a novel DQN-based algorithm for Traffic Control (called TC-DQN+) as a tool for fast and more reliable traffic decision-making. We introduce a new form of reward function which is further discussed using illustrative examples with comparisons to traditional traffic control methods.
Abstract（参考訳）: 本研究では,Reinforcement Learning (RL) を用いた適応型データ誘導交通計画と制御について検討する。我々は,古典的手法の日常的な使用から,深層RLコミュニティの最先端へと移行する。離散制御のためのDQN(Deep Q-Networks)の改良手法をアルゴリズムに組み込んで,それに続くトラフィック関連解釈について議論する。高速で信頼性の高い交通意思決定ツールとして,交通制御のための新しいDQNアルゴリズム(TC-DQN+)を提案する。本稿では,従来の交通制御手法と比較した実例を用いて,新たな報奨関数を提案する。

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)
A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in Next-gen Networks [1.1586742546971471]
次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
論文参考訳（メタデータ） (2024-02-07T01:48:29Z)
Utilizing Background Knowledge for Robust Reasoning over Traffic Situations [63.45021731775964]
我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
論文参考訳（メタデータ） (2022-12-04T09:17:24Z)
Lyapunov Function Consistent Adaptive Network Signal Control with Back Pressure and Reinforcement Learning [9.797994846439527]
本研究では、それぞれ特定のリャプノフ関数を定義するリアプノフ制御理論を用いた統一的なフレームワークを提案する。 Lyapunov理論の知見に基づいて、この研究は強化学習(Reinforcement Learning, RL)に基づくネットワーク信号制御のための報酬関数を設計する。提案アルゴリズムは, 純旅客車流および貨物を含む異種交通流下での従来のRL法およびRL法と比較した。
論文参考訳（メタデータ） (2022-10-06T00:22:02Z)
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)
A Deep Reinforcement Learning Approach for Traffic Signal Control Optimization [14.455497228170646]
非効率な信号制御手法は、交通渋滞やエネルギー浪費などの多くの問題を引き起こす可能性がある。本稿では,アクター・クリティカル・ポリシー・グラデーション・アルゴリズムを拡張し,マルチエージェント・ディープ・決定性ポリシー・グラデーション(MADDPG)法を提案する。
論文参考訳（メタデータ） (2021-07-13T14:11:04Z)
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)
MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文参考訳（メタデータ） (2021-01-04T03:06:08Z)
A Traffic Light Dynamic Control Algorithm with Deep Reinforcement Learning Based on GNN Prediction [5.585321463602587]
GPlightはグラフニューラルネットワーク(GNN)と統合された深層強化学習アルゴリズムである GPlightでは、グラフニューラルネットワーク(GNN)が、交差点における将来の短期的トラフィックフローを予測するために最初に使用される。
論文参考訳（メタデータ） (2020-09-29T01:09:24Z)
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)
IG-RL: Inductive Graph Reinforcement Learning for Massive-Scale Traffic Signal Control [4.273991039651846]
適応的な交通信号制御のスケーリングには、状態と行動空間を扱う必要がある。本稿では,グラフ畳み込みネットワークに基づくインダクティブグラフ強化学習(IG-RL)を紹介する。我々のモデルは、新しい道路網、交通分布、交通体制に一般化することができる。
論文参考訳（メタデータ） (2020-03-06T17:17:59Z)

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。