Fugu-MT 論文翻訳(概要): DRLE: Decentralized Reinforcement Learning at the Edge for Traffic Light Control in the IoV

論文の概要: DRLE: Decentralized Reinforcement Learning at the Edge for Traffic Light Control in the IoV

arxiv url: http://arxiv.org/abs/2009.01502v2
Date: Tue, 5 Jan 2021 10:03:08 GMT
ステータス: 処理完了
システム内更新日: 2022-10-22 08:16:30.672523
Title: DRLE: Decentralized Reinforcement Learning at the Edge for Traffic Light Control in the IoV
Title（参考訳）: DRLE:IoVにおける交通光制御のためのエッジでの分散強化学習
Authors: Pengyuan Zhou, Xianfu Chen, Zhi Liu, Tristan Braud, Pan Hui, Jussi Kangasharju
Abstract要約: Internet of Vehicles (IoV) は、車両と道路ユニット間のリアルタイムデータ交換を可能にする。 IoV(DRLE)における信号制御のためのエッジにおける分散強化学習を提案する。 DRLEはエッジサーバのカバレッジ内で動作し、近隣のエッジサーバからの集約データを使用して、都市規模のトラフィック光制御を提供する。
参考スコア（独自算出の注目度）: 19.520162113896635
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The Internet of Vehicles (IoV) enables real-time data exchange among vehicles and roadside units and thus provides a promising solution to alleviate traffic jams in the urban area. Meanwhile, better traffic management via efficient traffic light control can benefit the IoV as well by enabling a better communication environment and decreasing the network load. As such, IoV and efficient traffic light control can formulate a virtuous cycle. Edge computing, an emerging technology to provide low-latency computation capabilities at the edge of the network, can further improve the performance of this cycle. However, while the collected information is valuable, an efficient solution for better utilization and faster feedback has yet to be developed for edge-empowered IoV. To this end, we propose a Decentralized Reinforcement Learning at the Edge for traffic light control in the IoV (DRLE). DRLE exploits the ubiquity of the IoV to accelerate the collection of traffic data and its interpretation towards alleviating congestion and providing better traffic light control. DRLE operates within the coverage of the edge servers and uses aggregated data from neighboring edge servers to provide city-scale traffic light control. DRLE decomposes the highly complex problem of large area control. into a decentralized multi-agent problem. We prove its global optima with concrete mathematical reasoning. The proposed decentralized reinforcement learning algorithm running at each edge node adapts the traffic lights in real time. We conduct extensive evaluations and demonstrate the superiority of this approach over several state-of-the-art algorithms.
Abstract（参考訳）: インターネット・オブ・ビークルズ(IoV)は、車両と道路ユニット間のリアルタイムデータ交換を可能にし、都市部における交通渋滞を緩和するための有望な解決策を提供する。一方、効率的なトラフィック光制御によるトラフィック管理の改善は、通信環境の改善とネットワーク負荷の低減によって、IoVにも恩恵をもたらす。したがって、IoVと効率的な交通光制御は、希薄なサイクルを定式化することができる。エッジコンピューティングは、ネットワークの端で低レイテンシの計算能力を提供する新しい技術であり、このサイクルの性能をさらに向上させることができる。しかし, 収集した情報の価値はあるものの, エッジ駆動型IoVでは, 有効利用と迅速なフィードバックのための効率的なソリューションがまだ開発されていない。この目的のために、IoV(DRLE)における信号制御のためのエッジにおける分散強化学習を提案する。 DRLEは、IoVのユビキティを利用してトラフィックデータの収集を加速し、渋滞を緩和し、より優れたトラフィック光制御を提供する。 DRLEはエッジサーバのカバレッジ内で動作し、近隣のエッジサーバからの集約データを使用して、都市規模のトラフィック光制御を提供する。 DRLEは、大面積制御の非常に複雑な問題を分解する。分散マルチエージェント問題です。我々はそのグローバルな最適性を具体的な数学的推論で証明する。提案した分散強化学習アルゴリズムは,各エッジノードで実行され,リアルタイムに信号に適応する。我々は,いくつかの最先端アルゴリズムにおいて,このアプローチが優れていることを示す。

関連論文リスト

MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning [13.369840354712021]
MoveLightは移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである。詳細なリアルタイムデータと高度な機械学習技術を活用することで、MoveLightは従来の信号制御手法の限界を克服する。
論文参考訳（メタデータ） (2024-07-24T14:17:16Z)
Towards Multi-agent Reinforcement Learning based Traffic Signal Control through Spatio-temporal Hypergraphs [19.107744041461316]
交通信号制御システム(TSCS)は、インテリジェントな交通管理に不可欠なものであり、効率的な車両の流れを育んでいる。従来のアプローチでは、道路網を標準的なグラフに単純化することが多い。本稿では,インテリジェントトラフィック制御を実現するための新しいTSCSフレームワークを提案する。
論文参考訳（メタデータ） (2024-04-17T02:46:18Z)
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)
An ASP Framework for Efficient Urban Traffic Optimization [0.0]
本稿では,数百台の車両による大規模道路網における交通流を効率的にシミュレートし,最適化する枠組みを提案する。このフレームワークは、Answer Set Programming (ASP)エンコーディングを利用して、ネットワーク内の車両の動きを正式に記述する。これにより、ネットワーク内の車両の経路を最適化し、関連するメトリクスの幅を減らすことができる。
論文参考訳（メタデータ） (2022-08-05T10:50:38Z)
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)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
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)
A Decentralized Reinforcement Learning Framework for Efficient Passage of Emergency Vehicles [6.748225062396441]
救急車(EMV)は、都市が時間的に重要な出来事に対処する上で重要な役割を担っている。 EMVの走行時間を短縮するための既存のアプローチでは、経路最適化と信号プリエンプションが採用されている。本稿では,動的ルーティングと信号制御を同時に行うためのフレームワークであるEMVLightを紹介する。
論文参考訳（メタデータ） (2021-10-30T16:13:48Z)
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)
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)

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。