論文の概要: Tactical Decision Making for Emergency Vehicles Based on A Combinational Learning Method

• arxiv url: http://arxiv.org/abs/2009.04203v3
• Date: Fri, 29 Jan 2021 14:22:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 12:08:00.941777
• Title: Tactical Decision Making for Emergency Vehicles Based on A Combinational Learning Method
• Title（参考訳）: 組合せ学習法に基づく緊急車両の戦術的意思決定
• Authors: Haoyi Niu, Jianming Hu, Zheyu Cui, Yi Zhang
• Abstract要約: ルールベースの回避戦略(AS)が考案され、EVの前に優先されたゾーンのCVはそれを避けるために車線を加速または変更すべきである。 速度適応型コンパクト状態空間(SC-DQN)を持つ新しいDQN法をEVの高速機能に適合させる。 次のアプローチは、DRLが一般化におけるルールベースの回避戦略を補完し、それらの組み合わせにより、応答時間が少なく、衝突速度が低く、軌道が滑らかになることを示している。
• 参考スコア（独自算出の注目度）: 3.995104718683131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increasing the response time of emergency vehicles(EVs) could lead to an immeasurable loss of property and life. On this account, tactical decision making for EVs' microscopic control remains an indispensable issue to be improved. In this paper, a rule-based avoiding strategy(AS) is devised, that CVs in the prioritized zone ahead of EV should accelerate or change their lane to avoid it. Besides, a novel DQN method with speed-adaptive compact state space (SC-DQN) is put forward to fit in EVs' high-speed feature and generalize in various road topologies. Afterward, the execution of AS feedback to the input of SC-DQN so that they joint organically as a combinational method. The following approach reveals that DRL could complement rule-based avoiding strategy in generalization, and on the contrary, the rule-based avoiding strategy could complement DRL in stability, and their combination could lead to less response time, lower collision rate and smoother trajectory.
• Abstract（参考訳）: 緊急車両(EV)の応答時間の増加は、不測の財産と生命の喪失につながる可能性がある。 この点に関して、EVの微視的制御の戦術的決定は改善すべき課題である。 本稿では,evに先立つ優先ゾーンのcvsが車線を加速または変更し,それを回避するためのルールベース回避戦略(as)を考案する。 さらに,速度適応型コンパクト状態空間(SC-DQN)を用いた新しいDQN法をEVの高速機能に適合させ,様々な道路トポロジで一般化する。 その後、SC-DQNの入力に対するASフィードバックの実行は、結合として有機的に結合するようにした。 次のアプローチでは、DRLは一般化におけるルールベースの回避戦略を補完し、逆にルールベースの回避戦略はDRLの安定性を補完し、それらの組み合わせはより応答時間が少なく、衝突速度が低く、軌道が滑らかになる可能性がある。

関連論文リスト

• Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV Networks [43.443526528832145]
  車両間通信(V2X)方式を考慮したRIS支援車両インターネット(IoV)を提案する。 車両間リンク(V2I)のタイムラインと車両間リンク(V2V)の安定性を改善するため,情報量(AoI)モデルとペイロード伝達確率モデルを導入する。
  論文  参考訳（メタデータ） (2024-06-17T06:16:07Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Adaptive Kalman-based hybrid car following strategy using TD3 and CACC [5.052960220478617]
  自律運転においては、深部強化学習と協調適応クルーズ制御(CACC)のハイブリッド戦略は、後続車の性能を著しく向上させることができる。 固定係数に基づく従来のハイブリッド戦略では、混在するトラフィックフローのシナリオに適応することが困難である。 CACC と Twin Delayed Deep Deterministic Policy Gradient (TD3) アルゴリズムに関して,適応カルマンフィルタに基づくハイブリッドカーの追従戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-26T10:51:46Z)
• Model-free Learning of Corridor Clearance: A Near-term Deployment Perspective [5.39179984304986]
  コネクテッド・アンド・オートマチック・ビークル(CAV)技術の公衆衛生応用は、交通を間接的に調整することで救急医療サービス(EMS)の応答時間を短縮することである。 このトピックに関する既存の研究は、EMS車両の故障が通常の交通に与える影響を見落とし、100%CAVの侵入を仮定し、交差点におけるリアルタイム交通信号タイミングデータと待ち行列長に依存し、最適なモデルに基づくCAV制御戦略を導出する際の交通設定について様々な仮定を行う。 これらの課題を克服し、短期的実世界の適用性を高めるために、深部強化学習(DRL)を用いたCAV制御戦略設計のためのモデルフリーアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-16T06:08:53Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)
• 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)
• 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)
• 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)
• Learning to Help Emergency Vehicles Arrive Faster: A Cooperative Vehicle-Road Scheduling Approach [24.505687255063986]
  車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。 道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。 本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
  論文  参考訳（メタデータ） (2022-02-20T10:25:15Z)
• Hybrid Car-Following Strategy based on Deep Deterministic Policy Gradient and Cooperative Adaptive Cruise Control [7.016756906859412]
  深度決定論的政策勾配(DDPG)と協調適応巡航制御(CACC)に基づくハイブリッドカーフォロー戦略を提案する。 提案手法は,CACCによる車追従の基本的な性能を保証するとともに,DDPGによる複雑な環境探索の利点をフル活用する。
  論文  参考訳（メタデータ） (2021-02-24T17:37:47Z)
• Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
  都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。 非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。 多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
  論文  参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。

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。