論文の概要: PDLight: A Deep Reinforcement Learning Traffic Light Control Algorithm with Pressure and Dynamic Light Duration

• arxiv url: http://arxiv.org/abs/2009.13711v1
• Date: Tue, 29 Sep 2020 01:07:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 07:12:56.090555
• Title: PDLight: A Deep Reinforcement Learning Traffic Light Control Algorithm with Pressure and Dynamic Light Duration
• Title（参考訳）: PDLight: 圧力と動的光時間を考慮した深層強化学習型トラヒック光制御アルゴリズム
• Authors: Chenguang Zhao, Xiaorong Hu, Gang Wang
• Abstract要約: PRCOL(Pressure with Retaining Capacity of Outgoing Lane)として新たな報酬を付与した深部強化学習(DRL)トラヒック光制御アルゴリズムPDlightを提案する。 PRCOLは、交通制御アルゴリズムで使用される圧力に対する改善として、入車車線の車両数だけでなく、出車線の残りの容量も考慮している。
• 参考スコア（独自算出の注目度）: 5.585321463602587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing ineffective and inflexible traffic light control at urban intersections can often lead to congestion in traffic flows and cause numerous problems, such as long delay and waste of energy. How to find the optimal signal timing strategy is a significant challenge in urban traffic management. In this paper, we propose PDlight, a deep reinforcement learning (DRL) traffic light control algorithm with a novel reward as PRCOL (Pressure with Remaining Capacity of Outgoing Lane). Serving as an improvement over the pressure used in traffic control algorithms, PRCOL considers not only the number of vehicles on the incoming lane but also the remaining capacity of the outgoing lane. Simulation results using both synthetic and real-world data-sets show that the proposed PDlight yields lower average travel time compared with several state-of-the-art algorithms, PressLight and Colight, under both fixed and dynamic green light duration.
• Abstract（参考訳）: 既存の都市交差点における非効率で非フレキシブルな信号制御は、しばしば交通流の混雑を引き起こし、長い遅延やエネルギーの浪費といった多くの問題を引き起こす。 都市交通管理において最適な信号タイミング戦略の発見は重要な課題である。 本稿では,PRCOL(Pressure with Remaining Capacity of Outgoing Lane)として新たな報酬を得られる,深層強化学習(DRL)トラフィック光制御アルゴリズムPDlightを提案する。 PRCOLは、交通制御アルゴリズムで使用される圧力に対する改善として、入車車線の車両数だけでなく、出車線の残りの容量も考慮している。 合成データと実世界のデータの両方を用いたシミュレーションの結果,提案されたpdlightは,固定光と動的緑光の両方下で,最先端のアルゴリズムである presslight と colight と比較して平均走行時間が低いことがわかった。

関連論文リスト

• Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
  本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。 本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。 シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T12:35:56Z)
• GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• 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)
• MTLight: Efficient Multi-Task Reinforcement Learning for Traffic Signal Control [56.545522358606924]
  MTLightは、多数の交通指標から学習した潜伏状態のエージェント観測を強化するために提案されている。 CityFlowで行った実験は、MTLightが収束速度と性能をリードしていることを示している。
  論文  参考訳（メタデータ） (2024-04-01T03:27:46Z)
• 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)
• Roulette-Wheel Selection-Based PSO Algorithm for Solving the Vehicle Routing Problem with Time Windows [58.891409372784516]
  本稿では,Roulette Wheel Method (RWPSO) を用いた新しいPSO手法を提案する。 RWPSOのSolomon VRPTWベンチマークデータセットを用いた実験は、RWPSOが文学の他の最先端アルゴリズムと競合していることを示している。
  論文  参考訳（メタデータ） (2023-06-04T09:18:02Z)
• Deep Reinforcement Learning for Traffic Light Control in Intelligent Transportation Systems [19.318117948342362]
  道路網におけるリアルタイム交通状況に基づいて信号機を適応的に制御するための,深部強化学習 (DRL) は有望なアプローチである。 2つのシナリオにおいて、交通信号制御問題に対して2つのDRLアルゴリズムを用いる。 単一の道路交差点とグリッド道路ネットワークの両方で配信されたポリシーは、DRLアルゴリズムのスケーラビリティを示している。
  論文  参考訳（メタデータ） (2023-02-04T02:49:12Z)
• Intelligent Traffic Light via Policy-based Deep Reinforcement Learning [2.0796717061432]
  本研究では,都市移動シミュレータ上での信号制御エージェントの訓練に強化学習を用いる。 政策に基づく深層強化学習手法であるPPO(Proximal Policy Optimization)を利用する。
  論文  参考訳（メタデータ） (2021-12-27T18:11:32Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)

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。