論文の概要: Leveraging the Capabilities of Connected and Autonomous Vehicles and Multi-Agent Reinforcement Learning to Mitigate Highway Bottleneck Congestion

• arxiv url: http://arxiv.org/abs/2010.05436v1
• Date: Mon, 12 Oct 2020 03:52:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 08:21:09.455683
• Title: Leveraging the Capabilities of Connected and Autonomous Vehicles and Multi-Agent Reinforcement Learning to Mitigate Highway Bottleneck Congestion
• Title（参考訳）: 高速道路のボトルネックを緩和するコネクテッド・自律走行車の能力とマルチエージェント強化学習の活用
• Authors: Paul Young Joun Ha, Sikai Chen, Jiqian Dong, Runjia Du, Yujie Li, Samuel Labi
• Abstract要約: RLをベースとしたマルチエージェントCAV制御モデルを提案する。 その結果、CAVのシェアが10%以下である場合でも、CAVはハイウェイ交通のボトルネックを著しく軽減することができることが示唆された。
• 参考スコア（独自算出の注目度）: 2.0010674945048468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active Traffic Management strategies are often adopted in real-time to address such sudden flow breakdowns. When queuing is imminent, Speed Harmonization (SH), which adjusts speeds in upstream traffic to mitigate traffic showckwaves downstream, can be applied. However, because SH depends on driver awareness and compliance, it may not always be effective in mitigating congestion. The use of multiagent reinforcement learning for collaborative learning, is a promising solution to this challenge. By incorporating this technique in the control algorithms of connected and autonomous vehicle (CAV), it may be possible to train the CAVs to make joint decisions that can mitigate highway bottleneck congestion without human driver compliance to altered speed limits. In this regard, we present an RL-based multi-agent CAV control model to operate in mixed traffic (both CAVs and human-driven vehicles (HDVs)). The results suggest that even at CAV percent share of corridor traffic as low as 10%, CAVs can significantly mitigate bottlenecks in highway traffic. Another objective was to assess the efficacy of the RL-based controller vis-\`a-vis that of the rule-based controller. In addressing this objective, we duly recognize that one of the main challenges of RL-based CAV controllers is the variety and complexity of inputs that exist in the real world, such as the information provided to the CAV by other connected entities and sensed information. These translate as dynamic length inputs which are difficult to process and learn from. For this reason, we propose the use of Graphical Convolution Networks (GCN), a specific RL technique, to preserve information network topology and corresponding dynamic length inputs. We then use this, combined with Deep Deterministic Policy Gradient (DDPG), to carry out multi-agent training for congestion mitigation using the CAV controllers.
• Abstract（参考訳）: このような突然のフローダウンに対処するために、リアルタイムにアクティブなトラフィック管理戦略が採用されることが多い。 キューが差し迫った場合には、上流トラフィックの速度を調整して下流トラフィックのショークウェーブを緩和するSpeed Harmonization (SH)を適用することができる。 しかし、SHは運転者の認識とコンプライアンスに依存しているため、渋滞を緩和するのに必ずしも有効ではない。 協調学習におけるマルチエージェント強化学習の利用は、この課題に対する有望な解決策である。 この手法をコネクテッド・アンド・オートマチック・ビークル(CAV)の制御アルゴリズムに組み込むことで、CAVを訓練することで、人間のドライバーが速度制限を変更することなく、高速道路の混雑を緩和できる共同決定を行うことができるかもしれない。 本稿では,RLをベースとした多エージェントCAV制御モデルを提案し,混合交通(CAVとHDVの両方)で運用する。 その結果、CAVのシェアが10%以下であっても、CAVはハイウェイ交通のボトルネックを著しく軽減できることがわかった。 もう1つの目的は、ルールベースのコントローラの有効性を評価することである。 この目的に対処する上で、RLベースのCAVコントローラの主な課題の1つは、他の接続されたエンティティや知覚情報によってCAVに提供される情報など、現実世界に存在する入力の多様性と複雑さであるということを正しく認識する。 これらは、処理や学習が難しい動的長さ入力として翻訳される。 そこで本稿では,情報ネットワークのトポロジと対応する動的長さ入力を保存するために,特定のRL手法であるGCN(Graphical Convolution Networks)を提案する。 次に,これとDDPG(Deep Deterministic Policy Gradient)を組み合わせることで,CAVコントローラを用いた混雑軽減のためのマルチエージェントトレーニングを行う。

関連論文リスト

• Cooperative Cruising: Reinforcement Learning-Based Time-Headway Control for Increased Traffic Efficiency [4.982603129041808]
  本稿では,高速道路の交通効率を人的交通と比較して初めて向上させる新しいAIシステムを提案する。 私たちのアプローチの核心は、自動車両にタイムヘッドを通信する強化学習ベースのコントローラです。
  論文  参考訳（メタデータ） (2024-12-03T16:13:42Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• CAV-AHDV-CAV: Mitigating Traffic Oscillations for CAVs through a Novel Car-Following Structure and Reinforcement Learning [8.63981338420553]
  Connected and Automated Vehicles (CAVs)は、CAVとHuman-Driven Vehicles (HDVs)の混合交通の課題に対して、有望な解決策を提供する。 HDVは限られた情報に依存しているが、CAVは意思決定を改善するために他のCAVのデータを利用することができる。 本稿では2つのCAV間のHDVのシーケンスを1つのエンティティとして扱う「CAV-AHDV-CAV」カーフォローフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-23T15:38:29Z)
• 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)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
  渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。 現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。 我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
  論文  参考訳（メタデータ） (2022-07-05T20:42:24Z)
• 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)
• A Multi-Agent Deep Reinforcement Learning Coordination Framework for Connected and Automated Vehicles at Merging Roadways [0.0]
  接続された自動車両(CAV)は、渋滞、事故、エネルギー消費、温室効果ガスの排出に対処する可能性がある。 停止運転をなくすようにCAVを調整するためのフレームワークを提案する。 数値シミュレーションによりCAVの協調性を実証し,停止運転を排除してスムーズな交通流を実現することを示す。
  論文  参考訳（メタデータ） (2021-09-23T22:26:52Z)
• 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)
• A DRL-based Multiagent Cooperative Control Framework for CAV Networks: a Graphic Convolution Q Network [2.146837165387593]
  コネクテッド・オートモービル(CAV)ネットワークは、多車線の廊下で異なる場所で運用されているCAVの集合体として定義することができる。 本稿では,情報融合モジュールと決定プロセッサとして,GCN(Graphic Convolution Neural Network)とDQN(Deep Q Network)を組み合わせた新しいDeep Reinforcement Learning(DRL)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-12T03:53:58Z)

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。