論文の概要: A DRL-based Multiagent Cooperative Control Framework for CAV Networks: a
Graphic Convolution Q Network
- arxiv url: http://arxiv.org/abs/2010.05437v1
- Date: Mon, 12 Oct 2020 03:53:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 07:52:28.107190
- Title: A DRL-based Multiagent Cooperative Control Framework for CAV Networks: a
Graphic Convolution Q Network
- Title(参考訳): CAVネットワークのためのDRLに基づくマルチエージェント協調制御フレームワーク:グラフ畳み込みQネットワーク
- Authors: Jiqian Dong, Sikai Chen, Paul Young Joun Ha, Yujie Li, Samuel Labi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.146837165387593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Connected Autonomous Vehicle (CAV) Network can be defined as a collection of
CAVs operating at different locations on a multilane corridor, which provides a
platform to facilitate the dissemination of operational information as well as
control instructions. Cooperation is crucial in CAV operating systems since it
can greatly enhance operation in terms of safety and mobility, and high-level
cooperation between CAVs can be expected by jointly plan and control within CAV
network. However, due to the highly dynamic and combinatory nature such as
dynamic number of agents (CAVs) and exponentially growing joint action space in
a multiagent driving task, achieving cooperative control is NP hard and cannot
be governed by any simple rule-based methods. In addition, existing literature
contains abundant information on autonomous driving's sensing technology and
control logic but relatively little guidance on how to fuse the information
acquired from collaborative sensing and build decision processor on top of
fused information. In this paper, a novel Deep Reinforcement Learning (DRL)
based approach combining Graphic Convolution Neural Network (GCN) and Deep Q
Network (DQN), namely Graphic Convolution Q network (GCQ) is proposed as the
information fusion module and decision processor. The proposed model can
aggregate the information acquired from collaborative sensing and output safe
and cooperative lane changing decisions for multiple CAVs so that individual
intention can be satisfied even under a highly dynamic and partially observed
mixed traffic. The proposed algorithm can be deployed on centralized control
infrastructures such as road-side units (RSU) or cloud platforms to improve the
CAV operation.
- Abstract(参考訳): コネクテッド・オートモービル(CAV)ネットワークは、多車線回廊の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、運用情報の拡散と制御指示を容易にするプラットフォームを提供する。
CAVの安全性と移動性が向上し,CAVネットワーク内での協調計画と制御により,CAV間の高レベル協力が期待できるため,CAVオペレーティングシステムにおいて協力は不可欠である。
しかし,多エージェント駆動タスクにおいて,動的なエージェント数(キャビテーション)や指数関数的に増加する協調動作空間など,非常にダイナミックでコンビネータ的な性質から,協調制御は困難であり,単純なルールベース手法では制御できない。
さらに、既存の文献には、自動運転のセンシング技術と制御ロジックに関する豊富な情報が含まれているが、融合情報の上に、協調センシングおよびビルド決定プロセッサから取得した情報を融合する方法についてのガイダンスは比較的少ない。
本稿では、情報融合モジュールと決定プロセッサとして、グラフ畳み込みニューラルネットワーク(GCN)とディープQネットワーク(DQN)を組み合わせた新しいDeep Reinforcement Learning(DRL)ベースのアプローチを提案する。
提案モデルでは,複数のCAVに対して協調的なセンシングと出力から得られる情報を集約し,動的かつ部分的に観測された混合トラフィックの下でも個別の意図を満たすことができる。
提案アルゴリズムは,道路側ユニット(RSU)やクラウドプラットフォームなどの集中制御基盤上に展開し,CAV操作を改善する。
関連論文リスト
- 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) - A Novel Multi-Agent Deep RL Approach for Traffic Signal Control [13.927155702352131]
都市ネットワークにおける複数の交通信号制御のための Friend-Deep Q-network (Friend-DQN) アプローチを提案する。
特に、複数のエージェント間の協調は状態-作用空間を減少させ、収束を加速させる。
論文 参考訳(メタデータ) (2023-06-05T08:20:37Z) - Distributed-Training-and-Execution Multi-Agent Reinforcement Learning
for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。
エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。
このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文 参考訳(メタデータ) (2022-12-15T17:01:56Z) - Spatial-Temporal-Aware Safe Multi-Agent Reinforcement Learning of
Connected Autonomous Vehicles in Challenging Scenarios [10.37986799561165]
通信技術はコネクテッド・自動運転車(CAV)間の協調を可能にする
CAVのための並列安全シールドを備えた制約付きマルチエージェント強化学習(MARL)フレームワークを提案する。
その結果,提案手法は難易度の高いシナリオにおいて,システムの安全性と効率を著しく向上させることがわかった。
論文 参考訳(メタデータ) (2022-10-05T14:39:07Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT
Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement
Learning Approach [56.84948632954274]
本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。
本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。
提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
論文 参考訳(メタデータ) (2021-12-20T15:45:28Z) - Scalable Perception-Action-Communication Loops with Convolutional and
Graph Neural Networks [208.15591625749272]
視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。
我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。
我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
論文 参考訳(メタデータ) (2021-06-24T23:57:21Z) - Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。
当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。
我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
論文 参考訳(メタデータ) (2021-03-08T21:48:55Z) - Leveraging the Capabilities of Connected and Autonomous Vehicles and
Multi-Agent Reinforcement Learning to Mitigate Highway Bottleneck Congestion [2.0010674945048468]
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。
論文 参考訳(メタデータ) (2020-10-12T03:52:10Z) - Facilitating Connected Autonomous Vehicle Operations Using
Space-weighted Information Fusion and Deep Reinforcement Learning Based
Control [6.463332275753283]
本稿では、他の車両からのセンシングと接続機能を通じて収集されたデータを統合するディープ強化学習に基づくアプローチについて述べる。
CAVにおけるアルゴリズムの実装は、CAV運転操作に関連する安全性とモビリティを高めることが期待されている。
論文 参考訳(メタデータ) (2020-09-30T13:38:32Z) - A Multi-Agent Reinforcement Learning Approach For Safe and Efficient
Behavior Planning Of Connected Autonomous Vehicles [21.132777568170702]
我々は、コネクテッド・自動運転車のための情報共有型強化学習フレームワークを設計する。
提案手法は, 平均速度と快適性の観点から, CAV システムの効率性を向上させることができることを示す。
我々は,共用視覚が早期に障害物を観測し,交通渋滞を避けるために行動を起こすのに役立つことを示すために,障害物回避シナリオを構築した。
論文 参考訳(メタデータ) (2020-03-09T19:15:30Z)
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。