Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning in Lane Merge Coordination for Connected Vehicles

論文の概要: Deep Reinforcement Learning in Lane Merge Coordination for Connected Vehicles

arxiv url: http://arxiv.org/abs/2010.10567v1
Date: Tue, 20 Oct 2020 19:01:51 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 07:58:21.106430
Title: Deep Reinforcement Learning in Lane Merge Coordination for Connected Vehicles
Title（参考訳）: 連結車両のレーンマージコーディネーションにおける深部強化学習
Authors: Omar Nassef, Luis Sequeira, Elias Salam and Toktam Mahmoodi
Abstract要約: このフレームワークは、Traffic OrchestratorとData Fusionをベースとしている。深い強化学習とデータ分析は、連結車両の軌道推奨を予測するために使用される。この結果は、Dueling Deep Q-Networkを目に見えない現実世界のマージシナリオで使用する場合、Traffic Orchestratorの適応性を強調します。
参考スコア（独自算出の注目度）: 1.2387676601792896
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, a framework for lane merge coordination is presented utilising a centralised system, for connected vehicles. The delivery of trajectory recommendations to the connected vehicles on the road is based on a Traffic Orchestrator and a Data Fusion as the main components. Deep Reinforcement Learning and data analysis is used to predict trajectory recommendations for connected vehicles, taking into account unconnected vehicles for those suggestions. The results highlight the adaptability of the Traffic Orchestrator, when employing Dueling Deep Q-Network in an unseen real world merging scenario. A performance comparison of different reinforcement learning models and evaluation against Key Performance Indicator (KPI) are also presented.
Abstract（参考訳）: 本稿では,連結車両における集中型システムを活用した車線マージコーディネートのためのフレームワークを提案する。道路上の連結車両への軌道レコメンデーションの配信は、交通オーケストレーションとデータフュージョンを主要なコンポーネントとして用いている。深層強化学習とデータ分析は、これらの提案を考慮し、連結車両の軌道推奨を予測するために使用される。その結果,実世界マージシナリオでディープqネットワークを用いた場合,トラヒックオーケストレータの適応性が浮き彫りになる。また、異なる強化学習モデルの性能比較とキーパフォーマンス指標(KPI)に対する評価について述べる。

関連論文リスト

Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-11-27T18:57:42Z)
Estimating Link Flows in Road Networks with Synthetic Trajectory Data Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文参考訳（メタデータ） (2022-06-26T13:14:52Z)
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)
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)
End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文参考訳（メタデータ） (2021-04-28T07:54:40Z)
Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文参考訳（メタデータ） (2021-04-16T17:58:56Z)
Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文参考訳（メタデータ） (2021-03-08T05:34:05Z)
Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文参考訳（メタデータ） (2020-12-07T02:09:15Z)
The Role of Machine Learning for Trajectory Prediction in Cooperative Driving [1.6447597767676654]
協調運転において機械学習が果たす役割について検討する。本稿では,異なる機械学習技術を用いた軌道の正確な時間的予測について検討する。
論文参考訳（メタデータ） (2020-10-21T09:25:17Z)
A Lane Merge Coordination Model for a V2X Scenario [1.2387676601792896]
本稿では,集中型システムに基づく車線マージコーディネーションのコネクテッドカーへの応用について述べる。アプリケーションは、トラフィックオーケストレータをメインコンポーネントとして構成する。車両が車線マージの協調操作を成功させるかどうかを予測するため,機械学習とデータ解析を適用した。
論文参考訳（メタデータ） (2020-10-20T16:36:06Z)

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。