論文の概要: Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time

• arxiv url: http://arxiv.org/abs/2011.01771v1
• Date: Tue, 3 Nov 2020 15:10:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 04:27:39.519544
• Title: Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time
• Title（参考訳）: 深層強化学習に基づく旅行時間最小化のための動的経路計画
• Authors: Yuanzhe Geng, Erwu Liu, Rui Wang and Yiming Liu
• Abstract要約: 歩行者の深い強化学習に基づく経路計画アルゴリズムを設計する。 本稿では,道路渋滞を回避するため,エージェントが深層Qネットワークを通じて戦略を学習する動的調整可能な経路計画法を提案する。 シミュレーションの結果,DARPアルゴリズムは,従来の最短経路計画アルゴリズムと比較して,混雑条件下で52%の時間を節約できることがわかった。
• 参考スコア（独自算出の注目度）: 8.234463661266169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Route planning is important in transportation. Existing works focus on finding the shortest path solution or using metrics such as safety and energy consumption to determine the planning. It is noted that most of these studies rely on prior knowledge of road network, which may be not available in certain situations. In this paper, we design a route planning algorithm based on deep reinforcement learning (DRL) for pedestrians. We use travel time consumption as the metric, and plan the route by predicting pedestrian flow in the road network. We put an agent, which is an intelligent robot, on a virtual map. Different from previous studies, our approach assumes that the agent does not need any prior information about road network, but simply relies on the interaction with the environment. We propose a dynamically adjustable route planning (DARP) algorithm, where the agent learns strategies through a dueling deep Q network to avoid congested roads. Simulation results show that the DARP algorithm saves 52% of the time under congestion condition when compared with traditional shortest path planning algorithms.
• Abstract（参考訳）: 交通では経路計画が重要である。 既存の作業は、最も短い経路ソリューションを見つけることや、計画を決定するために安全やエネルギー消費などのメトリクスを使用することに重点を置いています。 これらの研究のほとんどは、特定の状況では利用できない道路網の事前知識に依存している。 本稿では,歩行者のための深部強化学習(DRL)に基づく経路計画アルゴリズムを設計する。 交通時間消費を指標として,道路網における歩行者の流れを予測して経路計画を行う。 私たちは、インテリジェントなロボットであるエージェントを仮想マップに配置しました。 従来の研究と異なり, エージェントは道路ネットワークに関する事前情報を必要としないが, 環境との相互作用にのみ依存している。 本稿では,道路渋滞を回避するため,エージェントが深層Qネットワークを通じて戦略を学習する動的調整可能な経路計画法を提案する。 シミュレーションの結果、darpアルゴリズムは従来の最短経路計画アルゴリズムと比較して混雑条件下で52%の時間を節約できることがわかった。

関連論文リスト

• DynamicRouteGPT: A Real-Time Multi-Vehicle Dynamic Navigation Framework Based on Large Language Models [13.33340860174857]
  複雑な交通環境におけるリアルタイムな動的経路計画は、交通量の変化や信号待ち時間といった課題を提示する。 DijkstraやA*のような従来の静的ルーティングアルゴリズムは最短経路を計算するが、しばしば動的条件下で失敗する。 本稿では,実時間動的経路計画のための因果推論に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-26T11:19:58Z)
• Reinforcement learning based local path planning for mobile robot [0.0]
  オフラインのシナリオでは、環境マップが一度作成され、このマップ上に固定された経路計画が作成され、ターゲットに到達する。 オンラインのシナリオでは、センサーから得られる知覚データを用いて地図を使わずに、ロボットは所定の目標に向かって動的に移動する。 深層ニューラルネットワークを用いたQ-Learning手法は、前述のモバイルロボットナビゲーションの問題に対する新たな解決策として使用される。
  論文  参考訳（メタデータ） (2023-10-24T18:26:25Z)
• POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
  パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。 我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
  論文  参考訳（メタデータ） (2023-07-16T19:44:27Z)
• Robust Path Selection in Software-defined WANs using Deep Reinforcement Learning [18.586260468459386]
  本稿では、経路計算と経路更新のオーバーヘッドを考慮した、ネットワーク内の経路選択を行うデータ駆動アルゴリズムを提案する。 提案手法は,ECMPなどの従来のTE方式に比べてリンク利用率を40%削減できる。
  論文  参考訳（メタデータ） (2022-12-21T16:08:47Z)
• Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
  パスプランニングはモバイルロボティクスの重要な構成要素である。 学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2022-03-07T01:52:57Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
  パスプランニングは、モバイルロボティクスの重要なコンポーネントです。 アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2021-05-04T21:48:18Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• CNN Encoder to Reduce the Dimensionality of Data Image for Motion Planning [1.244705780038575]
  動作計画問題に対して無駄な経路を除去できるCNNエンコーダを提案する。 評価されたすべてのシナリオにおいて、我々のソリューションはイテレーションの数を60%以上削減しました。
  論文  参考訳（メタデータ） (2020-04-10T15:44:52Z)
• Three Dimensional Route Planning for Multiple Unmanned Aerial Vehicles using Salp Swarm Algorithm [0.0]
  ルートプランニングは、あるスタート地点から目的地のゴール地点までの一連の翻訳と回転のステップである。 提案手法は,それぞれ平均コストと全体の時間を1.25%と6.035%改善する。
  論文  参考訳（メタデータ） (2019-11-24T12:36:18Z)

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。