論文の概要: A Multi-intersection Vehicular Cooperative Control based on
End-Edge-Cloud Computing
- arxiv url: http://arxiv.org/abs/2012.00500v1
- Date: Tue, 1 Dec 2020 14:15:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 19:37:42.142016
- Title: A Multi-intersection Vehicular Cooperative Control based on
End-Edge-Cloud Computing
- Title(参考訳): エンドエッジクラウドコンピューティングに基づく多機能車両協調制御
- Authors: Mingzhi Jiang, Tianhao Wu, Zhe Wang, Yi Gong, Lin Zhang, Ren Ping Liu
- Abstract要約: 複数の交差点を有する広いエリアにおける車両間の協調を可能にするために,多断面車両協調制御(MiVeCC)を提案する。
まず、車両間のエッジクラウド垂直協調と水平協調を容易にするために、車両用エンドエッジクラウドコンピューティングフレームワークを提案する。
高密度トラフィックに対処するため, 車両選択法を提案し, 性能劣化を伴わずに, 状態空間を小さくし, アルゴリズムの収束を加速する。
- 参考スコア(独自算出の注目度): 25.05518638792962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cooperative Intelligent Transportation Systems (C-ITS) will change the modes
of road safety and traffic management, especially at intersections without
traffic lights, namely unsignalized intersections. Existing researches focus on
vehicle control within a small area around an unsignalized intersection. In
this paper, we expand the control domain to a large area with multiple
intersections. In particular, we propose a Multi-intersection Vehicular
Cooperative Control (MiVeCC) to enable cooperation among vehicles in a large
area with multiple unsignalized intersections. Firstly, a vehicular
end-edge-cloud computing framework is proposed to facilitate end-edge-cloud
vertical cooperation and horizontal cooperation among vehicles. Then, the
vehicular cooperative control problems in the cloud and edge layers are
formulated as Markov Decision Process (MDP) and solved by two-stage
reinforcement learning. Furthermore, to deal with high-density traffic, vehicle
selection methods are proposed to reduce the state space and accelerate
algorithm convergence without performance degradation. A multi-intersection
simulation platform is developed to evaluate the proposed scheme. Simulation
results show that the proposed MiVeCC can improve travel efficiency at multiple
intersections by up to 4.59 times without collision compared with existing
methods.
- Abstract(参考訳): 協調型知的交通システム(c-its)は、特に信号機のない交差点、すなわち無信号交差点において、道路安全と交通管理のモードを変える。
既存の研究は、無信号交差点周辺の小さな領域における車両制御に焦点を当てている。
本稿では,制御領域を複数の交差点を持つ広い領域に拡張する。
特に,複数交差点を有する広いエリアにおける車両間の協調を実現するために,Multi-intersection Vehicular Cooperative Control (MiVeCC)を提案する。
まず、車両間のエッジクラウド垂直協調と水平協調を容易にするために、車両用エンドエッジクラウドコンピューティングフレームワークを提案する。
次に、雲とエッジ層の車両協調制御問題をマルコフ決定過程(MDP)として定式化し、2段階強化学習により解いた。
さらに, 高密度トラフィックに対応するために, 車両選択法を提案し, 性能劣化を伴わずに, 状態空間を小さくし, アルゴリズム収束を加速する。
提案手法を評価するためにマルチインターセクションシミュレーションプラットフォームを開発した。
シミュレーションの結果,提案したMiVeCCは既存手法と比較して衝突なく複数交差点での走行効率を最大4.59倍向上できることがわかった。
関連論文リスト
- 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) - Multi-agent Path Finding for Cooperative Autonomous Driving [8.8305853192334]
我々は,既存のアルゴリズムを著しく上回る最適かつ完全なアルゴリズムであるオーダーベース検索をKinematics Arrival Time Scheduling (OBS-KATS) により考案した。
当社の作業は、同じようなスケールのトラフィックや、有向車線を備えたマルチロボットシナリオに直接適用可能です。
論文 参考訳(メタデータ) (2024-02-01T04:39:15Z) - 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) - Real-time Cooperative Vehicle Coordination at Unsignalized Road
Intersections [7.860567520771493]
信号のない道路交差点での協調作業は、連結車両と自動車両の安全運転交通スループットを向上させることを目的としている。
我々はモデルフリーなマルコフ決定プロセス(MDP)を導入し、深層強化学習フレームワークにおける双遅延Deep Deterministic Policy(TD3)に基づく戦略によりそれに取り組む。
提案手法は, 準定常調整シナリオにおいて, ほぼ最適性能を達成し, 現実的な連続流れの制御を大幅に改善できることが示唆された。
論文 参考訳(メタデータ) (2022-05-03T02:56:02Z) - CoTV: Cooperative Control for Traffic Light Signals and Connected
Autonomous Vehicles using Deep Reinforcement Learning [6.54928728791438]
本稿では,マルチエージェント深部強化学習(DRL)システムであるCoTVについて述べる。
CoTVは、交通信号とコネクテッド・オートモービル(CAV)の両方を協調的に制御する
一方、COTVは、入ってくる道路の信号管制官に最も近い1つのCAVと協力することで、容易に展開できる。
論文 参考訳(メタデータ) (2022-01-31T11:40:13Z) - Integrated Decision and Control at Multi-Lane Intersections with Mixed
Traffic Flow [6.233422723925688]
本稿では,混在交通流を伴う複雑な交差点を扱うための学習に基づくアルゴリズムを提案する。
まず、学習過程における緑と赤の異なる速度モデルについて検討し、有限状態マシンを用いて異なるモードの光変換を扱う。
次に, 車両, 信号機, 歩行者, 自転車にそれぞれ異なる種類の距離制約を設計し, 制約された最適制御問題をフォーミュレートする。
論文 参考訳(メタデータ) (2021-08-30T07:55:32Z) - 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) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳(メタデータ) (2021-04-19T11:48:13Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳(メタデータ) (2020-01-22T08:51:05Z) - Cooperative Highway Work Zone Merge Control based on Reinforcement
Learning in A Connected and Automated Environment [6.402634424631123]
本稿では,人工知能が実現した協調運転行動に基づく高速道路の作業ゾーン統合制御戦略を提案し,評価する。
提案手法は、全車両が完全に自動化され、接続され、協調していると仮定する。
その結果, この協調的RL型マージ制御は, 流動性と安全性の両面で, 後期マージや早期マージといった一般的な戦略を著しく上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2020-01-21T21:39:44Z)
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。