論文の概要: Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2012.03414v1
- Date: Mon, 7 Dec 2020 02:09:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:09:14.063668
- Title: Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning
- Title(参考訳): アクションブランチとフェデレーション強化学習によるVehicular Cooperative Perception
- Authors: Mohamed K. Abdel-Aziz, Cristina Perfecto, Sumudu Samarakoon, Mehdi
Bennis, Walid Saad
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 101.64598586454571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cooperative perception plays a vital role in extending a vehicle's sensing
range beyond its line-of-sight. However, exchanging raw sensory data under
limited communication resources is infeasible. Towards enabling an efficient
cooperative perception, vehicles need to address the following fundamental
question: What sensory data needs to be shared?, at which resolution?, and with
which vehicles? To answer this question, in this paper, a novel framework is
proposed to allow reinforcement learning (RL)-based vehicular association,
resource block (RB) allocation, and content selection of cooperative perception
messages (CPMs) by utilizing a quadtree-based point cloud compression
mechanism. Furthermore, a federated RL approach is introduced in order to speed
up the training process across vehicles. Simulation results show the ability of
the RL agents to efficiently learn the vehicles' association, RB allocation,
and message content selection while maximizing vehicles' satisfaction in terms
of the received sensory information. The results also show that federated RL
improves the training process, where better policies can be achieved within the
same amount of time compared to the non-federated approach.
- Abstract(参考訳): 協調的な知覚は、車両の感知範囲を視線を超えて拡張する上で重要な役割を果たす。
しかし、限られた通信資源で生の感覚データを交換することは不可能である。
効率的な協調認識の実現に向けて、車両は以下の根本的な問題に対処する必要がある: どんな感覚データを共有する必要があるか、どの解像度で、どの車両と共有する必要があるか?
本稿では, クアッドツリーに基づく点雲圧縮機構を利用して, 強化学習(RL)に基づく車両関連, リソースブロック(RB)割り当て, 協調知覚メッセージ(CPM)の内容選択を可能にする新しい枠組みを提案する。
さらに、車両間のトレーニングプロセスを高速化するために、連合RLアプローチを導入している。
シミュレーションの結果,rlエージェントが車両の関連,rb割り当て,メッセージ内容選択を効率的に学習し,受信した感覚情報を用いて車両の満足度を最大化できることがわかった。
その結果,フェデレートされた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比較して,同じ時間内により良いポリシーを達成できることがわかった。
関連論文リスト
- Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning
Framework for Congestion Control in Tactical Environments [53.08686495706487]
本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。
衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
論文 参考訳(メタデータ) (2023-06-27T16:15:15Z) - Decentralized cooperative perception for autonomous vehicles: Learning
to value the unknown [1.2246649738388387]
我々は、エージェントが完全な知覚を求めて活動する分散的なコラボレーション、すなわちピアツーピアを提案する。
我々は,未知の車両を自我車に要求するだけで,通常の通信パラダイムを逆転する通信方針を学習する方法を提案する。
特に,局所予測可能なVAE (LP-VAE) を提案する。
論文 参考訳(メタデータ) (2022-12-12T00:01:27Z) - 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) - INFOrmation Prioritization through EmPOWERment in Visual Model-Based RL [90.06845886194235]
モデルベース強化学習(RL)のための修正目的を提案する。
相互情報に基づく状態空間モデルに,変分エンパワーメントにインスパイアされた用語を統合する。
本研究は,視覚に基づくロボット制御作業における自然な映像背景を用いたアプローチの評価である。
論文 参考訳(メタデータ) (2022-04-18T23:09:23Z) - Graph Convolution-Based Deep Reinforcement Learning for Multi-Agent
Decision-Making in Mixed Traffic Environments [12.34509371288594]
本研究は,さまざまなグラフ強化学習(GRL)手法による意思決定を実現するためのフレームワークを提案する。
いくつかのGRLアプローチを要約し、提案したフレームワークで実装する。
結果は、インテリジェント輸送シナリオにおけるGRLアプローチの特徴を比較するために、複数の視点と次元で分析される。
論文 参考訳(メタデータ) (2022-01-30T10:09:43Z) - Attacking Deep Reinforcement Learning-Based Traffic Signal Control
Systems with Colluding Vehicles [4.2455052426413085]
本稿では,DRLをベースとしたATCSに対して,車両群が連携して偽情報を送信できる,新たな課題を定式化する。
CollusionVehは、道路状況エンコーダ、車両インタプリタ、通信機構で構成される汎用的で効果的な車両処理フレームワークである。
この研究結果は、ATCSの信頼性と堅牢性を改善し、スマートモビリティシステムを保護するのに役立つだろう。
論文 参考訳(メタデータ) (2021-11-04T13:10:33Z) - Semi-asynchronous Hierarchical Federated Learning for Cooperative
Intelligent Transportation Systems [10.257042901204528]
コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。
C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。
本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-18T07:44:34Z) - Decentralized Cooperative Lane Changing at Freeway Weaving Areas Using
Multi-Agent Deep Reinforcement Learning [1.6752182911522522]
マージやウィービングエリアなどの高速道路ボトルネックにおける渋滞時の車線変化は、さらに道路の容量を減少させる。
ディープ・リテンション・ラーニング(RL)とコネクテッド・アンド・オートマチック・カー・テクノロジーの出現は、協調車線変更による高速道路のボトルネックにおけるモビリティとエネルギー効率を改善するための解決策となる。
本研究では,多エージェント深部RLパラダイムを用いた分散協調車線切替制御器を開発した。
本研究では, 交通量, 車両速度, 車両当たりの停止数, 燃料効率, 排出エミッションの観点から, 多エージェント深部RLによる協調車線変更は, 運転者にとって優れた性能を示すことを示した。
論文 参考訳(メタデータ) (2021-10-05T18:29:13Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳(メタデータ) (2021-05-28T08:45:37Z) - 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)
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。