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

• SPformer: A Transformer Based DRL Decision Making Method for Connected Automated Vehicles [9.840325772591024]
  本稿ではトランスフォーマーと強化学習アルゴリズムに基づくCAV意思決定アーキテクチャを提案する。 学習可能なポリシートークンは、多車連携ポリシーの学習媒体として使用される。 我々のモデルは交通シナリオにおける車両の全ての状態情報をうまく活用することができる。
  論文  参考訳（メタデータ） (2024-09-23T15:16:35Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Causality-Driven Reinforcement Learning for Joint Communication and Sensing [4.165335263540595]
  我々は,mMIMOベースのJCAS環境に対する因果関係を介入し,発見することができる因果関係認識型RLエージェントを提案する。 我々は、RLに基づくJCASの因果発見を実現するために、状態依存行動次元選択戦略を用いる。
  論文  参考訳（メタデータ） (2024-09-07T07:15:57Z)
• Communication-Aware Reinforcement Learning for Cooperative Adaptive Cruise Control [15.31488551912888]
  強化学習(RL)はCACCにおける複雑な意思決定プロセスの最適化に有効であることが証明されている。 MARLは、複数のCAV間で協調的な動作を可能にすることで、顕著な可能性を示している。 これらの課題に対処するために,コミュニケーション対応強化学習(CA-RL)を提案する。
  論文  参考訳（メタデータ） (2024-07-12T03:28:24Z)
• 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)
• 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)
• 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。