論文の概要: Learning to Route via Theory-Guided Residual Network

• arxiv url: http://arxiv.org/abs/2105.08279v1
• Date: Tue, 18 May 2021 05:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:12:21.912052
• Title: Learning to Route via Theory-Guided Residual Network
• Title（参考訳）: 理論誘導残差ネットワークによる経路学習
• Authors: Chang Liu, Guanjie Zheng, Zhenhui Li
• Abstract要約: 我々は,交通シミュレータにおいて最も重要な部分の一つである人間のルーティングモデルを学習することを提案する。 残余のネットワークは限られたデータから人間のルーティングモデルを学ぶことができる。 我々は,複数の実世界のデータセットについて広範な実験を行い,モデルの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 27.440532972814783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The heavy traffic and related issues have always been concerns for modern cities. With the help of deep learning and reinforcement learning, people have proposed various policies to solve these traffic-related problems, such as smart traffic signal control systems and taxi dispatching systems. People usually validate these policies in a city simulator, since directly applying them in the real city introduces real cost. However, these policies validated in the city simulator may fail in the real city if the simulator is significantly different from the real world. To tackle this problem, we need to build a real-like traffic simulation system. Therefore, in this paper, we propose to learn the human routing model, which is one of the most essential part in the traffic simulator. This problem has two major challenges. First, human routing decisions are determined by multiple factors, besides the common time and distance factor. Second, current historical routes data usually covers just a small portion of vehicles, due to privacy and device availability issues. To address these problems, we propose a theory-guided residual network model, where the theoretical part can emphasize the general principles for human routing decisions (e.g., fastest route), and the residual part can capture drivable condition preferences (e.g., local road or highway). Since the theoretical part is composed of traditional shortest path algorithms that do not need data to train, our residual network can learn human routing models from limited data. We have conducted extensive experiments on multiple real-world datasets to show the superior performance of our model, especially with small data. Besides, we have also illustrated why our model is better at recovering real routes through case studies.
• Abstract（参考訳）: 交通量と関連する問題は、常に近代都市に対する懸念であった。 深層学習と強化学習の助けを借りて、スマート交通信号制御システムやタクシー配車システムなど、これらの交通問題を解決するための様々な政策を提案してきた。 実際の都市で直接適用すると実際のコストがかかるため、人々は通常、都市シミュレーターでこれらのポリシーを検証する。 しかし, 都市シミュレータで検証されたこれらの政策は, シミュレータが現実と大きく異なる場合, 実際の都市で失敗する可能性がある。 この問題に取り組むためには,実際の交通シミュレーションシステムを構築する必要がある。 そこで本研究では,交通シミュレータにおいて最も重要な部分の一つである人間のルーティングモデルを学習することを提案する。 この問題には2つの大きな課題がある。 第一に、人間の経路決定は、共通時間と距離要素以外の複数の要因によって決定される。 第2に,現行のルートデータは通常,プライバシとデバイス可用性の問題から,車両のごく一部をカバーする。 これらの問題に対処するために、理論的部分は人間の経路決定の一般的な原則(例えば、最速経路)を強調し、残余部分は乾燥可能な条件設定(例えば、ローカル道路やハイウェイ)を捉えることができる理論誘導残差ネットワークモデルを提案する。 理論部分は、訓練に必要なデータを必要としない従来の最短経路アルゴリズムから成り立っているため、残余のネットワークは限られたデータから人間のルーティングモデルを学習することができる。 我々は複数の実世界のデータセットに対して広範囲に実験を行い、特に小さなデータを用いて、モデルの優れた性能を示す。 さらに、ケーススタディを通じて、私たちのモデルが実際のルートを回復する上で優れている理由も示しています。

関連論文リスト

• What is a typical signalized intersection in a city? A pipeline for intersection data imputation from OpenStreetMap [3.434206965978478]
  OpenStreetMap (OSM) から信号化交差点に関する情報を効果的に抽出するパイプラインを提案する。 パイプラインはオープンソースのPythonライブラリとして公開されており、誰でも自由にダウンロードして、研究を促進することができる。
  論文  参考訳（メタデータ） (2024-05-22T09:47:44Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• 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)
• Learning to Simulate on Sparse Trajectory Data [26.718807213824853]
  本稿では,実世界のスパースデータから運転行動をシミュレートする学習問題に対処するための新しいフレームワーク imingail を提案する。 私たちの知る限りでは、行動学習問題に対するデータ疎結合問題に最初に取り組みます。
  論文  参考訳（メタデータ） (2021-03-22T13:42:11Z)
• 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)
• Traffic Flow Estimation using LTE Radio Frequency Counters and Machine Learning [0.0]
  本稿では,LTE/4G無線周波数性能測定カウンタを用いた新しいトラフィックフロー推定手法を提案する。 我々のアプローチは、時間だけでなく空間においてもソリューションを一般化するためにトランスファーラーニングを適用することの利点が示される。
  論文  参考訳（メタデータ） (2021-01-22T15:05:10Z)
• DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic Scenarios with Graph Neural Networks [26.558394047144006]
  大規模交通シナリオを処理可能なスケーラブルな自動運転を実現するために,グラフベースのディープネットワークを提案する。 高忠実度運転シミュレータで7000km以上の評価を行う。 本手法は交通規制に従えば,都市,農村,高速道路など多種多様な環境下で安全に走行することができる。
  論文  参考訳（メタデータ） (2020-11-13T06:13:28Z)

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。