論文の概要: Sugest\~oes de Rotas Personalizadas para Carrinheiros na Coleta Seletiva de Materiais Recicl\'aveis

• arxiv url: http://arxiv.org/abs/2105.10787v1
• Date: Sat, 22 May 2021 18:36:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 03:06:15.226521
• Title: Sugest\~oes de Rotas Personalizadas para Carrinheiros na Coleta Seletiva de Materiais Recicl\'aveis
• Title（参考訳）: ロタス・パーソナリサダス・パラ・カリンハイロス・ナ・コールタ・セレティヴァ・デ・マテリアス・レシクリス
• Authors: Maria Vit\'oria R. Oliveira, Islene C. Garcia
• Abstract要約: カーリンハイロス(Carrinheiros)は、人力車を使用するリサイクル可能な材料の収集家である。 本研究は,3つのエッジコストポリシに基づいて,カスタマイズ可能なルートを提案するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Carrinheiros are collectors of recyclable materials that use human-powered vehicles. Carrinheiro's collection routes can be tiring depending on the paths chosen. Therefore, this work proposes an algorithm for suggesting customizable routes based on three edge costing policies: Less Work Policy, Less Impedance Policy, and Short Distance Policy. This work used the tools osmnx and networkx to construct graphs, geographic data from Open Street Map, and elevations from Topodata. The simulations performed in Simulation of Urban MObility (SUMO) demonstrated that the proposed algorithm could minimize the power applied to push the vehicle, the distance, and the travel time, according to the policy used.
• Abstract（参考訳）: カーリンハイロス(Carrinheiros)は、人力車を使用するリサイクル可能な材料の収集家である。 カーリンハイロの収集ルートは、選択された経路によって疲れることがある。 そこで本研究では,3つのエッジコストポリシ(低労働政策,低インピーダンス政策,短距離政策)に基づいて,カスタマイズ可能なルートを提案するアルゴリズムを提案する。 この研究はosmnxとnetworkxを使ってグラフ、Open Street Mapからの地理データ、Topodataからの標高データを構築した。 シュミレーション・オブ・アーバン・モビリティ(SUMO)で実施されたシミュレーションにより、提案アルゴリズムは車両、距離、走行時間を最小化できることを示した。

関連論文リスト

• Rethinking Optimal Transport in Offline Reinforcement Learning [64.56896902186126]
  オフラインの強化学習では、データはさまざまな専門家によって提供され、一部は準最適である。 効率的なポリシを抽出するには、データセットから最高の振る舞いを強調する必要がある。 本稿では,各状態に対する最善の専門家行動の公平な分布に状態をマッピングするポリシーを見つけることを目的としたアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T22:36:43Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• A Bi-Objective Approach to Last-Mile Delivery Routing Considering Driver Preferences [42.16665455951525]
  MOVRP(Multi-Objective Vehicle Routing Problem)は、輸送・物流業界における複雑な最適化問題である。 本稿では,運転者の判断や操作者の嗜好を考慮した経路作成を目的としたMOVRPに対する新しいアプローチを提案する。 この目的に対処するための2つのアプローチとして,視覚的に魅力的な経路計画と,同様の経路を計画するための過去の運転行動のデータマイニングを評価した。
  論文  参考訳（メタデータ） (2024-05-25T04:25:00Z)
• VRPD-DT: Vehicle Routing Problem with Drones Under Dynamically Changing Traffic Conditions [12.323383132739195]
  動的に変化する交通条件(VRPD-DT)下でのドローンによる車両ルーティング問題という新しい問題を提案する。 我々は,機械学習による走行時間予測アルゴリズムを用いて,実際の走行距離と予測走行時間を決定する新しいコストモデルを構築した。 可変近傍降下(VND)アルゴリズムは,交通条件の動的条件下で最適なトラック走行経路を求めるために開発された。
  論文  参考訳（メタデータ） (2024-04-13T19:28:24Z)
• Haul Road Mapping from GPS Traces [0.0]
  本稿では,道路網の正確な表現を,現場で運用されているトラックから取得したGPSデータを用いて自動的に導き出す可能性について検討する。 全ての試験アルゴリズムで見られる欠点に基づいて, 地雷の現場に典型的な工芸品の道路地図を幾何学的に解析するポストプロセッシング・ステップが開発された。
  論文  参考訳（メタデータ） (2022-06-27T04:35:06Z)
• A Real-Time Energy and Cost Efficient Vehicle Route Assignment Neural Recommender System [0.0]
  本稿では,エネルギーとコストの基準に基づいて車両をルートに割り当てるニューラルネットワークレコメンデータシステムを提案する。 我々は、与えられた経路上での様々な候補車両のエネルギー消費量を効率的に推定するために、機械学習に基づくアプローチを採用する。 完全なレコメンデーションロジックが開発され、各ルートに対してリアルタイムに最適な割り当てが可能になる。
  論文  参考訳（メタデータ） (2021-10-21T04:17:35Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• Dynamic Bicycle Dispatching of Dockless Public Bicycle-sharing Systems using Multi-objective Reinforcement Learning [79.61517670541863]
  ドッキングレスPBS(DL-PBS)に欠かせない動的自転車レンタル需要に基づく効率的な自転車配車ソリューションを実現するためのAIの活用 DL-PBSに最適な自転車ディスパッチソリューションを提供するために、マルチオブジェクト強化学習(MORL-BD)に基づく動的自転車ディスパッチアルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T03:09:51Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
  都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:14:38Z)

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。