論文の概要: A Deep Reinforcement Learning Approach for Fair Traffic Signal Control
- arxiv url: http://arxiv.org/abs/2107.10146v1
- Date: Wed, 21 Jul 2021 15:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:23:44.157145
- Title: A Deep Reinforcement Learning Approach for Fair Traffic Signal Control
- Title(参考訳): 公平な交通信号制御のための深層強化学習手法
- Authors: Majid Raeis and Alberto Leon-Garcia
- Abstract要約: 本稿では,遅延ベースとスループットベースという2つのフェアネスの概念を紹介する。
本稿では,DRLに基づく2つの交通信号制御手法を提案し,高いスループットを実現する。
- 参考スコア(独自算出の注目度): 1.8275108630751837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic signal control is one of the most effective methods of traffic
management in urban areas. In recent years, traffic control methods based on
deep reinforcement learning (DRL) have gained attention due to their ability to
exploit real-time traffic data, which is often poorly used by the traditional
hand-crafted methods. While most recent DRL-based methods have focused on
maximizing the throughput or minimizing the average travel time of the
vehicles, the fairness of the traffic signal controllers has often been
neglected. This is particularly important as neglecting fairness can lead to
situations where some vehicles experience extreme waiting times, or where the
throughput of a particular traffic flow is highly impacted by the fluctuations
of another conflicting flow at the intersection. In order to address these
issues, we introduce two notions of fairness: delay-based and throughput-based
fairness, which correspond to the two issues mentioned above. Furthermore, we
propose two DRL-based traffic signal control methods for implementing these
fairness notions, that can achieve a high throughput as well. We evaluate the
performance of our proposed methods using three traffic arrival distributions,
and find that our methods outperform the baselines in the tested scenarios.
- Abstract(参考訳): 交通信号制御は都市部における交通管理の最も効果的な方法の1つである。
近年,従来の手作り手法ではよく使われていないリアルタイムの交通データを活用できることから,深層強化学習(DRL)に基づく交通制御手法が注目されている。
最近のDRL方式では、車両の平均走行時間の最大化や最小化に重点を置いているが、信号制御装置の公正性はしばしば無視されている。
これは特に重要であり、公平さを怠ると、一部の車両が待ち時間が極端に長い場合や、交差点で衝突する別の流れの変動によって、特定の交通の流れのスループットに大きな影響を受ける場合に繋がる可能性がある。
これらの問題に対処するために,上記の2つの問題に対応する遅延ベースとスループットベースのフェアネスという2つのフェアネス概念を導入する。
さらに,これらのフェアネスの概念を実装するために,DRLに基づく2つの信号制御手法を提案する。
提案手法の性能を3つのトラフィック到着分布を用いて評価し,本手法がテストシナリオのベースラインより優れていることを示す。
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) - 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) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳(メタデータ) (2023-06-09T20:12:02Z) - Reinforcement Learning Approaches for Traffic Signal Control under
Missing Data [5.896742981602458]
現実世界の都市では、センサーの欠如により交通状態の観察が欠如することがある。
本稿では, 適応制御を実現するために, トラフィック状態をインプットし, 適応制御とRLエージェントの訓練を可能にするために, 状態と報酬の両方をインプットする2つの方法を提案する。
論文 参考訳(メタデータ) (2023-04-21T03:26:33Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳(メタデータ) (2022-03-05T10:54:05Z) - 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) - A Deep Reinforcement Learning Approach for Traffic Signal Control
Optimization [14.455497228170646]
非効率な信号制御手法は、交通渋滞やエネルギー浪費などの多くの問題を引き起こす可能性がある。
本稿では,アクター・クリティカル・ポリシー・グラデーション・アルゴリズムを拡張し,マルチエージェント・ディープ・決定性ポリシー・グラデーション(MADDPG)法を提案する。
論文 参考訳(メタデータ) (2021-07-13T14:11:04Z) - Courteous Behavior of Automated Vehicles at Unsignalized Intersections
via Reinforcement Learning [30.00761722505295]
深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。
我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
論文 参考訳(メタデータ) (2021-06-11T13:16:48Z) - 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) - A Deep Reinforcement Learning Approach for Ramp Metering Based on
Traffic Video Data [0.0]
交通信号を利用してオンランプからの車両の流れを調節するランプメーターは、高速道路の車両移動性を改善するために広く実装されています。
従来の研究では、ポイント検出器によって収集された事前定義された交通手段に基づいて、信号タイミングをリアルタイムに更新する。
深層補強学習法 (DRL) を提案し, ランプ計測の効率化に資するトラフィックビデオデータの可能性を検討する。
論文 参考訳(メタデータ) (2020-12-09T05:08:41Z) - Efficiency and Equity are Both Essential: A Generalized Traffic Signal
Controller with Deep Reinforcement Learning [25.21831641893209]
本稿では,信号制御系に対して,最適化されたトラフィックフローを目的とした深層強化学習を用いた学習ポリシーを提案する。
提案手法は,効率と公平性を同時に考慮した報酬関数の新規な定式化を用いている。
シミュレーションおよび実世界のデータを用いた実験により,提案アルゴリズムが最先端の性能を達成することを示す。
論文 参考訳(メタデータ) (2020-03-09T11:34:52Z)
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。