Fugu-MT 論文翻訳(概要): A Deep Reinforcement Learning Approach for Fair Traffic Signal Control

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

Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
論文参考訳（メタデータ） (2024-08-28T12:35:56Z)
MalLight: Influence-Aware Coordinated Traffic Signal Control for Traffic Signal Malfunctions [12.54500040020085]
本稿では,交通信号の故障による悪影響を軽減するために,新しい信号制御フレームワーク(MalLight)を提案する。本研究は,交通信号の故障による課題に対処する強化学習(RL)に基づくアプローチの先駆者となる。
論文参考訳（メタデータ） (2024-08-19T07:57:13Z)
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)
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)
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)
MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文参考訳（メタデータ） (2021-01-04T03:06:08Z)
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)

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。