Fugu-MT 論文翻訳(概要): A Comparative Study of Algorithms for Intelligent Traffic Signal Control

論文の概要: A Comparative Study of Algorithms for Intelligent Traffic Signal Control

arxiv url: http://arxiv.org/abs/2109.00937v1
Date: Thu, 2 Sep 2021 13:26:49 GMT
ステータス: 処理完了
システム内更新日: 2021-09-03 14:06:53.619185
Title: A Comparative Study of Algorithms for Intelligent Traffic Signal Control
Title（参考訳）: インテリジェント交通信号制御のためのアルゴリズムの比較検討
Authors: Hrishit Chaudhuri, Vibha Masti, Vishruth Veerendranath and Dr. S Natarajan
Abstract要約: 待ち時間と待ち時間を最小限に抑えるために,交通信号制御を効果的に最適化する手法が提案されている。これらの手法は、インドのバンガロールの現実世界の交差点のシミュレーションでテストされた。
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: In this paper, methods have been explored to effectively optimise traffic signal control to minimise waiting times and queue lengths, thereby increasing traffic flow. The traffic intersection was first defined as a Markov Decision Process, and a state representation, actions and rewards were chosen. Simulation of Urban MObility (SUMO) was used to simulate an intersection and then compare a Round Robin Scheduler, a Feedback Control mechanism and two Reinforcement Learning techniques - Deep Q Network (DQN) and Advantage Actor-Critic (A2C), as the policy for the traffic signal in the simulation under different scenarios. Finally, the methods were tested on a simulation of a real-world intersection in Bengaluru, India.
Abstract（参考訳）: 本稿では,待ち時間と待ち時間を最小限に抑えるために,交通信号制御を効果的に最適化する手法を提案する。交通交差点は最初にマルコフ決定プロセスとして定義され、状態表現、行動、報酬が選択された。交差点をシミュレートし,ラウンドロビンスケジューラ,フィードバック制御機構,強化学習手法であるディープqネットワーク(dqn)とアドバンテージアクタ-クリティック(a2c)を,異なるシナリオでのシミュレーションにおけるトラヒック信号のポリシとして比較した。最後に、インドのベンガルの現実世界の交差点のシミュレーションで実験を行った。

関連論文リスト

Think Twice Before Recognizing: Large Multimodal Models for General Fine-grained Traffic Sign Recognition [49.20086587208214]
我々は、微粒な交通標識認識(TSR)を改善するために認識する前に、思考と呼ばれる新しい戦略を提案する。我々の戦略は、大型マルチモーダルモデル(LMM)の多重思考能力を刺激することで、有効な微粒化TSRを実現する。
論文参考訳（メタデータ） (2024-09-03T02:08:47Z)
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)
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)
Connection-Based Scheduling for Real-Time Intersection Control [6.796017024594715]
本稿では,交通渋滞を軽減するために,リアルタイム適応型信号制御のためのスケジューリングアルゴリズムを提案する。このアルゴリズムは、異なる車線を通る交差点に近づく全車両の到着時刻を推定する車線モデルを採用し、次に、全車両が接近する際の累積遅延を最小化するスケジュールを計算する。
論文参考訳（メタデータ） (2022-10-16T04:37:03Z)
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)
Deep Reinforcement Q-Learning for Intelligent Traffic Signal Control with Partial Detection [0.0]
インテリジェントな信号制御装置は、DQNアルゴリズムをトラフィック光ポリシー最適化に適用し、リアルタイムトラフィックに信号を調整することで、トラフィックの混雑を効率的に軽減する。しかしながら、文献のほとんどの命題は、交差点の全ての車両が検出される、非現実的なシナリオであると考えている。本研究では,連結車両を用いた部分的に観測可能な環境下で,信号制御を最適化する深層強化Q-ラーニングモデルを提案する。
論文参考訳（メタデータ） (2021-09-29T10:42:33Z)
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)

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。