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
- 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) - Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - 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) - 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) - 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)
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。