論文の概要: EMVLight: A Decentralized Reinforcement Learning Framework for
EfficientPassage of Emergency Vehicles
- arxiv url: http://arxiv.org/abs/2109.05429v1
- Date: Sun, 12 Sep 2021 04:21:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 06:24:21.709884
- Title: EMVLight: A Decentralized Reinforcement Learning Framework for
EfficientPassage of Emergency Vehicles
- Title（参考訳）: EMVLight: 救急車両の効率向上のための分散型強化学習フレームワーク
- Authors: Haoran Su, Yaofeng Desmond Zhong, Biswadip Dey, Amit Chakraborty
- Abstract要約: 救急車(EMV)は、都市部における救急医療や火災発生などの時間的危機に対応する上で重要な役割を担っている。
EMVの走行時間を短縮するために、過去の交通フローデータと最適な経路に基づく信号プリエンプションに基づいて経路最適化を行った。
動的ルーティングと信号制御を同時に行うための分散強化学習フレームワークであるEMVLightを提案する。
- 参考スコア（独自算出の注目度）: 8.91479401538491
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergency vehicles (EMVs) play a crucial role in responding to time-critical
events such as medical emergencies and fire outbreaks in an urban area. The
less time EMVs spend traveling through the traffic, the more likely it would
help save people's lives and reduce property loss. To reduce the travel time of
EMVs, prior work has used route optimization based on historical traffic-flow
data and traffic signal pre-emption based on the optimal route. However,
traffic signal pre-emption dynamically changes the traffic flow which, in turn,
modifies the optimal route of an EMV. In addition, traffic signal pre-emption
practices usually lead to significant disturbances in traffic flow and
subsequently increase the travel time for non-EMVs. In this paper, we propose
EMVLight, a decentralized reinforcement learning (RL) framework for
simultaneous dynamic routing and traffic signal control. EMVLight extends
Dijkstra's algorithm to efficiently update the optimal route for the EMVs in
real time as it travels through the traffic network. The decentralized RL
agents learn network-level cooperative traffic signal phase strategies that not
only reduce EMV travel time but also reduce the average travel time of non-EMVs
in the network. This benefit has been demonstrated through comprehensive
experiments with synthetic and real-world maps. These experiments show that
EMVLight outperforms benchmark transportation engineering techniques and
existing RL-based signal control methods.
- Abstract（参考訳）: 救急車(EMV)は、都市部における救急医療や火災発生などの時間的危機に対応する上で重要な役割を担っている。
EMVが交通を移動する時間が少なくなればなるほど、人々の命を救い、財産の損失を減らすのに役立つだろう。
EMVの走行時間を短縮するために、過去の交通フローデータと最適な経路に基づく信号プリエンプションに基づいて経路最適化を行った。
しかし、トラヒック信号プリエンプションはトラフィックフローを動的に変更し、それによってemvの最適経路が変更される。
加えて、信号のプリエンプションの慣行は、通常、交通の流れを著しく乱し、非EMVの走行時間を増加させる。
本稿では,動的ルーティングと信号制御を同時に行うための分散強化学習(RL)フレームワークであるEMVLightを提案する。
EMVLight は Dijkstra のアルゴリズムを拡張して,トラフィックネットワークを走行する EMV の最適経路を効率的に更新する。
分散RLエージェントは、EMV走行時間を短縮するだけでなく、ネットワーク内の非EMVの平均走行時間を短縮するネットワークレベルの協調交通信号位相戦略を学習する。
この利点は、合成および実世界の地図を用いた包括的な実験を通じて実証されてきた。
これらの実験により、EMVLightは、既存のRLベースの信号制御手法とベンチマーク輸送技術より優れていることが示された。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - 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) - Traffic Smoothing Controllers for Autonomous Vehicles Using Deep
Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。
我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。
その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
論文 参考訳（メタデータ） (2024-01-18T00:50:41Z) - 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) - Deep Reinforcement Learning to Maximize Arterial Usage during Extreme
Congestion [4.934817254755007]
本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。
エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。
エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
論文 参考訳（メタデータ） (2023-05-16T16:53:27Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - EMVLight: a Multi-agent Reinforcement Learning Framework for an
Emergency Vehicle Decentralized Routing and Traffic Signal Control System [4.622745478006317]
救急車(EMV)は、都市部における救急医療や火災発生などの時間的危機に対応する上で重要な役割を担っている。
EMVディスパッチの既存の手法は、典型的には、過去のトラフィックフローデータに基づいて経路を最適化し、それに従って交通信号のプリエンプションを設計する。
本研究では,共同動的EMVルーティングと交通信号プリエンプションのための分散強化学習フレームワークであるEMVLightを提案する。
論文 参考訳（メタデータ） (2022-06-27T16:46:20Z) - 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) - A Decentralized Reinforcement Learning Framework for Efficient Passage
of Emergency Vehicles [6.748225062396441]
救急車(EMV)は、都市が時間的に重要な出来事に対処する上で重要な役割を担っている。
EMVの走行時間を短縮するための既存のアプローチでは、経路最適化と信号プリエンプションが採用されている。
本稿では,動的ルーティングと信号制御を同時に行うためのフレームワークであるEMVLightを紹介する。
論文 参考訳（メタデータ） (2021-10-30T16:13:48Z) - PDLight: A Deep Reinforcement Learning Traffic Light Control Algorithm
with Pressure and Dynamic Light Duration [5.585321463602587]
PRCOL(Pressure with Retaining Capacity of Outgoing Lane)として新たな報酬を付与した深部強化学習(DRL)トラヒック光制御アルゴリズムPDlightを提案する。
PRCOLは、交通制御アルゴリズムで使用される圧力に対する改善として、入車車線の車両数だけでなく、出車線の残りの容量も考慮している。
論文 参考訳（メタデータ） (2020-09-29T01:07:49Z)
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。