論文の概要: Deep Reinforcement Q-Learning for Intelligent Traffic Signal Control
with Partial Detection
- arxiv url: http://arxiv.org/abs/2109.14337v1
- Date: Wed, 29 Sep 2021 10:42:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:32:07.058632
- Title: Deep Reinforcement Q-Learning for Intelligent Traffic Signal Control
with Partial Detection
- Title（参考訳）: 部分検出による知的交通信号制御のための深層強化Qラーニング
- Authors: Romain Ducrocq and Nadir Farhi
- Abstract要約: 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。
- 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: Intelligent traffic signal controllers, applying DQN algorithms to traffic
light policy optimization, efficiently reduce traffic congestion by adjusting
traffic signals to real-time traffic. Most propositions in the literature
however consider that all vehicles at the intersection are detected, an
unrealistic scenario. Recently, new wireless communication technologies have
enabled cost-efficient detection of connected vehicles by infrastructures. With
only a small fraction of the total fleet currently equipped, methods able to
perform under low detection rates are desirable. In this paper, we propose a
deep reinforcement Q-learning model to optimize traffic signal control at an
isolated intersection, in a partially observable environment with connected
vehicles. First, we present the novel DQN model within the RL framework. We
introduce a new state representation for partially observable environments and
a new reward function for traffic signal control, and provide a network
architecture and tuned hyper-parameters. Second, we evaluate the performances
of the model in numerical simulations on multiple scenarios, in two steps. At
first in full detection against existing actuated controllers, then in partial
detection with loss estimates for proportions of connected vehicles. Finally,
from the obtained results, we define thresholds for detection rates with
acceptable and optimal performance levels.
- Abstract（参考訳）: 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、文献のほとんどの命題は、交点にある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。
近年、新しい無線通信技術により、インフラストラクチャーによるコネクテッドカーのコスト効率の高い検出が可能になっている。
現在装備されている全艦隊のごく一部に過ぎず、低い検出率で実行することが可能な方法が望ましい。
本稿では,連結車両と部分的に観測可能な環境において,孤立した交差点における交通信号制御を最適化する深層強化q学習モデルを提案する。
まず、RLフレームワーク内の新しいDQNモデルを示す。
我々は,部分可観測環境のための新しい状態表現と交通信号制御のための新たな報酬関数を導入し,ネットワークアーキテクチャと調整されたハイパーパラメータを提供する。
次に,複数のシナリオの数値シミュレーションにおいて,モデルの性能を2段階に分けて評価する。
まず、既存のアクティベートされたコントローラに対する完全な検出、次に接続された車両の割合に対する損失推定を伴う部分検出。
最後に、得られた結果から、許容かつ最適な性能レベルを持つ検出率のしきい値を定義する。
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) - Towards Multi-agent Reinforcement Learning based Traffic Signal Control through Spatio-temporal Hypergraphs [19.107744041461316]
交通信号制御システム(TSCS)は、インテリジェントな交通管理に不可欠なものであり、効率的な車両の流れを育んでいる。
従来のアプローチでは、道路網を標準的なグラフに単純化することが多い。
本稿では,インテリジェントトラフィック制御を実現するための新しいTSCSフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-17T02:46:18Z) - 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) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - 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) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Data-Driven Intersection Management Solutions for Mixed Traffic of
Human-Driven and Connected and Automated Vehicles [0.0]
この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。
まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。
第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2020-12-10T01:44:45Z) - A Traffic Light Dynamic Control Algorithm with Deep Reinforcement
Learning Based on GNN Prediction [5.585321463602587]
GPlightはグラフニューラルネットワーク(GNN)と統合された深層強化学習アルゴリズムである
GPlightでは、グラフニューラルネットワーク(GNN)が、交差点における将来の短期的トラフィックフローを予測するために最初に使用される。
論文 参考訳（メタデータ） (2020-09-29T01:09:24Z)
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。