論文の概要: A Decentralized Reinforcement Learning Framework for Efficient Passage
of Emergency Vehicles
- arxiv url: http://arxiv.org/abs/2111.00278v1
- Date: Sat, 30 Oct 2021 16:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 04:57:23.162670
- Title: A Decentralized Reinforcement Learning Framework for Efficient Passage
of Emergency Vehicles
- Title（参考訳）: 緊急車両の効率的な通過のための分散強化学習フレームワーク
- Authors: Haoran Su, Yaofeng Desmond Zhong, Dey Biswadip, Amit Chakraborty
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.748225062396441
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergency vehicles (EMVs) play a critical role in a city's response to
time-critical events such as medical emergencies and fire outbreaks. The
existing approaches to reduce EMV travel time employ route optimization and
traffic signal pre-emption without accounting for the coupling between route
these two subproblems. As a result, the planned route often becomes suboptimal.
In addition, these approaches also do not focus on minimizing disruption to the
overall traffic flow. To address these issues, we introduce EMVLight in this
paper. This is 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 an EMV in
real-time as it travels through the traffic network. Consequently, the
decentralized RL agents learn network-level cooperative traffic signal phase
strategies that reduce EMV travel time and the average travel time of non-EMVs
in the network. We have carried out comprehensive experiments with synthetic
and real-world maps to demonstrate this benefit. Our results show that EMVLight
outperforms benchmark transportation engineering techniques as well as existing
RL-based traffic signal control methods.
- Abstract（参考訳）: 救急車(EMV)は、医療緊急事態や火災の発生など、時間的に重要な出来事に対する市の対応において重要な役割を果たす。
EMV走行時間を短縮するための既存のアプローチでは、これらの2つのサブプロブレム間の結合を考慮せずに、経路最適化と信号プリエンプションを採用している。
結果として、計画された経路はしばしば最適となる。
さらに、これらのアプローチは、トラフィックフロー全体の破壊を最小限にすることにも焦点を合わせない。
これらの問題に対処するため,本稿ではEMVLightを紹介する。
これは動的ルーティングとトラフィック信号制御を同時に行う分散強化学習(rl)フレームワークである。
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。
その結果、分散RLエージェントは、EMV走行時間とネットワーク内の非EMVの平均走行時間を減少させ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。
我々は,この利点を実証するために,合成地図と実世界地図を用いた総合実験を行った。
以上の結果から,EMVLightは既存のRLベースの信号制御手法と同様に,交通工学のベンチマーク技術よりも優れていた。
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) - Real-Time Network-Level Traffic Signal Control: An Explicit Multiagent
Coordination Method [9.761657423863706]
交通信号の効率的な制御 (TSC) は, 都市交通渋滞の低減に最も有用な方法の1つである。
強化学習(RL)手法を適用した最近の取り組みは、トラフィック状態を信号決定にリアルタイムでマッピングすることでポリシーをクエリすることができる。
本稿では,適応的,リアルタイム,ネットワークレベルのTSCを満足する,EMCに基づくオンライン計画手法を提案する。
論文 参考訳（メタデータ） (2023-06-15T04:08:09Z) - 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) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳（メタデータ） (2022-07-30T16:23:45Z) - 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) - 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) - EMVLight: A Decentralized Reinforcement Learning Framework for
EfficientPassage of Emergency Vehicles [8.91479401538491]
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。
論文 参考訳（メタデータ） (2021-09-12T04:21:50Z) - 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)
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。