論文の概要: Trust-aware Control for Intelligent Transportation Systems
- arxiv url: http://arxiv.org/abs/2111.04248v1
- Date: Mon, 8 Nov 2021 03:02:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 16:43:06.162116
- Title: Trust-aware Control for Intelligent Transportation Systems
- Title(参考訳): 知的交通システムの信頼感制御
- Authors: Mingxi Cheng, Junyao Zhang, Shahin Nazarian, Jyotirmoy Deshmukh, Paul
Bogdan
- Abstract要約: 本稿では,エージェントの信頼性を定量化し,信頼性に配慮した協調制御を実現するための枠組みを提案する。
我々は、強化学習に基づくアプローチを用いて、信頼を意識したコントローラの合成方法を示す。
AIM-Trustと呼ばれる信頼を意識したバージョンを開発し、信頼できないエージェントと信頼できないエージェントの混在したシナリオにおける事故率を低くする。
- 参考スコア(独自算出の注目度): 0.20415910628419062
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Many intelligent transportation systems are multi-agent systems, i.e., both
the traffic participants and the subsystems within the transportation
infrastructure can be modeled as interacting agents. The use of AI-based
methods to achieve coordination among the different agents systems can provide
greater safety over transportation systems containing only human-operated
vehicles, and also improve the system efficiency in terms of traffic
throughput, sensing range, and enabling collaborative tasks. However, increased
autonomy makes the transportation infrastructure vulnerable to compromised
vehicular agents or infrastructure. This paper proposes a new framework by
embedding the trust authority into transportation infrastructure to
systematically quantify the trustworthiness of agents using an epistemic logic
known as subjective logic. In this paper, we make the following novel
contributions: (i) We propose a framework for using the quantified
trustworthiness of agents to enable trust-aware coordination and control. (ii)
We demonstrate how to synthesize trust-aware controllers using an approach
based on reinforcement learning. (iii) We comprehensively analyze an autonomous
intersection management (AIM) case study and develop a trust-aware version
called AIM-Trust that leads to lower accident rates in scenarios consisting of
a mixture of trusted and untrusted agents.
- Abstract(参考訳): 多くのインテリジェント交通システムはマルチエージェントシステムであり、交通機関内の交通参加者とサブシステムの両方を相互作用エージェントとしてモデル化することができる。
異なるエージェントシステム間の協調を実現するためにAIベースの手法を使用することで、人間の操作する車両のみを含む輸送システムよりも安全性が向上し、また、交通スループット、感知範囲、協調作業の実現の観点からシステムの効率が向上する。
しかし、自律性の向上により、交通インフラは侵入された車両のエージェントやインフラに脆弱になる。
本稿では,エージェントの信頼度を,主観論理として知られる認識論理を用いて体系的に定量化するために,信頼権限を交通インフラに組み込むことにより,新たな枠組みを提案する。
本稿では,次のような新しい貢献をする。
(i)信頼認識協調制御を実現するために,エージェントの信頼度を定量化する枠組みを提案する。
(ii)強化学習に基づくアプローチを用いて信頼認識制御を合成する方法を実証する。
3) 自律的交差点管理(AIM)のケーススタディを包括的に分析し, 信頼と信頼できないエージェントの混在したシナリオにおいて, 事故率を低下させるAIM-Trustと呼ばれる信頼を意識したバージョンを開発する。
関連論文リスト
- Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-11-27T18:57:42Z) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。
本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文 参考訳(メタデータ) (2023-07-05T21:38:36Z) - Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。
モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。
本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
論文 参考訳(メタデータ) (2023-06-29T15:57:07Z) - Risk-aware Safe Control for Decentralized Multi-agent Systems via
Dynamic Responsibility Allocation [36.52509571098292]
我々は,個別のエージェントが他者との衝突を避けるためにどの程度の責任を負うべきかに関するガイダンスを提供する,リスク対応の分散制御フレームワークを提案する。
本研究では,移動不確実性下での衝突により発生する危険物質を特徴付けるために,新しい制御バリア関数(CBF)によるリスク測定を提案する。
ロボットの柔軟性を低いリスクで活用し、より高いリスクを持つ人の動きの柔軟性を向上させることで、集団安全性を向上させることができる。
論文 参考訳(メタデータ) (2023-05-22T20:21:49Z) - Spatial-Temporal-Aware Safe Multi-Agent Reinforcement Learning of
Connected Autonomous Vehicles in Challenging Scenarios [10.37986799561165]
通信技術はコネクテッド・自動運転車(CAV)間の協調を可能にする
CAVのための並列安全シールドを備えた制約付きマルチエージェント強化学習(MARL)フレームワークを提案する。
その結果,提案手法は難易度の高いシナリオにおいて,システムの安全性と効率を著しく向上させることがわかった。
論文 参考訳(メタデータ) (2022-10-05T14:39:07Z) - 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) - Scalable Multiagent Driving Policies For Reducing Traffic Congestion [32.08636346620938]
過去の研究では、AVと人間駆動車両の両方で小規模の混合交通シナリオでは、制御されたマルチエージェント運転ポリシーを実行する少数のAVが混雑を緩和できることを示しています。
本稿では,既存のアプローチをスケールアップし,より複雑なシナリオにおいてavのための新しいマルチエージェント駆動ポリシを開発する。
論文 参考訳(メタデータ) (2021-02-26T21:29:55Z) - Adversarial Attacks On Multi-Agent Communication [80.4392160849506]
現代の自律システムはすぐに大規模に展開され、協調型マルチエージェントシステムの可能性を広げる。
このような利点は、セキュリティ侵害に対して脆弱であることが示されている通信チャネルに大きく依存している。
本稿では,エージェントが学習した中間表現を共有してコミュニケーションする新しいマルチエージェント環境において,このような攻撃を探索する。
論文 参考訳(メタデータ) (2021-01-17T00:35:26Z) - Learning to Communicate and Correct Pose Errors [75.03747122616605]
本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。
本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-10T18:19:40Z) - Counterfactual Multi-Agent Reinforcement Learning with Graph Convolution
Communication [5.5438676149999075]
本稿では,エージェントが協調してシステムの有用性を最大化する,完全協調型マルチエージェントシステムについて考察する。
マルチエージェントシステムには,エージェント間の相互作用を伝達し,理解する能力が必要である。
エージェント間の通信を可能にするアーキテクチャを開発し,各エージェントに対するシステム報酬を調整する。
論文 参考訳(メタデータ) (2020-04-01T14:36:13Z) - A Deep Multi-Agent Reinforcement Learning Approach to Autonomous
Separation Assurance [5.196149362684628]
可変数の航空機間の衝突を識別・解決するために, 深層多エージェント強化学習フレームワークを提案する。
提案手法は,BlueSkyの航空交通制御環境における3つのケーススタディで検証された。
論文 参考訳(メタデータ) (2020-03-17T16:50:34Z)
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。