論文の概要: Reinforcement Learning for Mixed Autonomy Intersections
- arxiv url: http://arxiv.org/abs/2111.04686v1
- Date: Mon, 8 Nov 2021 18:03:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 15:29:11.636015
- Title: Reinforcement Learning for Mixed Autonomy Intersections
- Title(参考訳): 混合自律神経節の強化学習
- Authors: Zhongxia Yan, Cathy Wu
- Abstract要約: シミュレーショントラフィックネットワークにおける混合自律性トラフィックを制御するためのモデルフリー強化学習手法を提案する。
本手法は,任意の数の制御車両に対して,局所的な観測に基づく分散制御が可能なマルチエージェントポリシー分解を利用する。
- 参考スコア(独自算出の注目度): 4.771833920251869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a model-free reinforcement learning method for controlling mixed
autonomy traffic in simulated traffic networks with through-traffic-only
two-way and four-way intersections. Our method utilizes multi-agent policy
decomposition which allows decentralized control based on local observations
for an arbitrary number of controlled vehicles. We demonstrate that, even
without reward shaping, reinforcement learning learns to coordinate the
vehicles to exhibit traffic signal-like behaviors, achieving near-optimal
throughput with 33-50% controlled vehicles. With the help of multi-task
learning and transfer learning, we show that this behavior generalizes across
inflow rates and size of the traffic network. Our code, models, and videos of
results are available at
https://github.com/ZhongxiaYan/mixed_autonomy_intersections.
- Abstract(参考訳): 本研究では,2方向と4方向の交差点のみを経由するシミュレーショントラヒックネットワークにおける混合自律交通制御のためのモデルフリー強化学習手法を提案する。
本手法は,任意の数の制御車両に対する局所観測に基づく分散制御が可能なマルチエージェントポリシー分解を利用する。
報奨がなくても、強化学習は車両が交通信号のような行動を示すように調整し、33-50%の制御された車両でほぼ最適スループットを達成することを実証する。
マルチタスク学習とトランスファー学習の助けを借りて,この動作がトラフィックネットワークの流入率とサイズをまたがって一般化することを示した。
結果のコード、モデル、ビデオはhttps://github.com/zhongxiayan/mixed_autonomy_intersectionsで閲覧できます。
関連論文リスト
- Single-Agent Actor Critic for Decentralized Cooperative Driving [17.659812774579756]
本稿では,自律走行車における分散型協調運転政策の学習を目的とした,新しい非対称アクター批判モデルを提案する。
提案手法では,マスキングを用いたアテンションニューラルネットワークを用いて,現実の交通流の動的性質と部分観測可能性を扱う。
論文 参考訳(メタデータ) (2024-03-18T16:13:02Z) - 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) - Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。
我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文 参考訳(メタデータ) (2023-01-12T13:10:47Z) - 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) - Courteous Behavior of Automated Vehicles at Unsignalized Intersections
via Reinforcement Learning [30.00761722505295]
深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。
我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
論文 参考訳(メタデータ) (2021-06-11T13:16:48Z) - 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) - MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。
近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。
本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文 参考訳(メタデータ) (2021-01-04T03:06:08Z) - Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous
Vehicles and Multi-Agent RL [63.52264764099532]
本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。
この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
論文 参考訳(メタデータ) (2020-10-30T22:06:05Z) - Batch-Augmented Multi-Agent Reinforcement Learning for Efficient Traffic
Signal Optimization [9.456254189014127]
提案手法は,現在使用されている固定時間信号機に比べて,待ち時間において交通渋滞を36%削減する。
提案手法は,現在使用されている固定時間信号計画と比較して,待ち時間において渋滞を36%低減することを示す。
論文 参考訳(メタデータ) (2020-05-19T17:53:05Z) - IG-RL: Inductive Graph Reinforcement Learning for Massive-Scale Traffic
Signal Control [4.273991039651846]
適応的な交通信号制御のスケーリングには、状態と行動空間を扱う必要がある。
本稿では,グラフ畳み込みネットワークに基づくインダクティブグラフ強化学習(IG-RL)を紹介する。
我々のモデルは、新しい道路網、交通分布、交通体制に一般化することができる。
論文 参考訳(メタデータ) (2020-03-06T17:17:59Z)
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。