論文の概要: Learning a Robust Multiagent Driving Policy for Traffic Congestion Reduction

• arxiv url: http://arxiv.org/abs/2112.03759v1
• Date: Fri, 3 Dec 2021 18:53:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 15:25:07.031868
• Title: Learning a Robust Multiagent Driving Policy for Traffic Congestion Reduction
• Title（参考訳）: 交通渋滞低減のためのロバストマルチエージェント運転政策の学習
• Authors: Yulin Zhang, William Macke, Jiaxun Cui, Daniel Urieli, Peter Stone
• Abstract要約: 本稿では,様々なオープンネットワーク交通条件に頑健な学習型マルチエージェント駆動方式を提案する。 その結果,AV導入率を2%に抑えつつも,シミュレーションされた人為的政策よりも大きな改善が達成された。
• 参考スコア（独自算出の注目度）: 35.10619995365986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advent of automated and autonomous vehicles (AVs) creates opportunities to achieve system-level goals using multiple AVs, such as traffic congestion reduction. Past research has shown that multiagent congestion-reducing driving policies can be learned in a variety of simulated scenarios. While initial proofs of concept were in small, closed traffic networks with a centralized controller, recently successful results have been demonstrated in more realistic settings with distributed control policies operating in open road networks where vehicles enter and leave. However, these driving policies were mostly tested under the same conditions they were trained on, and have not been thoroughly tested for robustness to different traffic conditions, which is a critical requirement in real-world scenarios. This paper presents a learned multiagent driving policy that is robust to a variety of open-network traffic conditions, including vehicle flows, the fraction of AVs in traffic, AV placement, and different merging road geometries. A thorough empirical analysis investigates the sensitivity of such a policy to the amount of AVs in both a simple merge network and a more complex road with two merging ramps. It shows that the learned policy achieves significant improvement over simulated human-driven policies even with AV penetration as low as 2%. The same policy is also shown to be capable of reducing traffic congestion in more complex roads with two merging ramps.
• Abstract（参考訳）: 自動運転車(AV)の出現は、交通渋滞の低減など、複数のAVを使用してシステムレベルの目標を達成する機会を生み出す。 過去の研究では、マルチエージェントの渋滞低減による運転方針が様々なシミュレーションシナリオで学習できることが示されている。 初期の概念実証は、小型で閉鎖的な交通ネットワークと集中型コントローラで行われていたが、最近の成功例は、車両が入退するオープンロードネットワークで動く分散制御ポリシーにより、より現実的な設定で実証されている。 しかし、これらの運転方針は、ほとんどが訓練されたのと同じ条件下でテストされ、現実世界のシナリオにおいて重要な要件である異なる交通条件に対する堅牢性について徹底的にテストされていない。 本稿では,車両の流路,交通量におけるAVの割合,AV配置,および異なるマージ道路ジオメトリーなど,様々なオープンネットワーク交通条件に頑健な学習マルチエージェント駆動ポリシーを提案する。 徹底的な実証分析により、単純なマージネットワークと2つのマージランプを有するより複雑な道路の両方におけるavの量に対するポリシーの感度が調査される。 その結果,AV導入率を2%に抑えつつも,シミュレーションされた人為的政策よりも大きな改善が得られた。 同じ方針は、より複雑な道路の交通渋滞を2つの合流路で減らすことができることも示されている。

関連論文リスト

• A Systematic Study of Multi-Agent Deep Reinforcement Learning for Safe and Robust Autonomous Highway Ramp Entry [0.0]
  本研究では,車体前方移動動作を制御するハイウェイランプ機能について検討し,車体が進入する高速道路交通の流れとの衝突を最小限に抑える。 我々はこの問題に対してゲーム理論的マルチエージェント(MA)アプローチを採用し、深層強化学習(DRL)に基づくコントローラの利用について検討する。 本稿では,2台以上の車両(エージェント)の相互作用を研究することで既存の作業を拡張し,交通量やエゴカーを付加して道路シーンを体系的に拡張する。
  論文  参考訳（メタデータ） (2024-11-21T21:23:46Z)
• 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)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• 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)
• Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing [0.26249027950824505]
  本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。 交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
  論文  参考訳（メタデータ） (2022-06-28T02:46:20Z)
• Multi-agent Reinforcement Learning for Cooperative Lane Changing of Connected and Autonomous Vehicles in Mixed Traffic [16.858651125916133]
  レーン変更は、混合および動的交通シナリオにおける自動運転車(AV)にとって大きな課題である。 本稿では,マルチエージェント強化学習(MARL)問題として,混在高速道路環境における複数のAVの車線変更決定を定式化する。 提案するMARLフレームワークは,効率,安全性,ドライバの快適性という点で,最先端のベンチマークを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-11-11T17:17:24Z)
• 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)
• 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)
• Deep Reinforcement Learning for Human-Like Driving Policies in Collision Avoidance Tasks of Self-Driving Cars [1.160208922584163]
  自動運転ポリシーを生成するために,モデルフリーで深層強化学習手法を導入する。 本研究では,2車線道路における静的障害物回避タスクをシミュレーションで検討する。 このアプローチが人間ライクな運転ポリシーにつながることを実証します。
  論文  参考訳（メタデータ） (2020-06-07T18:20:33Z)

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。