論文の概要: A Reinforcement Learning-based Adaptive Control Model for Future Street
Planning, An Algorithm and A Case Study
- arxiv url: http://arxiv.org/abs/2112.05434v1
- Date: Fri, 10 Dec 2021 10:32:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 20:58:42.127057
- Title: A Reinforcement Learning-based Adaptive Control Model for Future Street
Planning, An Algorithm and A Case Study
- Title（参考訳）: 将来の街路計画のための強化学習に基づく適応制御モデル、アルゴリズムおよびケーススタディ
- Authors: Qiming Ye, Yuxiang Feng, Jing Han, Marc Stettler, Panagiotis
Angeloudis
- Abstract要約: インテリジェントストリートは、道路利用者のための道路右翼(ROW)における意思決定を学習し、改善することができる。
我々は,マルチエージェントのDeep Deterministic Policy Gradient (MADDPG)アルゴリズムに基づくソリューションを開発した。
本モデルでは、路上駐車および車両運転に割り当てられた街路空間において、平均3.87%と6.26%の削減を達成できる。
- 参考スコア（独自算出の注目度）: 3.5368898558786768
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the emerging technologies in Intelligent Transportation System (ITS),
the adaptive operation of road space is likely to be realised within decades.
An intelligent street can learn and improve its decision-making on the
right-of-way (ROW) for road users, liberating more active pedestrian space
while maintaining traffic safety and efficiency. However, there is a lack of
effective controlling techniques for these adaptive street infrastructures. To
fill this gap in existing studies, we formulate this control problem as a
Markov Game and develop a solution based on the multi-agent Deep Deterministic
Policy Gradient (MADDPG) algorithm. The proposed model can dynamically assign
ROW for sidewalks, autonomous vehicles (AVs) driving lanes and on-street
parking areas in real-time. Integrated with the SUMO traffic simulator, this
model was evaluated using the road network of the South Kensington District
against three cases of divergent traffic conditions: pedestrian flow rates, AVs
traffic flow rates and parking demands. Results reveal that our model can
achieve an average reduction of 3.87% and 6.26% in street space assigned for
on-street parking and vehicular operations. Combined with space gained by
limiting the number of driving lanes, the average proportion of sidewalks to
total widths of streets can significantly increase by 10.13%.
- Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)の新興技術により、道路空間の適応運転は数十年以内に実現される可能性が高い。
インテリジェントな通りは、道路利用者のための右道(ROW)における意思決定を学習し、改善し、交通安全と効率を保ちながら、よりアクティブな歩行者スペースを解放することができる。
しかし、これらの適応的な道路インフラには効果的な制御技術がない。
既存の研究におけるこのギャップを埋めるために、マルコフゲームとしてこの制御問題を定式化し、マルチエージェントのDeep Deterministic Policy Gradient(MADDPG)アルゴリズムに基づくソリューションを開発する。
提案モデルでは, 歩道, 自動運転車 (AV) 走行車線, 路上駐車場をリアルタイムで動的に割り当てることができる。
南ケンジントン地区の道路ネットワークを用いて, 歩行者流速, AVs交通流量, 駐車需要の3つの異なる交通条件に対して, SUMO交通シミュレータと統合して評価した。
その結果,路上駐車と車両運転に割り当てられた街路空間では,平均3.87%,6.26%の削減が達成できた。
走行車線数を制限することで得られるスペースと組み合わさって、歩道の幅と道路の幅の平均比率は10.13%増加する。
関連論文リスト
- 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) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳（メタデータ） (2023-06-09T20:12:02Z) - Deep Reinforcement Learning to Maximize Arterial Usage during Extreme
Congestion [4.934817254755007]
本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。
エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。
エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
論文 参考訳（メタデータ） (2023-05-16T16:53:27Z) - Adaptive Road Configurations for Improved Autonomous Vehicle-Pedestrian
Interactions using Reinforcement Learning [2.362412515574206]
本研究では,ROW合成の強化学習(RL)手法について検討する。
道路網構成の動的制御を個別に行うために,集中型パラダイムと分散学習パラダイムを実装した。
実験結果から,提案アルゴリズムは交通流効率を向上し,歩行者により多くの空間を割り当てる可能性が示唆された。
論文 参考訳（メタデータ） (2023-03-22T03:42:39Z) - 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) - 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) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳（メタデータ） (2020-11-21T09:43:50Z) - Decision-making Strategy on Highway for Autonomous Vehicles using Deep
Reinforcement Learning [6.298084785377199]
高速道路のオーバーテイク行動に対処するため、自動車の深層強化学習(DRL)対応意思決定ポリシーを構築した。
これらの車両を制御するために階層的な制御フレームワークが提示され、上層部が運転決定を管理することを示す。
DDQNをベースとしたオーバーテイク政策は、ハイウェイ運転のタスクを効率的かつ安全に達成することができた。
論文 参考訳（メタデータ） (2020-07-16T23:41:48Z) - Where can I drive? A System Approach: Deep Ego Corridor Estimation for
Robust Automated Driving [2.378161932344701]
本稿では, 深層学習手法を用いて, エゴレーンの乾燥可能な廊下をピクセルレベルで具体的に分類することを提案する。
当社のアプローチは, 大規模製品に適用可能なパラメータがわずか0.66万で, 計算効率を保っている。
論文 参考訳（メタデータ） (2020-04-16T13:04:18Z)
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。