論文の概要: Deep Reinforcement Learning for Shared Autonomous Vehicles (SAV) Fleet Management

• arxiv url: http://arxiv.org/abs/2201.05720v1
• Date: Sat, 15 Jan 2022 00:50:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-22 17:03:03.698438
• Title: Deep Reinforcement Learning for Shared Autonomous Vehicles (SAV) Fleet Management
• Title（参考訳）: 共有自動運転車(sav)フリート管理のための深層強化学習
• Authors: Sergio Sainz-Palacios
• Abstract要約: シェアード・オートマチック・ビークルズ(SAV)は全米でパイロットプロジェクトを開始している。 2020年、バージニア州フェアファックスで、バージニア州で最初の共有自動運転車艦隊のパイロット計画が発表された。 本研究は、異なるtextbfReinforcement Learningアプローチを探索し、ライダー待ち時間、駐車コスト、空旅を最小化するための最善のアプローチを決定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shared Automated Vehicles (SAVs) Fleets companies are starting pilot projects nationwide. In 2020 in Fairfax Virginia it was announced the first Shared Autonomous Vehicle Fleet pilot project in Virginia. SAVs promise to improve quality of life. However, SAVs will also induce some negative externalities by generating excessive vehicle miles traveled (VMT), which leads to more congestions, energy consumption, and emissions. The excessive VMT are primarily generated via empty relocation process. Reinforcement Learning based algorithms are being researched as a possible solution to solve some of these problems: most notably minimizing waiting time for riders. But no research using Reinforcement Learning has been made about reducing parking space cost nor reducing empty cruising time. This study explores different \textbf{Reinforcement Learning approaches and then decide the best approach to help minimize the rider waiting time, parking cost, and empty travel
• Abstract（参考訳）: シェアードオートモービルズ(savs)のフリート企業は全国でパイロットプロジェクトを開始している。 2020年、フェアファックス・ヴァージニア州で、バージニア州初の共有自動運転車パイロットプロジェクトが発表された。 SAVは生活の質を向上させることを約束します。 しかし、SAVは過度の走行距離(VMT)を発生させることで負の外部性も引き起こし、より多くの混雑、エネルギー消費、排出を引き起こす。 過剰なVMTは、主に空のリロケーションプロセスを介して生成される。 強化学習ベースのアルゴリズムは、これらの問題のいくつかを解決するための可能なソリューションとして研究されている。 しかし、駐車スペースの削減や空き時間削減など、強化学習を用いた研究は行われていない。 本研究は,異なる‘textbf{Reinforcement Learning】アプローチを探索し,ライダー待ち時間,駐車コスト,空旅を最小化するための最善のアプローチを決定する。

関連論文リスト

• Diffusion-based Reinforcement Learning for Dynamic UAV-assisted Vehicle Twins Migration in Vehicular Metaverses [11.608114188345692]
  ビークル・ツインズ (VT) は、車載メタバースサービスを可能にする物理車両のデジタルツインである。 地上統合ネットワークは、地上輸送ネットワークの通信圧力を軽減し、6G対応の車載メタバースサービスをオフロードする。 本研究では,空域統合ネットワークにおける無人航空機(UAV)支援VTマイグレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-08T09:53:56Z)
• Autonomous Algorithm for Training Autonomous Vehicles with Minimal Human Intervention [18.95571506577409]
  人間の介入を最小限に抑えて自動運転車を訓練するための新しいアルゴリズムを導入する。 我々のアルゴリズムは、いつエピソードを中止すべきかを決定するために、自動運転車の学習の進捗を考慮に入れている。 また、ルールベースの自動運転アルゴリズムを利用して、自動運転車を初期状態に安全にリセットする。
  論文  参考訳（メタデータ） (2024-05-22T05:04:44Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
  我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。 我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。 その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T00:50:41Z)
• Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
  本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。 複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。 実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
  論文  参考訳（メタデータ） (2023-06-27T17:58:39Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Driving Tasks Transfer in Deep Reinforcement Learning for Decision-making of Autonomous Vehicles [6.578495322360851]
  本稿では,区間間環境における運転タスクを変換するための伝達深度強化学習フレームワークを構築した。 自走自走車(AEV)の目標は、交差点の状況を効率的かつ安全に通り抜けることである。 同様のタスクに関連する意思決定戦略は、転送可能である。
  論文  参考訳（メタデータ） (2020-09-07T17:34:01Z)
• Dampen the Stop-and-Go Traffic with Connected and Automated Vehicles -- A Deep Reinforcement Learning Approach [5.6872893893453105]
  本研究は、CAVの動作を制御するために強化学習を採用し、車両の2番目の位置に1基のCAVを配置する。 その結果,CAVの発振速度を54%と8%の28%に抑えることができた。
  論文  参考訳（メタデータ） (2020-05-17T12:46:22Z)
• Learning by Cheating [72.9701333689606]
  この難解な学習問題を2段階に分解することで単純化できることを示す。 提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。 提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
  論文  参考訳（メタデータ） (2019-12-27T18:59:04Z)

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。