論文の概要: Railway Operation Rescheduling System via Dynamic Simulation and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2201.06276v1
• Date: Mon, 17 Jan 2022 08:40:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 14:46:18.318632
• Title: Railway Operation Rescheduling System via Dynamic Simulation and Reinforcement Learning
• Title（参考訳）: 動的シミュレーションと強化学習による鉄道運行再スケジュールシステム
• Authors: Shumpei Kubosawa, Takashi Onishi, Makoto Sakahara, Yoshimasa Tsuruoka
• Abstract要約: 自然災害の激化により、鉄道運行の混乱が増している。 新型コロナウイルス(COVID-19)などの社会状況の急激な変化は、鉄道会社が頻繁に交通スケジュールを変更する必要がある。 提案システムは,トレーニングとして事前に最適化処理を行うため,全線の交通スケジュールを高速に生成することができる。
• 参考スコア（独自算出の注目度）: 13.333957453318742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The number of railway service disruptions has been increasing owing to intensification of natural disasters. In addition, abrupt changes in social situations such as the COVID-19 pandemic require railway companies to modify the traffic schedule frequently. Therefore, automatic support for optimal scheduling is anticipated. In this study, an automatic railway scheduling system is presented. The system leverages reinforcement learning and a dynamic simulator that can simulate the railway traffic and passenger flow of a whole line. The proposed system enables rapid generation of the traffic schedule of a whole line because the optimization process is conducted in advance as the training. The system is evaluated using an interruption scenario, and the results demonstrate that the system can generate optimized schedules of the whole line in a few minutes.
• Abstract（参考訳）: 自然災害の激化により、鉄道運行の混乱が増している。 また、新型コロナウイルスの感染拡大など社会状況の急激な変化は、鉄道会社が頻繁に交通スケジュールを変更する必要がある。 これにより、最適スケジューリングに対する自動サポートが期待できる。 本研究では,自動鉄道計画システムについて述べる。 このシステムは強化学習と動的シミュレータを利用して、全線の鉄道交通と乗客の流れをシミュレートする。 提案システムは,トレーニングとして事前に最適化処理を行うため,全線の交通スケジュールを高速に生成することができる。 システムは割り込みシナリオを用いて評価され、その結果、システムは数分で全行の最適化されたスケジュールを生成できることが示される。

関連論文リスト

• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Residual Chain Prediction for Autonomous Driving Path Planning [5.139918355140954]
  残留連鎖損失は損失計算過程を動的に調整し、予測経路点の時間依存性と精度を高める。 我々の研究は、自動運転車の計画コンポーネントに革命をもたらすために、Residual Chain Lossの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-04-08T11:43:40Z)
• Applying Reinforcement Learning to Optimize Traffic Light Cycles [0.0]
  本稿では,リアルタイムに信号サイクルを最適化するための強化学習の応用を提案する。 本稿では,シミュレーション都市モビリティシミュレータを用いて,深層Q-Networkアルゴリズムの学習を行う。
  論文  参考訳（メタデータ） (2024-02-22T07:37:04Z)
• Traffic Light Control with Reinforcement Learning [0.0]
  本稿では,ディープラーニングを用いたリアルタイム交通信号制御手法を提案する。 キューの長さ、遅延、移動時間、スループットを考慮した報酬関数が組み込まれている。 モデルは現在の交通条件に基づいて動的に位相変化を決定する。
  論文  参考訳（メタデータ） (2023-08-28T04:29:49Z)
• 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)
• Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks [0.5801044612920815]
  接続された自動運転は、都市交通効率を大幅に改善する可能性がある。 協調行動計画(cooperative behavior planning)は、複数の車両の動作を協調的に最適化するために用いられる。 本研究は,協調型マルチエージェント計画における強化学習とグラフに基づくシーン表現を活用することを提案する。
  論文  参考訳（メタデータ） (2023-01-30T08:21:18Z)
• 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)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Cooperative Behavioral Planning for Automated Driving using Graph Neural Networks [0.5801044612920815]
  本研究は,複数の車両を共同で計画することで,都市交差点における交通流の最適化に機械学習アルゴリズムを活用することを提案する。 学習に基づく行動計画にはいくつかの課題が伴い、適切な入力と出力の表現と大量の基幹データを要求する。 自動運転における意思決定のためのオープンソースのシミュレーション環境において,提案手法を訓練し,評価する。
  論文  参考訳（メタデータ） (2022-02-23T09:36:15Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Offline-to-Online Reinforcement Learning via Balanced Replay and Pessimistic Q-Ensemble [135.6115462399788]
  深いオフライン強化学習により、オフラインデータセットから強力なロボットエージェントをトレーニングすることが可能になった。 状態-作用分布シフトは、微調整中に厳しいブートストラップエラーを引き起こす可能性がある。 本稿では,オンライン上で遭遇したサンプルを優先しながら,ほぼ政治的なサンプルの使用を奨励するバランスの取れたリプレイ方式を提案する。
  論文  参考訳（メタデータ） (2021-07-01T16:26:54Z)

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。