論文の概要: Hybrid Reinforcement Learning-Based Eco-Driving Strategy for Connected
and Automated Vehicles at Signalized Intersections
- arxiv url: http://arxiv.org/abs/2201.07833v1
- Date: Wed, 19 Jan 2022 19:31:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 15:00:19.064486
- Title: Hybrid Reinforcement Learning-Based Eco-Driving Strategy for Connected
and Automated Vehicles at Signalized Intersections
- Title（参考訳）: シグナライズド交差点におけるハイブリッド強化学習に基づくコネクテッドおよびオートマチック車両のエコ運転戦略
- Authors: Zhengwei Bai, Peng Hao, Wei Shangguan, Baigen Cai, Matthew Barth
- Abstract要約: 視覚知覚法は車間通信(V2I)と統合され、より高モビリティとエネルギー効率を実現する。
HRLフレームワークには3つのコンポーネントがある。ルールベースのドライビングマネージャで、ルールベースのポリシーとRLポリシーの協調を運用する。
実験により, HRL法によりエネルギー消費量を12.70%削減し, 11.75%の移動時間を省くことができた。
- 参考スコア（独自算出の注目度）: 3.401874022426856
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Taking advantage of both vehicle-to-everything (V2X) communication and
automated driving technology, connected and automated vehicles are quickly
becoming one of the transformative solutions to many transportation problems.
However, in a mixed traffic environment at signalized intersections, it is
still a challenging task to improve overall throughput and energy efficiency
considering the complexity and uncertainty in the traffic system. In this
study, we proposed a hybrid reinforcement learning (HRL) framework which
combines the rule-based strategy and the deep reinforcement learning (deep RL)
to support connected eco-driving at signalized intersections in mixed traffic.
Vision-perceptive methods are integrated with vehicle-to-infrastructure (V2I)
communications to achieve higher mobility and energy efficiency in mixed
connected traffic. The HRL framework has three components: a rule-based driving
manager that operates the collaboration between the rule-based policies and the
RL policy; a multi-stream neural network that extracts the hidden features of
vision and V2I information; and a deep RL-based policy network that generate
both longitudinal and lateral eco-driving actions. In order to evaluate our
approach, we developed a Unity-based simulator and designed a mixed-traffic
intersection scenario. Moreover, several baselines were implemented to compare
with our new design, and numerical experiments were conducted to test the
performance of the HRL model. The experiments show that our HRL method can
reduce energy consumption by 12.70% and save 11.75% travel time when compared
with a state-of-the-art model-based Eco-Driving approach.
- Abstract（参考訳）: 車両間通信(v2x)と自動運転技術の両方を利用して、コネクテッドカーとオートマチックカーは、多くの交通問題に対する変革的な解決策の1つになっている。
しかし,信号交差点における混合交通環境では,交通システムの複雑さや不確実性を考慮した総合的なスループットとエネルギー効率の向上が課題となっている。
本研究では,複合交通における信号交差点におけるコネクテッド・エコドライブを支援するために,ルールベース戦略と深部強化学習を組み合わせたハイブリッド強化学習(HRL)フレームワークを提案する。
視覚知覚手法は車両間通信(V2I)と統合され、混在交通における移動性とエネルギー効率を高める。
HRLフレームワークには、ルールベースのポリシーとRLポリシの協調を運用するルールベースのドライブマネージャ、視覚とV2I情報の隠れた特徴を抽出するマルチストリームニューラルネットワーク、縦方向と横方向の両方のエコドライブアクションを生成する深いRLベースのポリシーネットワークの3つのコンポーネントがある。
このアプローチを評価するために,unityベースのシミュレータを開発し,混合トラフィック交差点シナリオを設計した。
さらに,新しい設計と比較するためにいくつかのベースラインを実装し,HRLモデルの性能評価のための数値実験を行った。
実験の結果, HRL法ではエネルギー消費を12.70%削減し, 11.75%の移動時間を節約できることがわかった。
関連論文リスト
- SPformer: A Transformer Based DRL Decision Making Method for Connected Automated Vehicles [9.840325772591024]
本稿ではトランスフォーマーと強化学習アルゴリズムに基づくCAV意思決定アーキテクチャを提案する。
学習可能なポリシートークンは、多車連携ポリシーの学習媒体として使用される。
我々のモデルは交通シナリオにおける車両の全ての状態情報をうまく活用することができる。
論文 参考訳（メタデータ） (2024-09-23T15:16:35Z) - Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。
周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。
我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-29T08:53:26Z) - 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) - 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) - 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) - Eco-driving for Electric Connected Vehicles at Signalized Intersections:
A Parameterized Reinforcement Learning approach [6.475252042082737]
本稿では、強化学習(RL)に基づく電気連系車両(CV)のエコ駆動フレームワークを提案する。
我々の戦略は、他の人間駆動車(HDV)を中断することなく適切な行動スキームを学習することで、エネルギー消費を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2022-06-24T04:11:28Z) - Learning to Help Emergency Vehicles Arrive Faster: A Cooperative
Vehicle-Road Scheduling Approach [24.505687255063986]
車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。
道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。
本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
論文 参考訳（メタデータ） (2022-02-20T10:25:15Z) - Graph Convolution-Based Deep Reinforcement Learning for Multi-Agent
Decision-Making in Mixed Traffic Environments [12.34509371288594]
本研究は,さまざまなグラフ強化学習(GRL)手法による意思決定を実現するためのフレームワークを提案する。
いくつかのGRLアプローチを要約し、提案したフレームワークで実装する。
結果は、インテリジェント輸送シナリオにおけるGRLアプローチの特徴を比較するために、複数の視点と次元で分析される。
論文 参考訳（メタデータ） (2022-01-30T10:09:43Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - 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) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z)
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。