Fugu-MT 論文翻訳(概要): CoTV: Cooperative Control for Traffic Light Signals and Connected Autonomous Vehicles using Deep Reinforcement Learning

論文の概要: CoTV: Cooperative Control for Traffic Light Signals and Connected Autonomous Vehicles using Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2201.13143v1
Date: Mon, 31 Jan 2022 11:40:13 GMT
ステータス: 処理完了
システム内更新日: 2022-02-01 17:57:23.375073
Title: CoTV: Cooperative Control for Traffic Light Signals and Connected Autonomous Vehicles using Deep Reinforcement Learning
Title（参考訳）: CoTV:ディープ強化学習を用いた交通信号と連結自動運転車の協調制御
Authors: Jiaying Guo and Long Cheng and Shen Wang
Abstract要約: 本稿では,マルチエージェント深部強化学習(DRL)システムであるCoTVについて述べる。 CoTVは、交通信号とコネクテッド・オートモービル(CAV)の両方を協調的に制御する一方、COTVは、入ってくる道路の信号管制官に最も近い1つのCAVと協力することで、容易に展開できる。
参考スコア（独自算出の注目度）: 6.54928728791438
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The target of reducing travel time only is insufficient to support the development of future smart transportation systems. To align with the United Nations Sustainable Development Goals (UN-SDG), a further reduction of fuel and emissions, improvements of traffic safety, and the ease of infrastructure deployment and maintenance should also be considered. Different from existing work focusing on the optimization of the control in either traffic light signal (to improve the intersection throughput), or vehicle speed (to stabilize the traffic), this paper presents a multi-agent deep reinforcement learning (DRL) system called CoTV, which Cooperatively controls both Traffic light signals and connected autonomous Vehicles (CAV). Therefore, our CoTV can well balance the achievement of the reduction of travel time, fuel, and emission. In the meantime, CoTV can also be easy to deploy by cooperating with only one CAV that is the nearest to the traffic light controller on each incoming road. This enables more efficient coordination between traffic light controllers and CAV, thus leading to the convergence of training CoTV under the large-scale multi-agent scenario that is traditionally difficult to converge. We give the detailed system design of CoTV, and demonstrate its effectiveness in a simulation study using SUMO under various grid maps and realistic urban scenarios with mixed-autonomy traffic.
Abstract（参考訳）: 旅行時間を短縮する目的は、将来のスマートトランスポートシステムの開発を支援するには不十分である。国連持続可能な開発目標(un-sdg)に合わせるためには、燃料と排出のさらなる削減、交通安全の改善、インフラの展開とメンテナンスの容易さも考慮すべきである。交通信号(交差点スループットを改善するために)の制御の最適化や(交通を安定させるために)車両速度の最適化に焦点を当てた既存の作業とは違い,本研究では,交通信号とコネクテッド・オートモービル(CAV)の両方を協調的に制御する,CoTVと呼ばれる多エージェント深部強化学習システムを提案する。したがって、私たちのCOTVは、旅行時間、燃料および排出の削減の達成のバランスをとることができる。一方、COTVは、入ってくる各道路の信号機に最も近い1つのCAVと協力することで、容易に展開できる。これにより、トラヒックライトコントローラとCAV間のより効率的な調整が可能となり、従来収束が困難であった大規模マルチエージェントシナリオ下でのトレーニングCOTVの収束につながる。本研究では,cotvの詳細なシステム設計を行い,様々なグリッドマップと現実都市シナリオを用いたシミュレーション実験でその効果を実証する。

関連論文リスト

Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文参考訳（メタデータ） (2024-09-19T14:36:00Z)
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)
Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文参考訳（メタデータ） (2023-07-05T21:38:36Z)
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)
HumanLight: Incentivizing Ridesharing via Human-centric Deep Reinforcement Learning in Traffic Signal Control [3.402002554852499]
本稿では,新しい分散適応型信号制御アルゴリズムHumanLightを提案する。提案する制御器は,人体レベルでの輸送にインスパイアされた圧力の概念を組み込んだ報酬関数を組み込んだ強化学習に基づいて構築されている。 HOVの通勤者に1回の乗車で旅行時間節約を施すことで、HumanLightはグリーンタイムの均等な割り当てを実現している。
論文参考訳（メタデータ） (2023-04-05T17:42:30Z)
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文参考訳（メタデータ） (2022-05-04T17:55:12Z)
Real-time Cooperative Vehicle Coordination at Unsignalized Road Intersections [7.860567520771493]
信号のない道路交差点での協調作業は、連結車両と自動車両の安全運転交通スループットを向上させることを目的としている。我々はモデルフリーなマルコフ決定プロセス(MDP)を導入し、深層強化学習フレームワークにおける双遅延Deep Deterministic Policy(TD3)に基づく戦略によりそれに取り組む。提案手法は, 準定常調整シナリオにおいて, ほぼ最適性能を達成し, 現実的な連続流れの制御を大幅に改善できることが示唆された。
論文参考訳（メタデータ） (2022-05-03T02:56:02Z)
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)
A Multi-Agent Deep Reinforcement Learning Coordination Framework for Connected and Automated Vehicles at Merging Roadways [0.0]
接続された自動車両(CAV)は、渋滞、事故、エネルギー消費、温室効果ガスの排出に対処する可能性がある。停止運転をなくすようにCAVを調整するためのフレームワークを提案する。数値シミュレーションによりCAVの協調性を実証し,停止運転を排除してスムーズな交通流を実現することを示す。
論文参考訳（メタデータ） (2021-09-23T22:26:52Z)
Flatland Competition 2020: MAPF and MARL for Efficient Train Coordination on a Grid World [49.80905654161763]
車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
論文参考訳（メタデータ） (2021-03-30T17:13:29Z)
A Multi-intersection Vehicular Cooperative Control based on End-Edge-Cloud Computing [25.05518638792962]
複数の交差点を有する広いエリアにおける車両間の協調を可能にするために,多断面車両協調制御(MiVeCC)を提案する。まず、車両間のエッジクラウド垂直協調と水平協調を容易にするために、車両用エンドエッジクラウドコンピューティングフレームワークを提案する。高密度トラフィックに対処するため, 車両選択法を提案し, 性能劣化を伴わずに, 状態空間を小さくし, アルゴリズムの収束を加速する。
論文参考訳（メタデータ） (2020-12-01T14:15:14Z)

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。