Fugu-MT 論文翻訳(概要): Self-organising Urban Traffic control on micro-level using Reinforcement Learning and Agent-based Modelling

論文の概要: Self-organising Urban Traffic control on micro-level using Reinforcement Learning and Agent-based Modelling

arxiv url: http://arxiv.org/abs/2202.12260v1
Date: Thu, 24 Feb 2022 18:10:42 GMT
ステータス: 処理完了
システム内更新日: 2022-02-25 16:58:32.737026
Title: Self-organising Urban Traffic control on micro-level using Reinforcement Learning and Agent-based Modelling
Title（参考訳）: 強化学習とエージェントベースモデリングを用いた都市交通制御のマイクロレベル化
Authors: Stefan Bosse
Abstract要約: この研究は、強化学習とルールベースエージェントを組み合わせた自己組織化マイクロレベル制御によるトラフィックフローの最適化に対処する。その結果, 局所環境センサによる個別の意思決定と再学習により, マイクロレベル車両ナビゲーション制御の展開により, 移動効率が向上することが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most traffic flow control algorithms address switching cycle adaptation of traffic signals and lights. This work addresses traffic flow optimisation by self-organising micro-level control combining Reinforcement Learning and rule-based agents for action selection performing long-range navigation in urban environments. I.e., vehicles represented by agents adapt their decision making for re-routing based on local environmental sensors. Agent-based modelling and simulation is used to study emergence effects on urban city traffic flows. An unified agent programming model enables simulation and distributed data processing with possible incorporation of crowd sensing tasks used as an additional sensor data base. Results from an agent-based simulation of an artificial urban area show that the deployment of micro-level vehicle navigation control just by learned individual decision making and re-routing based on local environmental sensors can increase the efficiency of mobility in terms of path length and travelling time.
Abstract（参考訳）: ほとんどのトラフィックフロー制御アルゴリズムは、信号と照明の切り替えサイクル適応に対処する。本研究は,都市環境における長距離ナビゲーションを行う行動選択のためのルールベースエージェントと強化学習を組み合わせた,自己組織型マイクロレベル制御による交通流の最適化に対処する。エージェントによって代表される車両は、局所環境センサに基づく再ルーティングのために意思決定を適応させる。エージェントに基づくモデリングとシミュレーションは、都市交通流の出現効果を研究するために用いられる。統合エージェントプログラミングモデルは、追加のセンサデータベースとして使用される群衆センシングタスクを組み込んだシミュレーションと分散データ処理を可能にする。エージェントによる人工都市域のシミュレーションの結果,局所環境センサに基づく個別の意思決定と再学習によるマイクロレベルの車両ナビゲーション制御の展開により,経路長や走行時間の面での移動性の向上が期待できることがわかった。

関連論文リスト

Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
論文参考訳（メタデータ） (2024-08-28T12:35:56Z)
MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning [13.369840354712021]
MoveLightは移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである。詳細なリアルタイムデータと高度な機械学習技術を活用することで、MoveLightは従来の信号制御手法の限界を克服する。
論文参考訳（メタデータ） (2024-07-24T14:17:16Z)
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)
Autonomous vehicle decision and control through reinforcement learning with traffic flow randomization [5.217416662464762]
本研究では, 車両追従モデルのパラメータとルールに基づく微視的交通流の車線変化モデルのパラメータをランダム化することにより, 周囲の車両の運転形態と挙動をランダム化する手法を提案する。提案手法は, 領域ランダム化されたルールベース微視的トラフィックフローとマージシーンを併用し, ルールベース微視的トラフィックフローと高忠実性微視的トラフィックフローで個別にテストした。
論文参考訳（メタデータ） (2024-03-05T11:41:43Z)
Urban traffic congestion control: a DeePC change [3.0023888160895473]
本稿では,動的な交通信号を用いた都市交通制御において,DeePCアルゴリズムを利用する。予備的な結果は、DeePCが旅行時間やCO$排出など、さまざまな主要な指標で既存のアプローチよりも優れていることを示している。
論文参考訳（メタデータ） (2023-11-16T12:26:55Z)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
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)
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)
An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文参考訳（メタデータ） (2021-08-02T08:13:57Z)
A Deep Reinforcement Learning Approach for Traffic Signal Control Optimization [14.455497228170646]
非効率な信号制御手法は、交通渋滞やエネルギー浪費などの多くの問題を引き起こす可能性がある。本稿では,アクター・クリティカル・ポリシー・グラデーション・アルゴリズムを拡張し,マルチエージェント・ディープ・決定性ポリシー・グラデーション(MADDPG)法を提案する。
論文参考訳（メタデータ） (2021-07-13T14:11:04Z)
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)

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。