論文の概要: Learning Eco-Driving Strategies at Signalized Intersections

• arxiv url: http://arxiv.org/abs/2204.12561v1
• Date: Tue, 26 Apr 2022 19:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 13:02:53.272743
• Title: Learning Eco-Driving Strategies at Signalized Intersections
• Title（参考訳）: 信号区間におけるエコドライブ戦略の学習
• Authors: Vindula Jayawardana and Cathy Wu
• Abstract要約: 本研究では,効率的なエコドライブ制御戦略を学習するための強化学習手法を提案する。 我々は,学習戦略が燃料消費,CO2排出,旅行時間に与える影響について分析した。 その結果、25%のCAV侵入でも、全燃料および排出削減効果の少なくとも50%を得られることが示唆された。
• 参考スコア（独自算出の注目度）: 1.7682859739940435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signalized intersections in arterial roads result in persistent vehicle idling and excess accelerations, contributing to fuel consumption and CO2 emissions. There has thus been a line of work studying eco-driving control strategies to reduce fuel consumption and emission levels at intersections. However, methods to devise effective control strategies across a variety of traffic settings remain elusive. In this paper, we propose a reinforcement learning (RL) approach to learn effective eco-driving control strategies. We analyze the potential impact of a learned strategy on fuel consumption, CO2 emission, and travel time and compare with naturalistic driving and model-based baselines. We further demonstrate the generalizability of the learned policies under mixed traffic scenarios. Simulation results indicate that scenarios with 100% penetration of connected autonomous vehicles (CAV) may yield as high as 18% reduction in fuel consumption and 25% reduction in CO2 emission levels while even improving travel speed by 20%. Furthermore, results indicate that even 25% CAV penetration can bring at least 50% of the total fuel and emission reduction benefits.
• Abstract（参考訳）: 動脈道路の信号化された交差点は、車両のアイドリングと過剰な加速をもたらし、燃料消費と二酸化炭素排出量に寄与する。 そのため、交差点での燃料消費と排出のレベルを減らすためのエコドライブコントロール戦略の研究が続けられている。 しかし,様々なトラフィック設定に対して効果的な制御戦略を考案する手法はいまだ解明されていない。 本稿では,効果的なエコ運転制御戦略を学ぶための強化学習(rl)手法を提案する。 我々は, 学習戦略が燃料消費, CO2排出, 旅行時間に与える影響を分析し, 自然主義運転とモデルベースラインとの比較を行った。 さらに,混合交通シナリオにおける学習方針の一般化可能性を示す。 シミュレーションの結果,コネクテッド・オートモービル(CAV)が100%浸透するシナリオでは,燃費が最大18%減少し,二酸化炭素排出量が25%減少し,走行速度が20%向上する可能性が示唆された。 さらに, 25%のCAV侵入でも, 総燃料および排出削減効果の少なくとも50%を享受できることが示唆された。

関連論文リスト

• Mitigating Metropolitan Carbon Emissions with Dynamic Eco-driving at Scale [3.5052652317043846]
  我々は、二酸化炭素排出量を減らす新たな機会として、半自律車の採用の増加を考えています。 交通シナリオと車両排出の複雑さにより、包括的影響分析は手に入らなかった。 我々は,米国三大都市を横断する信号化交差点6,011箇所で,ダイナミックエコドライブの詳細な影響評価を行う。
  論文  参考訳（メタデータ） (2024-08-10T18:23:59Z)
• EcoFollower: An Environment-Friendly Car Following Model Considering Fuel Consumption [9.42048156323799]
  本研究では,自動車追従シナリオにおける燃料消費を最適化するために強化学習(RL)を用いて開発された新しいエコカー追従モデルであるEcoFollowerを紹介する。 このモデルは燃料消費を大幅に削減し、実際の運転シナリオと比較して10.42%削減した。
  論文  参考訳（メタデータ） (2024-07-22T16:48:37Z)
• Analyzing Emissions and Energy Efficiency at Unsignalized Real-world Intersections Under Mixed Traffic Control [27.838827756692243]
  アメリカの交通機関は米国の排出量の28%を排出している。 近年の研究では、信号交差点における混在交通制御エコ自動運転戦略が開発され、排出量の削減が図られている。 我々は、複雑な実世界のトポロジと交通需要を伴う無署名の交差点に関するエミッション分析を提供する。
  論文  参考訳（メタデータ） (2023-11-20T16:02:33Z)
• Exploring the combined effects of major fuel technologies, eco-routing, and eco-driving for sustainable traffic decarbonization in downtown Toronto [4.378407481656902]
  本研究は,トロント市中心部の都市交通におけるマイクロシミュレートによる脱炭戦略について検討する。 変圧器を用いた予測モデルを用いて, 温室効果ガス (GHG) と窒素酸化物 (NOx) の排出を予測した。 キーとなる発見は、100%のバッテリ電気自動車(BEV)がGHG排出量を75%削減していることを示しているが、コストとインフラに関する課題に直面している。
  論文  参考訳（メタデータ） (2023-08-28T22:17:36Z)
• 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)
• Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
  半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。 新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。 エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
  論文  参考訳（メタデータ） (2023-04-23T16:01:36Z)
• Driver Assistance Eco-driving and Transmission Control with Deep Reinforcement Learning [2.064612766965483]
  本稿では, モデルフリー深部強化学習(RL)制御エージェントを提案する。 燃料消費を他の運転者の収容目標と交換し、最適な牽引トルクと伝達シフトポリシーを経験から学習する。 燃料効率テーブルの知識を十分に備えたベースラインコントローラと比較して, 燃料消費量の最小化に優れた性能を示す。
  論文  参考訳（メタデータ） (2022-12-15T02:52:07Z)
• 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)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• 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)
• Learning to drive from a world on rails [78.28647825246472]
  モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。 世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。 提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
  論文  参考訳（メタデータ） (2021-05-03T05:55:30Z)

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。