論文の概要: The Real Deal: A Review of Challenges and Opportunities in Moving
Reinforcement Learning-Based Traffic Signal Control Systems Towards Reality
- arxiv url: http://arxiv.org/abs/2206.11996v1
- Date: Thu, 23 Jun 2022 22:05:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 05:19:29.245759
- Title: The Real Deal: A Review of Challenges and Opportunities in Moving
Reinforcement Learning-Based Traffic Signal Control Systems Towards Reality
- Title(参考訳): リアルディール:現実に向けての強化学習に基づく交通信号制御システムへの移行における課題と機会
- Authors: Rex Chen, Fei Fang, Norman Sadeh
- Abstract要約: 交通信号制御 (TSC) は, 交通量の増加に伴い, 重要度の高い領域である。
強化学習(RL)は、信号処理効率を向上させるために、大量のトラフィックデータを描画することができる。
RLベースの信号制御装置は一度も配備されていない。
本研究では,(1)検出の不確実性,(2)通信の信頼性,(3)コンプライアンスと解釈可能性,(4)異種道路利用者の4つの課題に焦点をあてる。
- 参考スコア(独自算出の注目度): 35.22273933799107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic signal control (TSC) is a high-stakes domain that is growing in
importance as traffic volume grows globally. An increasing number of works are
applying reinforcement learning (RL) to TSC; RL can draw on an abundance of
traffic data to improve signalling efficiency. However, RL-based signal
controllers have never been deployed. In this work, we provide the first review
of challenges that must be addressed before RL can be deployed for TSC. We
focus on four challenges involving (1) uncertainty in detection, (2)
reliability of communications, (3) compliance and interpretability, and (4)
heterogeneous road users. We show that the literature on RL-based TSC has made
some progress towards addressing each challenge. However, more work should take
a systems thinking approach that considers the impacts of other pipeline
components on RL.
- Abstract(参考訳): 交通信号制御 (TSC) は, 交通量の増加に伴い, 重要度の高い領域である。
TSCに強化学習(RL)を適用する作業が増えており、RLは信号処理効率を向上させるために大量のトラフィックデータを描画することができる。
しかし、rlベースの信号制御装置はデプロイされていない。
本稿では,RTLがTSCにデプロイされる前に対処しなければならない課題について,最初のレビューを行う。
我々は,(1)検知の不確実性,(2)コミュニケーションの信頼性,(3)コンプライアンスと解釈可能性,(4)異種道路利用者の4つの課題に焦点を当てた。
RL ベースの TSC に関する文献は,各課題の解決に向けてある程度進展している。
しかしながら、他のパイプラインコンポーネントがRLに与える影響を考慮したシステム思考アプローチは、より多くの作業が必要になる。
関連論文リスト
- 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) - A Fully Data-Driven Approach for Realistic Traffic Signal Control Using
Offline Reinforcement Learning [18.2541182874636]
現実的な交通信号制御のための完全データ駆動・シミュレータフリーフレームワークを提案する。
我々は、確立されたトラフィックフロー理論と機械学習を組み合わせることで、粗いトラフィックデータから報酬信号を推測する。
従来のRLベースラインやオフラインのRLベースラインよりも優れた性能を実現し,実世界の適用性も向上した。
論文 参考訳(メタデータ) (2023-11-27T15:29:21Z) - Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning
Framework for Congestion Control in Tactical Environments [53.08686495706487]
本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。
衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
論文 参考訳(メタデータ) (2023-06-27T16:15:15Z) - 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) - A Novel Multi-Agent Deep RL Approach for Traffic Signal Control [13.927155702352131]
都市ネットワークにおける複数の交通信号制御のための Friend-Deep Q-network (Friend-DQN) アプローチを提案する。
特に、複数のエージェント間の協調は状態-作用空間を減少させ、収束を加速させる。
論文 参考訳(メタデータ) (2023-06-05T08:20:37Z) - Reinforcement Learning Approaches for Traffic Signal Control under
Missing Data [5.896742981602458]
現実世界の都市では、センサーの欠如により交通状態の観察が欠如することがある。
本稿では, 適応制御を実現するために, トラフィック状態をインプットし, 適応制御とRLエージェントの訓練を可能にするために, 状態と報酬の両方をインプットする2つの方法を提案する。
論文 参考訳(メタデータ) (2023-04-21T03:26:33Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳(メタデータ) (2023-02-02T18:27:20Z) - A Deep Reinforcement Learning Approach for Fair Traffic Signal Control [1.8275108630751837]
本稿では,遅延ベースとスループットベースという2つのフェアネスの概念を紹介する。
本稿では,DRLに基づく2つの交通信号制御手法を提案し,高いスループットを実現する。
論文 参考訳(メタデータ) (2021-07-21T15:23:52Z) - Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。
車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。
その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文 参考訳(メタデータ) (2020-12-07T02:09:15Z)
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。