論文の概要: Traffic Management of Autonomous Vehicles using Policy Based Deep
Reinforcement Learning and Intelligent Routing
- arxiv url: http://arxiv.org/abs/2206.14608v1
- Date: Tue, 28 Jun 2022 02:46:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 19:40:02.728965
- Title: Traffic Management of Autonomous Vehicles using Policy Based Deep
Reinforcement Learning and Intelligent Routing
- Title（参考訳）: 政策に基づく深層強化学習とインテリジェントルーティングを用いた自動運転車の交通管理
- Authors: Anum Mushtaq, Irfan ul Haq, Muhammad Azeem Sarwar, Asifullah Khan,
Omair Shafiq
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.26249027950824505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Reinforcement Learning (DRL) uses diverse, unstructured data and makes
RL capable of learning complex policies in high dimensional environments.
Intelligent Transportation System (ITS) based on Autonomous Vehicles (AVs)
offers an excellent playground for policy-based DRL. Deep learning
architectures solve computational challenges of traditional algorithms while
helping in real-world adoption and deployment of AVs. One of the main
challenges in AVs implementation is that it can worsen traffic congestion on
roads if not reliably and efficiently managed. Considering each vehicle's
holistic effect and using efficient and reliable techniques could genuinely
help optimise traffic flow management and congestion reduction. For this
purpose, we proposed a intelligent traffic control system that deals with
complex traffic congestion scenarios at intersections and behind the
intersections. We proposed a DRL-based signal control system that dynamically
adjusts traffic signals according to the current congestion situation on
intersections. To deal with the congestion on roads behind the intersection, we
used re-routing technique to load balance the vehicles on road networks. To
achieve the actual benefits of the proposed approach, we break down the data
silos and use all the data coming from sensors, detectors, vehicles and roads
in combination to achieve sustainable results. We used SUMO micro-simulator for
our simulations. The significance of our proposed approach is manifested from
the results.
- Abstract（参考訳）: 深層強化学習(DRL)は多様な非構造化データを使用し、RLは高次元環境で複雑なポリシーを学習できるようにする。
自律走行車(AV)をベースとしたインテリジェントトランスポーテーションシステム(ITS)は,政策ベースDRLの優れた遊び場を提供する。
ディープラーニングアーキテクチャは、現実のAVの採用とデプロイを支援しながら、従来のアルゴリズムの計算上の課題を解決する。
AVsの実装における大きな課題の1つは、確実かつ効率的に管理されていない場合、道路の渋滞を悪化させることである。
各車両の全体的効果を考慮し、効率的で信頼性の高い技術を用いることで、トラフィックフローの管理と混雑軽減を最適化するのに役立つ。
そこで本研究では,交差点と交差点裏の複雑な交通渋滞シナリオを扱うインテリジェントな交通制御システムを提案する。
交差点の混雑状況に応じて交通信号を動的に調整するdrl方式の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。
提案手法の実際のメリットを達成するため,データサイロを分解し,センサ,検出器,車両,道路から得られるすべてのデータを組み合わせて,持続可能な結果を得る。
シミュレーションにはSUMOマイクロシミュレータを用いた。
その結果,提案手法の意義が明らかとなった。
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) - Joint Optimization of Traffic Signal Control and Vehicle Routing in
Signalized Road Networks using Multi-Agent Deep Reinforcement Learning [19.024527400852968]
信号化道路網における交通信号制御と車両ルーティングの協調最適化手法を提案する。
マルチエージェントディープ強化学習(MADRL)を用いた信号タイミングと経路選択を同時に制御することでネットワーク性能を向上させることを目的とする。
本研究は,MADRLを用いて信号制御と車両経路の最適結合ポリシーを導出する最初の試みである。
論文 参考訳（メタデータ） (2023-10-16T22:10:47Z) - 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) - 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) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - 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) - 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) - Courteous Behavior of Automated Vehicles at Unsignalized Intersections
via Reinforcement Learning [30.00761722505295]
深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。
我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
論文 参考訳（メタデータ） (2021-06-11T13:16:48Z) - 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。