論文の概要: Development of a CAV-based Intersection Control System and Corridor
Level Impact Assessment
- arxiv url: http://arxiv.org/abs/2208.09973v1
- Date: Sun, 21 Aug 2022 21:56:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:12:02.730948
- Title: Development of a CAV-based Intersection Control System and Corridor
Level Impact Assessment
- Title（参考訳）: CAVを用いた断面制御システムの開発と回廊レベル影響評価
- Authors: Ardeshir Mirbakhsh, Joyoung Lee, Dejan Besenski
- Abstract要約: 本稿では,画素予約アルゴリズムとDeep Reinforcement Learning (DRL)決定論理を組み合わせたCAVの信号自由交叉制御システムを提案する。
提案モデルでは,他のCAV制御システムと比較して,中等度,高,極端の容積状態において50%,29%,および23%の遅延を減少させる。
- 参考スコア（独自算出の注目度）: 0.696125353550498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a signal-free intersection control system for CAVs by
combination of a pixel reservation algorithm and a Deep Reinforcement Learning
(DRL) decision-making logic, followed by a corridor-level impact assessment of
the proposed model. The pixel reservation algorithm detects potential colliding
maneuvers and the DRL logic optimizes vehicles' movements to avoid collision
and minimize the overall delay at the intersection. The proposed control system
is called Decentralized Sparse Coordination System (DSCLS) since each vehicle
has its own control logic and interacts with other vehicles in coordinated
states only. Due to the chain impact of taking random actions in the DRL's
training course, the trained model can deal with unprecedented volume
conditions, which poses the main challenge in intersection management. The
performance of the developed model is compared with conventional and CAV-based
control systems, including fixed traffic lights, actuated traffic lights, and
the Longest Queue First (LQF) control system under three volume regimes in a
corridor of four intersections in VISSIM software. The simulation result
revealed that the proposed model reduces delay by 50%, 29%, and 23% in
moderate, high, and extreme volume regimes compared to the other CAV-based
control system. Improvements in travel time, fuel consumption, emission, and
Surrogate Safety Measures (SSM) are also noticeable.
- Abstract（参考訳）: 本稿では,画素予約アルゴリズムと深層強化学習(drl)決定論理を組み合わせたcavsの信号自由交差点制御システムと,提案モデルの廊下レベル影響評価について述べる。
画素予約アルゴリズムは潜在的な衝突操作を検出し、DRLロジックは車両の動きを最適化して衝突を避け、交差点での全体的な遅延を最小限にする。
提案方式は分散スパース座標系 (DSCLS) と呼ばれ、各車両は独自の制御論理を持ち、調整状態のみにおいて他の車両と相互作用する。
DRLのトレーニングコースにおけるランダムな動作の連鎖的な影響により、トレーニングされたモデルは前例のないボリューム条件に対処することができる。
開発したモデルの性能は,VISSIMソフトウェアにおける4つの交差点の廊下において,固定信号機,アクティベート信号機,LQF(Longest Queue First)制御システムなど,従来のCAVベースの制御システムと比較される。
シミュレーションの結果,提案手法は,他のCAV制御システムと比較して,中等度,高次,極端の容積状態において50%,29%,23%の遅延を減少させることがわかった。
走行時間、燃料消費量、排出ガス、サロゲート安全対策(ssm)も改善されている。
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) - Reinforcement Learning with Model Predictive Control for Highway Ramp Metering [14.389086937116582]
この研究は、交通フロー管理を強化するためのモデルベースと学習ベースの戦略の相乗効果について考察する。
制御問題は、適切なステージコスト関数を作成することにより、RLタスクとして定式化される。
RLアルゴリズムの関数近似として MPC 最適問題を利用する MPC ベースの RL アプローチを提案し,オンランプの効率的な制御について検討した。
論文 参考訳（メタデータ） (2023-11-15T09:50:54Z) - 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) - Lyapunov Function Consistent Adaptive Network Signal Control with Back
Pressure and Reinforcement Learning [9.797994846439527]
本研究では、それぞれ特定のリャプノフ関数を定義するリアプノフ制御理論を用いた統一的なフレームワークを提案する。
Lyapunov理論の知見に基づいて、この研究は強化学習(Reinforcement Learning, RL)に基づくネットワーク信号制御のための報酬関数を設計する。
提案アルゴリズムは, 純旅客車流および貨物を含む異種交通流下での従来のRL法およびRL法と比較した。
論文 参考訳（メタデータ） (2022-10-06T00:22:02Z) - 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) - Proximal Policy Optimization Learning based Control of Congested Freeway
Traffic [3.816579519746557]
本研究では,PPO強化学習に基づく遅延補償フィードバックコントローラを提案する。
遅延のないシステムでは、PPO制御はリアプノフ制御よりも収束速度が速く、制御労力も少ない。
論文 参考訳（メタデータ） (2022-04-12T08:36:21Z) - Deep Reinforcement Learning Aided Platoon Control Relying on V2X
Information [78.18186960475974]
車両間通信(V2X)が小隊制御性能に及ぼす影響について検討した。
我々の目的は、最も適切な状態空間を構築するために、車両間で共有されるべき特定の情報の集合を見つけることである。
状態空間に含めると、より高い状態次元を持つ負の効果を相殺する確率が高いため、より有益な情報が伝達においてより高い優先度で与えられる。
論文 参考訳（メタデータ） (2022-03-28T02:11:54Z) - 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) - Comparative analysis of machine learning methods for active flow control [60.53767050487434]
遺伝的プログラミング(GP)と強化学習(RL)はフロー制御において人気を集めている。
この研究は2つの比較分析を行い、地球規模の最適化手法に対して最も代表的なアルゴリズムのいくつかをベンチマークする。
論文 参考訳（メタデータ） (2022-02-23T18:11:19Z) - Deep Reinforcement Q-Learning for Intelligent Traffic Signal Control
with Partial Detection [0.0]
インテリジェントな信号制御装置は、DQNアルゴリズムをトラフィック光ポリシー最適化に適用し、リアルタイムトラフィックに信号を調整することで、トラフィックの混雑を効率的に軽減する。
しかしながら、文献のほとんどの命題は、交差点の全ての車両が検出される、非現実的なシナリオであると考えている。
本研究では,連結車両を用いた部分的に観測可能な環境下で,信号制御を最適化する深層強化Q-ラーニングモデルを提案する。
論文 参考訳（メタデータ） (2021-09-29T10:42:33Z) - Data-Driven Intersection Management Solutions for Mixed Traffic of
Human-Driven and Connected and Automated Vehicles [0.0]
この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。
まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。
第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2020-12-10T01:44:45Z)
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。