論文の概要: Learning to Control and Coordinate Mixed Traffic Through Robot Vehicles
at Complex and Unsignalized Intersections
- arxiv url: http://arxiv.org/abs/2301.05294v2
- Date: Fri, 20 Oct 2023 00:12:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 13:36:44.422428
- Title: Learning to Control and Coordinate Mixed Traffic Through Robot Vehicles
at Complex and Unsignalized Intersections
- Title（参考訳）: 複雑・不特定区間におけるロボットによる混在交通の制御と調整の学習
- Authors: Dawei Wang, Weizi Li, Lei Zhu, Jia Pan
- Abstract要約: 実世界の複雑な交差点における混在トラフィックの制御と調整のための分散型マルチエージェント強化学習手法を提案する。
特に,5%のRVを使用すれば,1時間あたり700台の車両の実際の交通需要の下で,複雑な交差点内での渋滞発生を防止できることを示す。
また,ブラックアウトイベントや突然のRVパーセンテージ低下に対して頑健であり,汎用性も良好である。
- 参考スコア（独自算出の注目度）: 36.059560636577146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intersections are essential road infrastructures for traffic in modern
metropolises. However, they can also be the bottleneck of traffic flows as a
result of traffic incidents or the absence of traffic coordination mechanisms
such as traffic lights. Recently, various control and coordination mechanisms
that are beyond traditional control methods have been proposed to improve the
efficiency of intersection traffic. Amongst these methods, the control of
foreseeable mixed traffic that consists of human-driven vehicles (HVs) and
robot vehicles (RVs) has emerged. In this project, we propose a decentralized
multi-agent reinforcement learning approach for the control and coordination of
mixed traffic at real-world, complex intersections--a topic that has not been
previously explored. Comprehensive experiments are conducted to show the
effectiveness of our approach. In particular, we show that using 5% RVs, we can
prevent congestion formation inside a complex intersection under the actual
traffic demand of 700 vehicles per hour. In contrast, without RVs, congestion
starts to develop when the traffic demand reaches as low as 200 vehicles per
hour. When there exist more than 60% RVs in traffic, our method starts to
achieve comparable or even better performance to traffic signals on the average
waiting time of all vehicles at the intersection. Our method is also robust
against both blackout events and sudden RV percentage drops, and enjoys
excellent generalizablility, which is illustrated by its successful deployment
in two unseen intersections.
- Abstract（参考訳）: インターセクションは、現代のメトロポリスの交通に不可欠な道路インフラである。
しかし、交通事故や信号機などの交通調整機構の欠如により、交通の流れのボトルネックとなることもある。
近年,交差点交通の効率化を図るため,従来の制御手法を超える様々な制御・調整機構が提案されている。
これらの手法の中で,人間駆動車(HV)とロボット車(RV)からなる予測可能な混合交通の制御が出現している。
本研究では,実世界の複雑な交差点における混合交通の制御と協調のための分散型マルチエージェント強化学習手法を提案する。
本手法の有効性を示す総合的な実験を行った。
特に,5%のrvを用いることで,実際の交通需要が時給700台という複雑な交差点内での渋滞の発生を防止できることを示す。
対照的に、RVがなければ、交通需要が1時間に200台の車両に達すると渋滞が始まります。
トラフィックに60%以上のRVが存在する場合、交差点の全車両の平均待ち時間において、我々の手法は信号に匹敵する、あるいはさらに優れた性能を達成する。
また,この手法は,停電イベントや突然のRVパーセンテージの低下に対して堅牢であり,両交差点での展開に成功していることを示す。
関連論文リスト
- Single-Agent Actor Critic for Decentralized Cooperative Driving [17.659812774579756]
本稿では,自律走行車における分散型協調運転政策の学習を目的とした,新しい非対称アクター批判モデルを提案する。
提案手法では,マスキングを用いたアテンションニューラルネットワークを用いて,現実の交通流の動的性質と部分観測可能性を扱う。
論文 参考訳（メタデータ） (2024-03-18T16:13:02Z) - 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) - 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) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳（メタデータ） (2023-06-09T20:12:02Z) - Deep Reinforcement Learning to Maximize Arterial Usage during Extreme
Congestion [4.934817254755007]
本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。
エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。
エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
論文 参考訳（メタデータ） (2023-05-16T16:53:27Z) - Automatic Intersection Management in Mixed Traffic Using Reinforcement
Learning and Graph Neural Networks [0.5801044612920815]
接続された自動運転は、都市交通効率を大幅に改善する可能性がある。
協調行動計画(cooperative behavior planning)は、複数の車両の動作を協調的に最適化するために用いられる。
本研究は,協調型マルチエージェント計画における強化学習とグラフに基づくシーン表現を活用することを提案する。
論文 参考訳（メタデータ） (2023-01-30T08:21:18Z) - 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) - Integrated Decision and Control at Multi-Lane Intersections with Mixed
Traffic Flow [6.233422723925688]
本稿では,混在交通流を伴う複雑な交差点を扱うための学習に基づくアルゴリズムを提案する。
まず、学習過程における緑と赤の異なる速度モデルについて検討し、有限状態マシンを用いて異なるモードの光変換を扱う。
次に, 車両, 信号機, 歩行者, 自転車にそれぞれ異なる種類の距離制約を設計し, 制約された最適制御問題をフォーミュレートする。
論文 参考訳（メタデータ） (2021-08-30T07:55:32Z) - 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。