論文の概要: Graph Attention Multi-Agent Fleet Autonomy for Advanced Air Mobility

• arxiv url: http://arxiv.org/abs/2302.07337v3
• Date: Tue, 1 Aug 2023 19:36:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-03 18:03:10.502888
• Title: Graph Attention Multi-Agent Fleet Autonomy for Advanced Air Mobility
• Title（参考訳）: 高度空気移動のためのグラフ注意マルチエージェントフリートオートノミー
• Authors: Malintha Fernando, Ransalu Senanayake, Heeyoul Choi, Martin Swany
• Abstract要約: 本研究では,航空車両群を協調させるために,部分的に観測可能な高度空力ゲームの概念を導入する。 本稿では,新しいグラフアテンションデコーダ(HetGAT Enc-Dec)ネットワークニューラルベースポリシーを提案する。 学習方針は,様々な艦隊構成,需要パターン,観測トポロジに一般化されていることを示す。
• 参考スコア（独自算出の注目度）: 7.533471021886634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous mobility is emerging as a new disruptive mode of urban transportation for moving cargo and passengers. However, designing scalable autonomous fleet coordination schemes to accommodate fast-growing mobility systems is challenging primarily due to the increasing heterogeneity of the fleets, time-varying demand patterns, service area expansions, and communication limitations. We introduce the concept of partially observable advanced air mobility games to coordinate a fleet of aerial vehicles by accounting for the heterogeneity of the interacting agents and the self-interested nature inherent to commercial mobility fleets. To model the complex interactions among the agents and the observation uncertainty in the mobility networks, we propose a novel heterogeneous graph attention encoder-decoder (HetGAT Enc-Dec) neural network-based stochastic policy. We train the policy by leveraging deep multi-agent reinforcement learning, allowing decentralized decision-making for the agents using their local observations. Through extensive experimentation, we show that the learned policy generalizes to various fleet compositions, demand patterns, and observation topologies. Further, fleets operating under the HetGAT Enc-Dec policy outperform other state-of-the-art graph neural network policies by achieving the highest fleet reward and fulfillment ratios in on-demand mobility networks.
• Abstract（参考訳）: 自律移動(autonomous mobility)は、貨物や乗客を輸送するための新しいディスラプティブな都市交通手段として登場している。 しかし、急速に成長する移動システムに対応するスケーラブルな自律的な艦隊調整スキームの設計は、主に車両の多様性の増大、需要パターンの経時的変化、サービスエリアの拡大、通信の制限などにより困難である。 本稿では,対話エージェントの不均一性と,商用機動車両に固有の自己関心の性質を考慮し,航空車両群を協調させる,部分的に観測可能な高度空力ゲームの概念を導入する。 エージェント間の複雑な相互作用とモビリティネットワークにおける観測の不確かさをモデル化するために,ニューラルネットワークに基づく新しいヘテロジニアスグラフアテンション・デコーダ(HetGAT Enc-Dec)を提案する。 我々は、深層多エージェント強化学習を活用して政策を訓練し、その局地的な観察によるエージェントの分散意思決定を可能にする。 広範な実験を通じて,学習方針が様々な艦隊構成,需要パターン,観測トポロジに一般化されることを示す。 さらに、HetGAT Enc-Decポリシーの下で運用されている車両は、オンデマンドモビリティネットワークにおいて、最も高い艦隊報酬と充足率を達成することで、他の最先端のグラフニューラルネットワークポリシーより優れている。

関連論文リスト

• GenAI-powered Multi-Agent Paradigm for Smart Urban Mobility: Opportunities and Challenges for Integrating Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) with Intelligent Transportation Systems [10.310791311301962]
  本稿では,大規模言語モデル (LLM) と新生検索・拡張生成技術 (RAG) の変換可能性について検討する。 本稿では,スマートモビリティサービスをインテリジェントかつ対話的に提供可能なマルチエージェントシステムの開発を目的とした概念的フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-31T16:14:42Z)
• Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving [17.659812774579756]
  本研究では,自律走行車における分散型協調運転ポリシーを学習する非対称アクター・批判モデルを提案する。 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ることで,実世界の交通動態と部分観測可能性の効率よく管理できる。
  論文  参考訳（メタデータ） (2024-03-18T16:13:02Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Combat Urban Congestion via Collaboration: Heterogeneous GNN-based MARL for Coordinated Platooning and Traffic Signal Control [16.762073265205565]
  本稿では、異種グラフ多エージェント強化学習と交通理論に基づいて、これらの課題に対処するための革新的な解決策を提案する。 提案手法は,1)小隊と信号制御を個別の強化学習エージェントとして設計し,各エージェント間のシームレスな情報交換を容易にするため,多エージェント強化学習にグラフニューラルネットワークを組み込んだ協調設計を行う。
  論文  参考訳（メタデータ） (2023-10-17T02:46:04Z)
• Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
  平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。 モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。 本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
  論文  参考訳（メタデータ） (2023-06-29T15:57:07Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Graph Neural Network Reinforcement Learning for Autonomous Mobility-on-Demand Systems [42.08603087208381]
  我々は、AMoD制御問題は自然にノードワイドな意思決定問題として位置づけられていると論じる。 グラフニューラルネットワークによるAMoDシステムの再バランスを制御するための深層強化学習フレームワークを提案する。 重要可搬性タスクに直面した場合、学習したポリシーがゼロショット転送能力を有望に示す方法を示す。
  論文  参考訳（メタデータ） (2021-04-23T06:42:38Z)
• Flatland Competition 2020: MAPF and MARL for Efficient Train Coordination on a Grid World [49.80905654161763]
  車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。 現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
  論文  参考訳（メタデータ） (2021-03-30T17:13:29Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)
• A Deep Multi-Agent Reinforcement Learning Approach to Autonomous Separation Assurance [5.196149362684628]
  可変数の航空機間の衝突を識別・解決するために, 深層多エージェント強化学習フレームワークを提案する。 提案手法は,BlueSkyの航空交通制御環境における3つのケーススタディで検証された。
  論文  参考訳（メタデータ） (2020-03-17T16:50:34Z)

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。