論文の概要: LCS-TF: Multi-Agent Deep Reinforcement Learning-Based Intelligent
Lane-Change System for Improving Traffic Flow
- arxiv url: http://arxiv.org/abs/2303.09070v1
- Date: Thu, 16 Mar 2023 04:03:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 16:43:59.415700
- Title: LCS-TF: Multi-Agent Deep Reinforcement Learning-Based Intelligent
Lane-Change System for Improving Traffic Flow
- Title(参考訳): lcs-tf : 多エージェント深層強化学習に基づくインテリジェントレーン変更システム
- Authors: Lokesh Chandra Das, Myounggyu Won
- Abstract要約: 既存のインテリジェントレーン変更ソリューションは主に、エゴ車の性能を最適化することに焦点を当てている。
近年、マルチエージェント強化学習(MARL)に基づくアプローチへの関心が高まっている。
本稿では,エゴ車両の局部性能を両立させるために設計したAV用ハイブリッドMARLを用いたインテリジェントレーン交換システムを提案する。
- 参考スコア(独自算出の注目度): 16.34175752810212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discretionary lane-change is one of the critical challenges for autonomous
vehicle (AV) design due to its significant impact on traffic efficiency.
Existing intelligent lane-change solutions have primarily focused on optimizing
the performance of the ego-vehicle, thereby suffering from limited
generalization performance. Recent research has seen an increased interest in
multi-agent reinforcement learning (MARL)-based approaches to address the
limitation of the ego vehicle-based solutions through close coordination of
multiple agents. Although MARL-based approaches have shown promising results,
the potential impact of lane-change decisions on the overall traffic flow of a
road segment has not been fully considered. In this paper, we present a novel
hybrid MARL-based intelligent lane-change system for AVs designed to jointly
optimize the local performance for the ego vehicle, along with the global
performance focused on the overall traffic flow of a given road segment. With a
careful review of the relevant transportation literature, a novel state space
is designed to integrate both the critical local traffic information pertaining
to the surrounding vehicles of the ego vehicle, as well as the global traffic
information obtained from a road-side unit (RSU) responsible for managing a
road segment. We create a reward function to ensure that the agents make
effective lane-change decisions by considering the performance of the ego
vehicle and the overall improvement of traffic flow. A multi-agent deep
Q-network (DQN) algorithm is designed to determine the optimal policy for each
agent to effectively cooperate in performing lane-change maneuvers. LCS-TF's
performance was evaluated through extensive simulations in comparison with
state-of-the-art MARL models. In all aspects of traffic efficiency, driving
safety, and driver comfort, the results indicate that LCS-TF exhibits superior
performance.
- Abstract(参考訳): 離散車線変更は、交通効率に大きな影響を与えるため、自動運転車(AV)設計において重要な課題の1つである。
既存のインテリジェントレーンチェンジソリューションは、主にego-vehicleのパフォーマンスの最適化に重点を置いているため、一般化性能が制限されている。
近年、マルチエージェント強化学習(MARL)に基づく手法が、複数のエージェントの緊密な協調を通じて、エゴ車ベースのソリューションの限界に対処することに興味が増している。
MARLに基づくアプローチは有望な結果を示しているが,道路セグメント全体の交通フローに対するレーン変更決定の影響は十分に検討されていない。
本稿では,道路セグメント全体の交通量に焦点を絞ったグローバルな性能とともに,エゴ車両の局部性能を協調的に最適化することを目的とした,新しいMARLベースの車線変更システムを提案する。
関連する交通文献の精査により、道路セグメントの管理に責任を持つ道路側ユニット(rsu)から得られたグローバル交通情報と、その周辺車両に関する重要な地域交通情報とを統合した新しい国家空間をデザインする。
我々は,エゴ車の性能と交通流の全体的な改善を考慮して,エージェントが効果的に車線変更決定を行うことを保証する報奨関数を作成する。
マルチエージェントディープQネットワーク(DQN)アルゴリズムは,各エージェントが車線変更操作を効果的に行うための最適なポリシーを決定するように設計されている。
LCS-TFの性能は、最先端のMARLモデルと比較して広範囲なシミュレーションによって評価された。
交通効率,運転安全,運転快適性のあらゆる面で,LCS-TFは優れた性能を示した。
関連論文リスト
- RLPG: Reinforcement Learning Approach for Dynamic Intra-Platoon Gap
Adaptation for Highway On-Ramp Merging [14.540226579203207]
小隊は、非常に近い距離で一緒に移動する車両のグループを指す。
近年の研究では、高規格道路と高架道路の合流時の交通流に対する極小小小高架区間の影響が明らかにされている。
本稿では,各小隊員の小隊内ギャップを適応的に調整し,交通流を最大化する新しい補強学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-07T07:33:54Z) - 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) - 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) - 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) - Learning to Help Emergency Vehicles Arrive Faster: A Cooperative
Vehicle-Road Scheduling Approach [24.505687255063986]
車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。
道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。
本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
論文 参考訳(メタデータ) (2022-02-20T10:25:15Z) - Multi-agent Reinforcement Learning for Cooperative Lane Changing of
Connected and Autonomous Vehicles in Mixed Traffic [12.350367650610295]
レーン変更は、混合および動的交通シナリオにおける自動運転車(AV)にとって大きな課題である。
本稿では,マルチエージェント強化学習(MARL)問題として,混在高速道路環境における複数のAVの車線変更決定を定式化する。
提案するMARLフレームワークは,効率,安全性,ドライバの快適性という点で,最先端のベンチマークを一貫して上回っている。
論文 参考訳(メタデータ) (2021-11-11T17:17:24Z) - Decentralized Cooperative Lane Changing at Freeway Weaving Areas Using
Multi-Agent Deep Reinforcement Learning [1.6752182911522522]
マージやウィービングエリアなどの高速道路ボトルネックにおける渋滞時の車線変化は、さらに道路の容量を減少させる。
ディープ・リテンション・ラーニング(RL)とコネクテッド・アンド・オートマチック・カー・テクノロジーの出現は、協調車線変更による高速道路のボトルネックにおけるモビリティとエネルギー効率を改善するための解決策となる。
本研究では,多エージェント深部RLパラダイムを用いた分散協調車線切替制御器を開発した。
本研究では, 交通量, 車両速度, 車両当たりの停止数, 燃料効率, 排出エミッションの観点から, 多エージェント深部RLによる協調車線変更は, 運転者にとって優れた性能を示すことを示した。
論文 参考訳(メタデータ) (2021-10-05T18:29:13Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [107.39477297651864]
道路対応交通流磁化器(RATFM)を提案する。
道路網の以前の知識を利用して、きめ細かい交通流の道路認識空間分布を完全に学習する。
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) - 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) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳(メタデータ) (2020-01-22T08:51:05Z)
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。