論文の概要: Adaptive Road Configurations for Improved Autonomous Vehicle-Pedestrian Interactions using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2303.12289v1
• Date: Wed, 22 Mar 2023 03:42:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 15:29:25.727196
• Title: Adaptive Road Configurations for Improved Autonomous Vehicle-Pedestrian Interactions using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた自律走行車とペデストリアンの相互作用改善のための適応道路構成
• Authors: Qiming Ye, Yuxiang Feng, Jose Javier Escribano Macias, Marc Stettler, Panagiotis Angeloudis
• Abstract要約: 本研究では,ROW合成の強化学習(RL)手法について検討する。 道路網構成の動的制御を個別に行うために,集中型パラダイムと分散学習パラダイムを実装した。 実験結果から,提案アルゴリズムは交通流効率を向上し,歩行者により多くの空間を割り当てる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 2.362412515574206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The deployment of Autonomous Vehicles (AVs) poses considerable challenges and unique opportunities for the design and management of future urban road infrastructure. In light of this disruptive transformation, the Right-Of-Way (ROW) composition of road space has the potential to be renewed. Design approaches and intelligent control models have been proposed to address this problem, but we lack an operational framework that can dynamically generate ROW plans for AVs and pedestrians in response to real-time demand. Based on microscopic traffic simulation, this study explores Reinforcement Learning (RL) methods for evolving ROW compositions. We implement a centralised paradigm and a distributive learning paradigm to separately perform the dynamic control on several road network configurations. Experimental results indicate that the algorithms have the potential to improve traffic flow efficiency and allocate more space for pedestrians. Furthermore, the distributive learning algorithm outperforms its centralised counterpart regarding computational cost (49.55\%), benchmark rewards (25.35\%), best cumulative rewards (24.58\%), optimal actions (13.49\%) and rate of convergence. This novel road management technique could potentially contribute to the flow-adaptive and active mobility-friendly streets in the AVs era.
• Abstract（参考訳）: 自律走行車(AV)の配備は、将来の都市道路インフラの設計と管理にかなりの課題とユニークな機会をもたらす。 このディスラプティブ・トランスフォーメーションに照らして、道路空間のRight-Of-Way (ROW) 構成は更新される可能性がある。 この問題に対処するために設計アプローチとインテリジェント制御モデルが提案されているが、リアルタイム需要に応じてavや歩行者の行計画を動的に生成できる運用フレームワークが欠如している。 微視的交通シミュレーションに基づき,ROW合成を進化させる強化学習法(RL)について検討した。 道路網構成の動的制御を個別に行うために,集中型パラダイムと分散学習パラダイムを実装した。 実験の結果,このアルゴリズムは交通流効率を向上し,歩行者により多くの空間を割り当てる可能性が示唆された。 さらに、分散学習アルゴリズムは、計算コスト(49.55\%)、ベンチマーク報酬(25.35\%)、最高累積報酬(24.58\%)、最適行動(13.49\%)、収束率に関する中央集中型学習アルゴリズムよりも優れている。 この新しい道路管理技術は、AVs時代の流動適応的で活発なモビリティに寄与する可能性がある。

関連論文リスト

• A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in Next-gen Networks [1.1586742546971471]
  次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。 交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。 我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
  論文  参考訳（メタデータ） (2024-02-07T01:48:29Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)
• 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)
• 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)
• Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing [0.26249027950824505]
  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。
  論文  参考訳（メタデータ） (2022-06-28T02:46:20Z)
• 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)
• A Reinforcement Learning-based Adaptive Control Model for Future Street Planning, An Algorithm and A Case Study [3.5368898558786768]
  インテリジェントストリートは、道路利用者のための道路右翼(ROW)における意思決定を学習し、改善することができる。 我々は,マルチエージェントのDeep Deterministic Policy Gradient (MADDPG)アルゴリズムに基づくソリューションを開発した。 本モデルでは、路上駐車および車両運転に割り当てられた街路空間において、平均3.87%と6.26%の削減を達成できる。
  論文  参考訳（メタデータ） (2021-12-10T10:32:46Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• Optimising Stochastic Routing for Taxi Fleets with Model Enhanced Reinforcement Learning [32.322091943124555]
  我々は、道路配車サービスのための大規模な車両群のためのルーティングポリシーを最適化することを目指している。 モデルベースディスパッチアルゴリズム,モデルフリー強化学習アルゴリズム,新しいハイブリッドアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2020-10-22T13:55:26Z)

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。