論文の概要: HumanLight: Incentivizing Ridesharing via Human-centric Deep Reinforcement Learning in Traffic Signal Control

• arxiv url: http://arxiv.org/abs/2304.03697v1
• Date: Wed, 5 Apr 2023 17:42:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 11:37:23.452805
• Title: HumanLight: Incentivizing Ridesharing via Human-centric Deep Reinforcement Learning in Traffic Signal Control
• Title（参考訳）: HumanLight: 交通信号制御における人間中心の深層強化学習によるライドシェアリングのインセンティブ
• Authors: Dimitris M. Vlachogiannis, Hua Wei, Scott Moura, Jane Macfarlane
• Abstract要約: 本稿では,新しい分散適応型信号制御アルゴリズムHumanLightを提案する。 提案する制御器は,人体レベルでの輸送にインスパイアされた圧力の概念を組み込んだ報酬関数を組み込んだ強化学習に基づいて構築されている。 HOVの通勤者に1回の乗車で旅行時間節約を施すことで、HumanLightはグリーンタイムの均等な割り当てを実現している。
• 参考スコア（独自算出の注目度）: 3.402002554852499
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single occupancy vehicles are the most attractive transportation alternative for many commuters, leading to increased traffic congestion and air pollution. Advancements in information technologies create opportunities for smart solutions that incentivize ridesharing and mode shift to higher occupancy vehicles (HOVs) to achieve the car lighter vision of cities. In this study, we present HumanLight, a novel decentralized adaptive traffic signal control algorithm designed to optimize people throughput at intersections. Our proposed controller is founded on reinforcement learning with the reward function embedding the transportation-inspired concept of pressure at the person-level. By rewarding HOV commuters with travel time savings for their efforts to merge into a single ride, HumanLight achieves equitable allocation of green times. Apart from adopting FRAP, a state-of-the-art (SOTA) base model, HumanLight introduces the concept of active vehicles, loosely defined as vehicles in proximity to the intersection within the action interval window. The proposed algorithm showcases significant headroom and scalability in different network configurations considering multimodal vehicle splits at various scenarios of HOV adoption. Improvements in person delays and queues range from 15% to over 55% compared to vehicle-level SOTA controllers. We quantify the impact of incorporating active vehicles in the formulation of our RL model for different network structures. HumanLight also enables regulation of the aggressiveness of the HOV prioritization. The impact of parameter setting on the generated phase profile is investigated as a key component of acyclic signal controllers affecting pedestrian waiting times. HumanLight's scalable, decentralized design can reshape the resolution of traffic management to be more human-centric and empower policies that incentivize ridesharing and public transit systems.
• Abstract（参考訳）: 単一占有車両は多くの通勤者にとって最も魅力的な輸送手段であり、交通渋滞と大気汚染の増加につながっている。 情報技術の進歩は、都市における自動車のより軽いビジョンを実現するために、ライドシェアリングと、より高い占有率の車両(hov)へのモードシフトをインセンティブにするスマートソリューションの機会を生み出します。 本研究では,交差点でのスループットを最適化する分散型適応型信号制御アルゴリズムであるHumanLightを提案する。 提案するコントローラは,人間レベルでの圧力の概念を組み込んだ報酬関数を組み込んだ強化学習を基盤としている。 HOVの通勤者に1回の乗車で旅行時間節約を施すことで、HumanLightはグリーンタイムの均等な割り当てを実現している。 最先端(sota)ベースモデルであるfrapの採用とは別に、humanlightでは、アクションインターバルウィンドウ内の交差点に近い車両として、ゆるやかに定義されたアクティブカーの概念を導入している。 提案アルゴリズムは,HOV導入の様々なシナリオにおいて,マルチモーダル車両の分割を考慮した異なるネットワーク構成のヘッドルームとスケーラビリティを示す。 人事遅延や待ち行列の改善は、車両レベルのSOTAコントローラと比較して15%から55%以上である。 異なるネットワーク構造に対するRLモデルの定式化におけるアクティブカーの導入の影響を定量化する。 また、HumanLightはHOV優先順位付けの攻撃性を制御できる。 歩行者待ち時間に影響を与える非循環信号制御装置のキーコンポーネントとしてパラメータ設定が生成相プロファイルに与える影響を検討した。 HumanLightのスケーラブルで分散化された設計は、交通管理の解決をより人間中心にし、ライドシェアリングと公共交通システムにインセンティブを与えるポリシーに再形成することができる。

関連論文リスト

• 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)
• Learning to Control and Coordinate Mixed Traffic Through Robot Vehicles at Complex and Unsignalized Intersections [33.0086333735748]
  本稿では,実世界の複雑な交差点におけるRVによる混在トラフィックの制御と調整のためのマルチエージェント強化学習手法を提案する。 本手法は,1時間あたり700台の車両の現実的な交通需要の下で,わずか5%のRVを経由した渋滞発生を防止する。 提案手法は,ブラックアウトイベント,突然のRVパーセンテージ低下,V2V通信エラーに対して堅牢である。
  論文  参考訳（メタデータ） (2023-01-12T21:09:58Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• 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)
• Eco-driving for Electric Connected Vehicles at Signalized Intersections: A Parameterized Reinforcement Learning approach [6.475252042082737]
  本稿では、強化学習(RL)に基づく電気連系車両(CV)のエコ駆動フレームワークを提案する。 我々の戦略は、他の人間駆動車(HDV)を中断することなく適切な行動スキームを学習することで、エネルギー消費を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2022-06-24T04:11:28Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• 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)
• 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)
• 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)
• 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。