論文の概要: Deep Reinforcement Learning for the Joint Control of Traffic Light
Signaling and Vehicle Speed Advice
- arxiv url: http://arxiv.org/abs/2309.09881v1
- Date: Mon, 18 Sep 2023 15:45:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 12:29:07.508252
- Title: Deep Reinforcement Learning for the Joint Control of Traffic Light
Signaling and Vehicle Speed Advice
- Title（参考訳）: 交通信号信号と車両速度アドバイスの協調制御のための深層強化学習
- Authors: Johannes V. S. Busch, Robert Voelckner, Peter Sossalla, Christian L.
Vielhaus, Roberto Calandra, Frank H. P. Fitzek
- Abstract要約: 本稿では,交通信号制御と車両速度アドバイスの両方の制御を共同で学習する試みを提案する。
実験では,11のベンチマークシナリオ中8つのシナリオにおいて,共同制御手法により平均走行遅延を低減し,信号機のみを制御する。
- 参考スコア（独自算出の注目度）: 8.506271224735029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic congestion in dense urban centers presents an economical and
environmental burden. In recent years, the availability of vehicle-to-anything
communication allows for the transmission of detailed vehicle states to the
infrastructure that can be used for intelligent traffic light control. The
other way around, the infrastructure can provide vehicles with advice on
driving behavior, such as appropriate velocities, which can improve the
efficacy of the traffic system. Several research works applied deep
reinforcement learning to either traffic light control or vehicle speed advice.
In this work, we propose a first attempt to jointly learn the control of both.
We show this to improve the efficacy of traffic systems. In our experiments,
the joint control approach reduces average vehicle trip delays, w.r.t.
controlling only traffic lights, in eight out of eleven benchmark scenarios.
Analyzing the qualitative behavior of the vehicle speed advice policy, we
observe that this is achieved by smoothing out the velocity profile of vehicles
nearby a traffic light. Learning joint control of traffic signaling and speed
advice in the real world could help to reduce congestion and mitigate the
economical and environmental repercussions of today's traffic systems.
- Abstract（参考訳）: 密集した都市部の交通渋滞は経済的・環境的な負担をもたらす。
近年では、車両間通信が利用可能になり、インテリジェントな光制御に使用できるインフラへの詳細な車両状態の送信が可能になる。
反対に、インフラは、適切な速度などの運転行動に関するアドバイスを車両に提供することで、交通システムの有効性を向上させることができる。
いくつかの研究は、交通信号の制御や車両速度のアドバイスに深い強化学習を適用した。
本研究では,両者の制御を共同学習する最初の試みを提案する。
我々は、交通システムの有効性を改善するためにこれを示す。
実験では,11のベンチマークシナリオ中8つのシナリオにおいて,共同制御手法により平均走行遅延を低減し,信号機のみを制御する。
車両の速度アドバイスポリシの定性的挙動を解析した結果,信号機近傍の車両の速度分布をスムーズにすることで実現可能であることがわかった。
現実世界における交通信号の協調制御と速度アドバイスの学習は、混雑を減らし、今日の交通システムの経済的および環境的な影響を軽減するのに役立つ。
関連論文リスト
- MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning [13.369840354712021]
MoveLightは移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである。
詳細なリアルタイムデータと高度な機械学習技術を活用することで、MoveLightは従来の信号制御手法の限界を克服する。
論文 参考訳（メタデータ） (2024-07-24T14:17:16Z) - 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) - Traffic Smoothing Controllers for Autonomous Vehicles Using Deep
Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。
我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。
その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
論文 参考訳（メタデータ） (2024-01-18T00:50:41Z) - 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 [36.059560636577146]
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。
論文 参考訳（メタデータ） (2023-01-12T21:09:58Z) - 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) - 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) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳（メタデータ） (2020-11-21T09:43:50Z) - iTV: Inferring Traffic Violation-Prone Locations with Vehicle
Trajectories and Road Environment Data [12.715237421592624]
本研究では,大規模車両軌跡データと環境データに基づいて,都市部における交通違反発生箇所を推定する枠組みを提案する。
提案手法の有効性を評価するため,中国2都市から収集した大規模・現実世界の車両軌道について広範な研究を行った。
論文 参考訳（メタデータ） (2020-05-09T08:52:43Z)
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。