論文の概要: Beyond Simulated Drivers: Evaluating the Impact of Real-World Car-Following in Mixed Traffic Control

• arxiv url: http://arxiv.org/abs/2311.12261v1
• Date: Tue, 21 Nov 2023 00:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 02:31:11.787318
• Title: Beyond Simulated Drivers: Evaluating the Impact of Real-World Car-Following in Mixed Traffic Control
• Title（参考訳）: シミュレーション運転者を超えて:混合交通制御における実車追従の影響評価
• Authors: Bibek Poudel and Weizi Li
• Abstract要約: 人間が運転する車両は、自然に発生する交通の摂動を増幅し、渋滞と燃料消費の増加につながる。 これまでの研究では、一部のロボット車両(RV)がこれらの問題を緩和できることが強調されている。 実世界の人間の運転軌跡を解析し,自動車追従時の幅広い加速度挙動を抽出する。 次に、これらの挙動をシミュレーションに組み込んで、先行研究のRVを用いて渋滞を緩和する。
• 参考スコア（独自算出の注目度）: 2.2934536128870113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human-driven vehicles can amplify naturally occurring perturbations in traffic, leading to congestion and consequently increased fuel consumption, higher collision risks, and reduced capacity utilization. While previous research has highlighted that a fraction of Robot Vehicles (RVs) can mitigate these issues, they often rely on simulations with simplistic, model-based Human-driven Vehicles (HVs) during car-following scenarios. Diverging from this trend, in this study, we analyze real-world human driving trajectories, extracting a wide range of acceleration behaviors during car-following. We then incorporate these behaviors in simulation where RVs from prior studies are employed to mitigate congestion, and evaluate their safety, efficiency, and stability. Further, we also introduce a reinforcement learning based RV that utilizes a congestion stage classifier neural network to optimize either "safety+stability" or "efficiency" in the presence of the diverse human driving behaviors. We evaluate the proposed RVs in two different mixed traffic control environments at various densities, configurations, and penetration rates and compare with the existing RVs.
• Abstract（参考訳）: 人間の運転する車両は、交通の自然発生の摂動を増幅し、渋滞を引き起こし、結果として燃料消費が増加し、衝突リスクが高まり、容量利用が減少する。 これまでの研究では、一部のロボット車両(rvs)はこれらの問題を軽減できるが、車追従シナリオにおいて、単純化されたモデルベースの人間駆動車両(hvs)によるシミュレーションに依存することが多い。 本研究では,この傾向から脱却した実世界の運転軌跡を解析し,車追従時の幅広い加速度特性を抽出した。 次に,これらの挙動をシミュレーションに取り入れ,先行研究から得られたrsvを用いて混雑を緩和し,安全性,効率,安定性を評価する。 また,多種多様な運転行動が存在する場合の「安全+安定性」あるいは「効率」を最適化するために,混雑段階分類器ニューラルネットワークを用いた強化学習に基づくRVを導入する。 提案したRVを,様々な密度,構成,浸透率の異なる混合交通制御環境において評価し,既存のRVと比較した。

関連論文リスト

• CAV-AHDV-CAV: Mitigating Traffic Oscillations for CAVs through a Novel Car-Following Structure and Reinforcement Learning [8.63981338420553]
  Connected and Automated Vehicles (CAVs)は、CAVとHuman-Driven Vehicles (HDVs)の混合交通の課題に対して、有望な解決策を提供する。 HDVは限られた情報に依存しているが、CAVは意思決定を改善するために他のCAVのデータを利用することができる。 本稿では2つのCAV間のHDVのシーケンスを1つのエンティティとして扱う「CAV-AHDV-CAV」カーフォローフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-23T15:38:29Z)
• Queue-based Eco-Driving at Roundabouts with Reinforcement Learning [0.0]
  我々は、交通の流れと交通効率を高めるために、混在する交通のラウンドアバウンドでエコ運転に対処する。 我々はルールベースと強化学習ベースのエコ自動運転システムという2つのアプローチを開発した。 その結果、どちらのアプローチもベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-05-01T16:48:28Z)
• Reinforcement Learning with Latent State Inference for Autonomous On-ramp Merging under Observation Delay [6.0111084468944]
  遅延状態推論・安全制御(L3IS)エージェントを用いたレーンキーピング・レーンチェンジについて紹介する。 L3ISは、周囲の車両の意図や運転スタイルに関する包括的な知識を必要とせずに、オンランプのマージ作業を安全に行うように設計されている。 本稿では,観測遅延を考慮に入れたAL3ISというエージェントを改良し,実環境においてより堅牢な決定を行えるようにした。
  論文  参考訳（メタデータ） (2024-03-18T15:02:46Z)
• Autonomous and Human-Driven Vehicles Interacting in a Roundabout: A Quantitative and Qualitative Evaluation [34.67306374722473]
  我々は,イタリア・ミラノのラウンドアバウンドにおいて,交通渋滞を最小限に抑え,汚染を最小限に抑える政策を学ぶ。 最先端のコックピットを用いて学習方針を定性的に評価し,実世界に近い環境下での性能を評価する。 以上の結果から,ヒト駆動車両はAVの動態を最適化することの利点が示唆された。
  論文  参考訳（メタデータ） (2023-09-15T09:02:16Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• 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)
• Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
  半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。 新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。 エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
  論文  参考訳（メタデータ） (2023-04-23T16:01:36Z)
• 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)
• 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)
• Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
  都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。 非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。 多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
  論文  参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。