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
- Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - Analyze Drivers' Intervention Behavior During Autonomous Driving -- A
VR-incorporated Approach [2.7532019227694344]
この研究は、自動運転車の運転に関わる人間のドライバーの介入行動を理解することに光を当てている。
仮想リアリティ(VR)と交通マイクロシミュレーションを統合する実験環境が実装された。
介入の確率、事故率などのパフォーマンス指標が定義され、リスクレベルを定量化し比較するために使用される。
論文 参考訳(メタデータ) (2023-12-04T06:36:57Z) - 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) - Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable
Abnormal Behaviors of Human Drivers via Information Sharing [21.979007506007733]
提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。
最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
論文 参考訳(メタデータ) (2023-08-23T18:24:28Z) - 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) - 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) - 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) - 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。