Fugu-MT 論文翻訳(概要): A DRL solution to help reduce the cost in waiting time of securing a traffic light for cyclists

論文の概要: A DRL solution to help reduce the cost in waiting time of securing a traffic light for cyclists

arxiv url: http://arxiv.org/abs/2311.13905v2
Date: Mon, 8 Apr 2024 13:31:25 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 02:06:00.501641
Title: A DRL solution to help reduce the cost in waiting time of securing a traffic light for cyclists
Title（参考訳）: 自転車用信号の確保に要する待ち時間削減のためのDRLソリューション
Authors: Lucas Magnana, Hervé Rivano, Nicolas Chiabaut,
Abstract要約: サイクリストは、それらをモーター化された交通から切り離すインフラを使うのを好む。交通信号を使って自動車と自転車の流れを分離し、自転車固有のグリーンフェーズを追加すれば、軽量で安価なソリューションになる。本稿では,信号機のグリーン位相サイクルを交通に適応させる深層強化学習ソリューションを提案する。
参考スコア（独自算出の注目度）: 1.0159205678719043
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cyclists prefer to use infrastructure that separates them from motorized traffic. Using a traffic light to segregate car and bike flows, with the addition of bike-specific green phases, is a lightweight and cheap solution that can be deployed dynamically to assess the opportunity of a heavier infrastructure such as a separate bike lane. To compensate for the increased waiting time induced by these new phases, we introduce in this paper a deep reinforcement learning solution that adapts the green phase cycle of a traffic light to the traffic. Vehicle counter data are used to compare the DRL approach with the actuated traffic light control algorithm over whole days. Results show that DRL achieves better minimization of vehicle waiting time at almost all hours. Our DRL approach is also robust to moderate changes in bike traffic. The code of this paper is available at https://github.com/LucasMagnana/A-DRL-solution-to-help-reduce-the-cost-in-waiting-time-of-securing-a -traffic-light-for-cyclists.
Abstract（参考訳）: サイクリストは、それらをモーター化された交通から切り離すインフラを使うのを好む。交通信号を使って自動車と自転車の流れを分離し、自転車固有のグリーンフェーズを追加することで、自転車レーンのような重いインフラの機会を評価するために、動的に展開できる軽量で安価なソリューションである。本稿では,これらの新しい位相による待ち時間の増大を補うため,信号機のグリーン位相サイクルを交通に適応させる深層強化学習ソリューションを提案する。車両カウンタデータは、DRLアプローチとアクティベートされた信号制御アルゴリズムを1日中比較するために使用される。その結果、DRLは、ほぼ全時間で車両待ち時間の最小化を達成できることがわかった。私たちのDRLアプローチは、自転車のトラフィックの適度な変化に対しても堅牢です。本論文のコードはhttps://github.com/LucasMagnana/A-DRL-solution-to-help-reduce-the-cost-in-await-of-securing-a-traffi c-light-for-cyclistsで公開されている。

関連論文リスト

A Benchmark Environment for Offline Reinforcement Learning in Racing Games [54.83171948184851]
オフライン強化学習(英語: Offline Reinforcement Learning、ORL)は、従来の強化学習(RL)の高サンプリング複雑さを減らすための有望なアプローチである。本稿では,ORL研究のための新しい環境であるOfflineManiaを紹介する。 TrackManiaシリーズにインスパイアされ、Unity 3Dゲームエンジンで開発された。
論文参考訳（メタデータ） (2024-07-12T16:44:03Z)
Quantum Annealing Approach for the Optimal Real-time Traffic Control using QUBO [17.027096728412758]
交通渋滞は都市部の主要な問題の一つである。渋滞を緩和するために交通の流れを制御する方法が交通研究の中心的な問題の一つとなっている。
論文参考訳（メタデータ） (2024-03-14T01:24:19Z)
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)
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)
HumanLight: Incentivizing Ridesharing via Human-centric Deep Reinforcement Learning in Traffic Signal Control [3.402002554852499]
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。
論文参考訳（メタデータ） (2023-04-05T17:42:30Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
EMVLight: A Decentralized Reinforcement Learning Framework for EfficientPassage of Emergency Vehicles [8.91479401538491]
救急車(EMV)は、都市部における救急医療や火災発生などの時間的危機に対応する上で重要な役割を担っている。 EMVの走行時間を短縮するために、過去の交通フローデータと最適な経路に基づく信号プリエンプションに基づいて経路最適化を行った。動的ルーティングと信号制御を同時に行うための分散強化学習フレームワークであるEMVLightを提案する。
論文参考訳（メタデータ） (2021-09-12T04:21:50Z)
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)
Dynamic Bicycle Dispatching of Dockless Public Bicycle-sharing Systems using Multi-objective Reinforcement Learning [79.61517670541863]
ドッキングレスPBS(DL-PBS)に欠かせない動的自転車レンタル需要に基づく効率的な自転車配車ソリューションを実現するためのAIの活用 DL-PBSに最適な自転車ディスパッチソリューションを提供するために、マルチオブジェクト強化学習(MORL-BD)に基づく動的自転車ディスパッチアルゴリズムを提案します。
論文参考訳（メタデータ） (2021-01-19T03:09:51Z)
PDLight: A Deep Reinforcement Learning Traffic Light Control Algorithm with Pressure and Dynamic Light Duration [5.585321463602587]
PRCOL(Pressure with Retaining Capacity of Outgoing Lane)として新たな報酬を付与した深部強化学習(DRL)トラヒック光制御アルゴリズムPDlightを提案する。 PRCOLは、交通制御アルゴリズムで使用される圧力に対する改善として、入車車線の車両数だけでなく、出車線の残りの容量も考慮している。
論文参考訳（メタデータ） (2020-09-29T01:07:49Z)

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。