論文の概要: Scalable Decentralized Cooperative Platoon using Multi-Agent Deep
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2312.06858v1
- Date: Mon, 11 Dec 2023 22:04:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 17:56:42.449160
- Title: Scalable Decentralized Cooperative Platoon using Multi-Agent Deep
Reinforcement Learning
- Title(参考訳): 多エージェント深部強化学習を用いたスケーラブル分散協調プラトン
- Authors: Ahmed Abdelrahman, Omar M. Shehata, Yarah Basyoni, and Elsayed I.
Morgan
- Abstract要約: 本稿では,交通流と安全を向上する車両小隊方式を提案する。
Unity 3Dゲームエンジンで深層強化学習を用いて開発されている。
提案した小隊モデルは、スケーラビリティ、分散化、ポジティブな協力の促進に重点を置いている。
- 参考スコア(独自算出の注目度): 2.5499055723658097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cooperative autonomous driving plays a pivotal role in improving road
capacity and safety within intelligent transportation systems, particularly
through the deployment of autonomous vehicles on urban streets. By enabling
vehicle-to-vehicle communication, these systems expand the vehicles
environmental awareness, allowing them to detect hidden obstacles and thereby
enhancing safety and reducing crash rates compared to human drivers who rely
solely on visual perception. A key application of this technology is vehicle
platooning, where connected vehicles drive in a coordinated formation. This
paper introduces a vehicle platooning approach designed to enhance traffic flow
and safety. Developed using deep reinforcement learning in the Unity 3D game
engine, known for its advanced physics, this approach aims for a high-fidelity
physical simulation that closely mirrors real-world conditions. The proposed
platooning model focuses on scalability, decentralization, and fostering
positive cooperation through the introduced predecessor-follower "sharing and
caring" communication framework. The study demonstrates how these elements
collectively enhance autonomous driving performance and robustness, both for
individual vehicles and for the platoon as a whole, in an urban setting. This
results in improved road safety and reduced traffic congestion.
- Abstract(参考訳): 協調自動運転は、特に都市部に自動運転車を配備することで、インテリジェント交通システムにおける道路容量と安全性を向上させる上で重要な役割を担っている。
車両間通信を可能にすることで、これらのシステムは車両の環境意識を拡大し、隠れた障害物を検知し、視覚的にのみ依存する人間ドライバーと比較して安全性と衝突率の低下を可能にする。
この技術の重要な応用は車両小隊であり、連結車両は協調した形態で運転する。
本稿では,交通流と安全を向上する車両小隊方式を提案する。
高度な物理で知られているUnity 3Dゲームエンジンの深部強化学習を用いて開発されたこのアプローチは、現実世界の条件を忠実に反映した高忠実度物理シミュレーションを目指している。
提案手法は,前任者によるコミュニケーションフレームワーク「共有とケア」を通じて,スケーラビリティ,分散化,積極的な協調を促進することに焦点を当てたものである。
この研究は、これらの要素が都市環境で、個々の車両と小隊全体の自律走行性能とロバスト性をどのように向上させるかを示す。
これにより道路の安全が向上し、交通渋滞が減少する。
関連論文リスト
- Learning Driver Models for Automated Vehicles via Knowledge Sharing and
Personalization [2.07180164747172]
本稿では,自動車間の知識共有とパーソナライゼーションを通じて,自動走行車(AV)ドライバモデルを学習するためのフレームワークについて述べる。
インテリジェントな輸送システム、交通管理、車両間通信など、輸送工学にまたがるいくつかの応用を見出している。
論文 参考訳(メタデータ) (2023-08-31T17:18:15Z) - 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) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳(メタデータ) (2023-03-08T00:48:32Z) - 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) - Intelligent Perception System for Vehicle-Road Cooperation [0.0]
自動車と道路の協調自動運転技術は、車両の認識範囲を広げ、視覚障害領域を補完し、知覚精度を向上させることができる。
このプロジェクトでは主にライダーを用いて、車両と道路機器データの共有と組み合わせを実現し、動的目標の検出と追跡を実現するためにデータ融合スキームを開発する。
論文 参考訳(メタデータ) (2022-08-30T08:10:34Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - 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) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳(メタデータ) (2022-03-04T16:14:33Z) - Human-Vehicle Cooperative Visual Perception for Shared Autonomous
Driving [9.537146822132904]
本稿では、共有自動運転の視覚知覚能力を高めるために、人車協調視覚認識法を提案する。
移動学習に基づいて、物体検出のmAPは75.52%に達し、視覚融合の基礎となる。
本研究は、実世界の複雑な交通紛争シナリオにおける共有自動運転と実験のための協調的視覚知覚ソリューションの先駆者である。
論文 参考訳(メタデータ) (2021-12-17T03:17:05Z) - Efficient Connected and Automated Driving System with Multi-agent Graph
Reinforcement Learning [22.369111982782634]
最近、コネクテッド・アンド・オートマチック・ビークル(CAV)が注目を集めている。
我々は,各自動走行車両が相互に協力関係を学べるようにすることで,交通システム全体の成果を改善する方法に焦点をあてる。
論文 参考訳(メタデータ) (2020-07-06T14:55:48Z) - Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。
提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
論文 参考訳(メタデータ) (2020-01-03T11:16:41Z)
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。