論文の概要: I Open at the Close: A Deep Reinforcement Learning Evaluation of Open Streets Initiatives

• arxiv url: http://arxiv.org/abs/2312.07680v1
• Date: Tue, 12 Dec 2023 19:22:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 17:49:35.240969
• Title: I Open at the Close: A Deep Reinforcement Learning Evaluation of Open Streets Initiatives
• Title（参考訳）: I Open at the Close: A Deep Reinforcement Learning Evaluation of Open Streets Initiatives
• Authors: R. Teal Witter, Lucas Rosenblatt
• Abstract要約: オープンストリートイニシアチブは、歩行者や自転車に道路を「開放」し、車やトラックに閉鎖する。 道路の開き方の選択を強化学習問題として検討する。 我々は、ニューヨーク市のオープンストリートプログラムの街路を、Qラーニングアルゴリズムによって提案された通りと比較する。 Q-ラーニングアルゴリズムによって提案された道路は確実に良い結果が得られるのに対し、プログラムの街路はランダムに選択された通りと同じような結果が得られる。
• 参考スコア（独自算出の注目度）: 4.8951183832371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The open streets initiative "opens" streets to pedestrians and bicyclists by closing them to cars and trucks. The initiative, adopted by many cities across North America, increases community space in urban environments. But could open streets also make cities safer and less congested? We study this question by framing the choice of which streets to open as a reinforcement learning problem. In order to simulate the impact of opening streets, we first compare models for predicting vehicle collisions given network and temporal data. We find that a recurrent graph neural network, leveraging the graph structure and the short-term temporal dependence of the data, gives the best predictive performance. Then, with the ability to simulate collisions and traffic, we frame a reinforcement learning problem to find which streets to open. We compare the streets in the NYC Open Streets program to those proposed by a Q-learning algorithm. We find that the streets proposed by the Q-learning algorithm have reliably better outcomes, while streets in the program have similar outcomes to randomly selected streets. We present our work as a step toward principally choosing which streets to open for safer and less congested cities. All our code and data are available on Github.
• Abstract（参考訳）: オープンストリートイニシアチブは、歩行者や自転車に道路を「開放」し、車やトラックに閉鎖する。 このイニシアチブは北米の多くの都市で採用されており、都市環境におけるコミュニティ空間を拡大している。 しかし、オープンストリートは都市を安全で混雑の少ないものにするのだろうか? 我々は,この課題を強化学習問題として,どの街路が開いているのかを考察する。 道路開放の影響をシミュレートするために,まず,ネットワークと時間データを用いた車両衝突予測モデルを比較した。 グラフ構造とデータの短期的時間的依存性を活かしたリカレントグラフニューラルネットワークは,最適な予測性能を与える。 そして、衝突や交通をシミュレートする能力により、強化学習問題をフレーム化し、どの通りが開いているかを見つける。 ニューヨーク市オープンストリートプログラムの街路をqラーニングアルゴリズムによって提案された街路と比較する。 Q-ラーニングアルゴリズムによって提案された道路は確実に良い結果が得られるのに対し、プログラムの街路はランダムに選択された通りと同じような結果が得られる。 我々は、安全で混雑の少ない都市のためにどの道路を開かを選ぶためのステップとして、我々の仕事を提示する。 すべてのコードとデータはgithubから入手できます。

関連論文リスト

• MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
  最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。 公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。 本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
  論文  参考訳（メタデータ） (2024-07-11T17:56:49Z)
• Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
  On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。 我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
  論文  参考訳（メタデータ） (2024-06-30T04:21:46Z)
• LidaRF: Delving into Lidar for Neural Radiance Field on Street Scenes [73.65115834242866]
  光リアリスティックシミュレーションは、自律運転のようなアプリケーションにおいて重要な役割を果たす。 しかし, コリニアカメラの動作やスペーサーのサンプリングにより, 街路景観の再現性は低下する。 街路面のNeRF品質を改善するために,Lidarデータのより優れた利用を可能にするいくつかの知見を提案する。
  論文  参考訳（メタデータ） (2024-05-01T23:07:12Z)
• Large-Scale Auto-Regressive Modeling Of Street Networks [35.288935247546995]
  本稿では,都市規模の道路レイアウト作成のための新しい生成手法を提案する。 本フレームワークは,完全街路網を表す頂点と辺からなる高品質な大規模トラバーサブルグラフを生成する。 OpenStreetMapのデータを使って、私たちは都市全体、さらには米国などの大国でも、私たちのシステムをトレーニングし、最終的に最先端のアートと比較します。
  論文  参考訳（メタデータ） (2022-09-01T07:58:31Z)
• Predicting the impact of urban change in pedestrian and road safety [0.0]
  近年の研究では、畳み込みニューラルネットワークがストリートビューの画像を利用した事故発生率を正確に予測できることが示されている。 事故発生に対する都市介入の影響(増加または減少)を自動的に予測する方法を詳述する。 交通ネットワークの基盤(サイドウォークとロードネットワーク)とその需要を考えると,これらの結果を複雑なネットワークフレームワークに統合する。
  論文  参考訳（メタデータ） (2022-02-03T10:37:51Z)
• A Reinforcement Learning-based Adaptive Control Model for Future Street Planning, An Algorithm and A Case Study [3.5368898558786768]
  インテリジェントストリートは、道路利用者のための道路右翼(ROW)における意思決定を学習し、改善することができる。 我々は,マルチエージェントのDeep Deterministic Policy Gradient (MADDPG)アルゴリズムに基づくソリューションを開発した。 本モデルでは、路上駐車および車両運転に割り当てられた街路空間において、平均3.87%と6.26%の削減を達成できる。
  論文  参考訳（メタデータ） (2021-12-10T10:32:46Z)
• The ubiquitous efficiency of going further: how street networks affect travel speed [0.0]
  道路交通標識による道路の減速点のパターンが自動車から発生する軌跡に与える影響を理解するため,世界中の200以上の都市を対象に調査を行った。 都市内における最適軌跡の時間と距離の間には, ユビキタスな非線形関係があることを実証する。
  論文  参考訳（メタデータ） (2021-11-15T14:38:06Z)
• 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)
• 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)
• End-to-End Deep Structured Models for Drawing Crosswalks [98.9901717499058]
  我々は、両方の入力を地上に投影し、シーンのトップダウンビューを生成します。 次に,畳み込みニューラルネットワークを用いて横断歩道の位置に関する意味的手がかりを抽出する。 大都市での横断歩道実験では96.6%の自動化が可能であった。
  論文  参考訳（メタデータ） (2020-12-21T18:59:08Z)
• DeepStreet: A deep learning powered urban street network generation module [5.9511351322709904]
  本研究では,街路網の自動生成のための新しいディープラーニング方式DeepStreet(DS)を提案する。 DSはCNN(Convolutional Neural Network)によって駆動される。 その結果,(1)バルセロナの複雑な街路パターンの検知と自己クラスタ化が可能であること,(2)格子状と不規則な街路ネットワークの両方を予測できることがわかった。
  論文  参考訳（メタデータ） (2020-10-09T04:27:41Z)

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。