論文の概要: Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data

• arxiv url: http://arxiv.org/abs/2401.09666v1
• Date: Thu, 18 Jan 2024 00:50:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 18:10:56.068815
• Title: Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data
• Title（参考訳）: 深部強化学習と実世界軌道データを用いた自動運転車の交通平滑化制御
• Authors: Nathan Lichtl\'e, Kathy Jang, Adit Shah, Eugene Vinitsky, Jonathan W. Lee, Alexandre M. Bayen
• Abstract要約: 我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。 我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。 その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
• 参考スコア（独自算出の注目度）: 45.13152172664334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing traffic-smoothing cruise controllers that can be deployed onto autonomous vehicles is a key step towards improving traffic flow, reducing congestion, and enhancing fuel efficiency in mixed autonomy traffic. We bypass the common issue of having to carefully fine-tune a large traffic microsimulator by leveraging real-world trajectory data from the I-24 highway in Tennessee, replayed in a one-lane simulation. Using standard deep reinforcement learning methods, we train energy-reducing wave-smoothing policies. As an input to the agent, we observe the speed and distance of only the vehicle in front, which are local states readily available on most recent vehicles, as well as non-local observations about the downstream state of the traffic. We show that at a low 4% autonomous vehicle penetration rate, we achieve significant fuel savings of over 15% on trajectories exhibiting many stop-and-go waves. Finally, we analyze the smoothing effect of the controllers and demonstrate robustness to adding lane-changing into the simulation as well as the removal of downstream information.
• Abstract（参考訳）: 自動運転車に展開可能な交通平滑なクルーズコントローラを設計することは、交通の流れを改善し、混雑を低減し、混合自律交通における燃料効率を向上させるための重要なステップである。 我々は、テネシー州のI-24ハイウェイの実際の軌跡データを1車線シミュレーションで再生することにより、大きな交通マイクロシミュレータを慎重に微調整する、という一般的な問題を回避した。 標準の深層強化学習法を用いて, 省エネな波浪運動政策を学習する。 エージェントへのインプットとして,直近の車両で容易に利用できる局所状態である前方の車両のみの速度と距離,および下流の交通状況に関する非局所的な観測を観測する。 我々は低4%の自律走行車侵入速度で、多くの停止波を示す軌道上で15%以上の燃料節約を達成することを示した。 最後に, 制御器の平滑化効果を解析し, シミュレーションに車線変更を加えたり, 下流情報を取り除いたりすることの堅牢性を示す。

関連論文リスト

• Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement Learning in CARLA [0.0]
  このプロジェクトの目的は、深層強化学習技術を用いて、不確実な環境での走行を判断できるように自動運転車を訓練することである。 シミュレータは、自動運転モデルのトレーニングとテストのための現実的で都市環境を提供する。
  論文  参考訳（メタデータ） (2023-10-23T04:23:07Z)
• Deep Reinforcement Learning for the Joint Control of Traffic Light Signaling and Vehicle Speed Advice [8.506271224735029]
  本稿では,交通信号制御と車両速度アドバイスの両方の制御を共同で学習する試みを提案する。 実験では,11のベンチマークシナリオ中8つのシナリオにおいて,共同制御手法により平均走行遅延を低減し,信号機のみを制御する。
  論文  参考訳（メタデータ） (2023-09-18T15:45:22Z)
• Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion [4.934817254755007]
  本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。 エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。 エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
  論文  参考訳（メタデータ） (2023-05-16T16:53:27Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• 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)
• A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State Estimation [20.716261308570555]
  本稿では,革新的なトラフィック状態推定フレームワークを提案する。 入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。 実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
  論文  参考訳（メタデータ） (2022-02-01T06:04:18Z)
• 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)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Courteous Behavior of Automated Vehicles at Unsignalized Intersections via Reinforcement Learning [30.00761722505295]
  深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。 我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
  論文  参考訳（メタデータ） (2021-06-11T13:16:48Z)
• 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)

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。