論文の概要: IncidentResponseGPT: Generating Traffic Incident Response Plans with Generative Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2404.18550v3
- Date: Wed, 24 Jul 2024 23:51:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 19:07:19.668031
- Title: IncidentResponseGPT: Generating Traffic Incident Response Plans with Generative Artificial Intelligence
- Title(参考訳): インシデント応答GPT:生成人工知能を用いた交通事故対応計画の作成
- Authors: Artur Grigorev, Adriana-Simona Mihaita Khaled Saleh, Yuming Ou,
- Abstract要約: IncidentResponseGPT(インシデントレスポンスGPT)は、AI(Generative AI)をトラフィックインシデント応答に適用する新しいシステムである。
交通管理当局の意思決定を迅速化するため、特定地域に適応したインシデント対応計画を作成する。
- 参考スコア(独自算出の注目度): 2.1711205684359247
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The proposed IncidentResponseGPT framework - a novel system that applies generative artificial intelligence (AI) to potentially enhance the efficiency and effectiveness of traffic incident response. This model allows for synthesis of region-specific incident response guidelines and generates incident response plans adapted to specific area, aiming to expedite decision-making for traffic management authorities. This approach aims to accelerate incident resolution times by suggesting various recommendations (e.g. optimal rerouting strategies, estimating resource needs) to minimize the overall impact on the urban traffic network. The system suggests specific actions, including dynamic lane closures, optimized rerouting and dispatching appropriate emergency resources. IncidentResponseGPT employs the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) to rank generated response plans based on criteria like impact minimization and resource efficiency based on their proximity to an human-proposed solution.
- Abstract(参考訳): InductionResponseGPTフレームワーク - 生成人工知能(AI)を適用して、トラフィックインシデント応答の効率性と有効性を高める新しいシステムである。
本モデルでは,交通管理当局の意思決定を迅速化することを目的として,地域固有の事故対応ガイドラインを合成し,特定地域に対応するインシデント対応計画を生成する。
本手法は,都市交通ネットワークの全体的影響を最小限に抑えるため,様々な推奨事項(例えば,最適リルーティング戦略,資源ニーズ推定など)を提案することで,インシデント解決時間を短縮することを目的としている。
このシステムは、動的車線閉鎖、最適化されたリルーティング、適切な緊急リソースの派遣など、特定の行動を提案する。
インシデントレスポンセGPTは、人間に提案されたソリューションに近づいた影響最小化や資源効率といった基準に基づいて、生成した応答計画のランク付けを行う。
関連論文リスト
- Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-05-02T01:36:13Z) - Diffusion-Reinforcement Learning Hierarchical Motion Planning in Adversarial Multi-agent Games [6.532258098619471]
部分的に観察可能なマルチエージェント追従ゲーム(PEG)における回避目標の動作計画タスクに焦点をあてる。
これらの追尾回避問題は、捜索・救助活動や監視ロボットなど、様々な応用に関係している。
環境データに応答するグローバルパスを計画するために,高レベル拡散モデルを統合する階層型アーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-03-16T03:53:55Z) - Multi-objective Optimal Roadside Units Deployment in Urban Vehicular Networks [7.951541004150428]
都市車両網では,交通効率,安全,関連サービスの重要性が増している。
このようなネットワーク内では、道路側ユニット(RSU)が通信を容易にする中間体として機能する。
都市環境においては、建物、庭園、湖沼、その他のインフラなど様々な障害が存在することが、RSUの展開に課題を提起している。
論文 参考訳(メタデータ) (2024-01-14T05:02:12Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳(メタデータ) (2023-10-13T21:26:16Z) - DisasterResponseGPT: Large Language Models for Accelerated Plan of
Action Development in Disaster Response Scenarios [3.42658286826597]
本研究では,Large Language Models (LLMs) を利用して有効な行動計画を生成するアルゴリズムであるDerma ResponseGPTを提案する。
提案手法は数秒で複数のプランを生成し,ユーザのフィードバックに従ってさらに改良することができる。
予備的な結果は,災害対応GPTによって開発された行動計画が人為的な行動に匹敵するものであるとともに,リアルタイムな修正が容易であることを示している。
論文 参考訳(メタデータ) (2023-06-29T19:24:19Z) - Hierarchical Policy Blending as Inference for Reactive Robot Control [34.25379651790627]
ぼんやりした、密集した、ダイナミックな環境における運動生成は、ロボット工学における中心的なトピックである。
反応ポリシーと計画の利点を組み合わせた階層的な動き生成手法を提案する。
平面ナビゲーションと6DoF操作の実験的研究により,提案手法は筋活動制御とオンライン再計画の両方に優れることが示された。
論文 参考訳(メタデータ) (2022-10-14T15:16:54Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳(メタデータ) (2021-12-09T18:03:27Z) - Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。
私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文 参考訳(メタデータ) (2021-11-11T11:31:20Z) - Path Design and Resource Management for NOMA enhanced Indoor Intelligent
Robots [58.980293789967575]
通信可能な屋内知的ロボット(IR)サービスフレームワークを提案する。
室内レイアウトとチャネル状態を決定論的に記述できるレゴモデリング手法が提案されている。
調査対象の無線マップは、強化学習エージェントを訓練するための仮想環境として呼び出される。
論文 参考訳(メタデータ) (2020-11-23T21:45:01Z) - Near-Optimal Reactive Synthesis Incorporating Runtime Information [28.25296947005914]
我々は、動的環境におけるミッション仕様を満たす戦略を計算し、最適な反応性合成の問題を考察する。
実行時にのみ利用可能なタスククリティカルな情報をストラテジー合成に組み込んでパフォーマンスを向上させる。
論文 参考訳(メタデータ) (2020-07-31T14:41:35Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T01:42:55Z)
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。