論文の概要: Dyna-Style Learning with A Macroscopic Model for Vehicle Platooning in Mixed-Autonomy Traffic

• arxiv url: http://arxiv.org/abs/2405.02062v1
• Date: Fri, 3 May 2024 12:44:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 12:55:53.314019
• Title: Dyna-Style Learning with A Macroscopic Model for Vehicle Platooning in Mixed-Autonomy Traffic
• Title（参考訳）: 混合自律走行における車両プラトゥーニングのためのマクロモデルを用いたダイナスタイル学習
• Authors: Yichuan Zou, Li Jin, Xi Xiong,
• Abstract要約: コネクテッド・自動運転車(CAV)のプラトゥーイングは、ハイウェイの近代化において重要な役割を担い、効率と安全性の向上に寄与する。 本稿では, スマートハイウェイにおける小隊化の重要性を考察し, 結合偏微分方程式 (PDE) と常微分方程式 (ODE) モデルを用いて検討する。 本研究は,小隊制御に適したDynaスタイルの計画学習フレームワークの開発に焦点をあてる。
• 参考スコア（独自算出の注目度）: 8.199735228589766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Platooning of connected and autonomous vehicles (CAVs) plays a vital role in modernizing highways, ushering in enhanced efficiency and safety. This paper explores the significance of platooning in smart highways, employing a coupled partial differential equation (PDE) and ordinary differential equation (ODE) model to elucidate the complex interaction between bulk traffic flow and CAV platoons. Our study focuses on developing a Dyna-style planning and learning framework tailored for platoon control, with a specific goal of reducing fuel consumption. By harnessing the coupled PDE-ODE model, we improve data efficiency in Dyna-style learning through virtual experiences. Simulation results validate the effectiveness of our macroscopic model in modeling platoons within mixed-autonomy settings, demonstrating a notable $10.11\%$ reduction in vehicular fuel consumption compared to conventional approaches.
• Abstract（参考訳）: コネクテッド・自動運転車(CAV)のプラトゥーイングは、ハイウェイの近代化において重要な役割を担い、効率と安全性の向上に寄与する。 本稿では, バルク交通流とCAVプラトンとの複雑な相互作用を解明するために, 結合偏微分方程式 (PDE) と常微分方程式 (ODE) モデルを用いて, スマートハイウェイにおける小隊化の重要性を考察する。 本研究は,小隊制御に適したDynaスタイルの計画学習フレームワークの開発に焦点をあてる。 結合されたPDE-ODEモデルを利用することで、仮想体験を通してDynaスタイルの学習におけるデータ効率を向上させる。 シミュレーションの結果, 混合自律環境下でのプラトンモデリングにおけるマクロモデルの有効性が検証された。

関連論文リスト

• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• A Nested Graph Reinforcement Learning-based Decision-making Strategy for Eco-platooning [15.543020132680997]
  大規模な混合プラトンでは、車両の不均一性と予測不可能な交通条件が仮想ボトルネックを引き起こす。 ネストグラフ強化学習に基づく意思決定戦略を導入する。 この戦略は協調的な意思決定を改善し、エネルギー効率を確保し、混雑を軽減する。
  論文  参考訳（メタデータ） (2024-08-14T14:18:51Z)
• Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments [16.587883982785]
  自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。 従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。 本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-17T06:32:52Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing [6.004901615052089]
  車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。 フェデレートラーニング(Federated Learning, FL)は、コラボレーティブモデルトレーニングとアグリゲーションを促進する基礎技術のひとつである。 ASFV(Adaptive Split Federated Learning scheme for Vehicular Edge Computing) を開発した。
  論文  参考訳（メタデータ） (2024-05-29T02:34:38Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• Modeling Adaptive Platoon and Reservation Based Autonomous Intersection Control: A Deep Reinforcement Learning Approach [0.0]
  本研究では, 深部強化学習(DRL)技術を利用した適応型小隊型自律交叉制御モデルを提案する。 交通マイクロシミュレータ上での試験では, 走行効率, 燃料保存性能が, 最先端の手法と比較して優れていた。
  論文  参考訳（メタデータ） (2022-06-24T08:50:36Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)

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。