論文の概要: Radio Resource Management and Path Planning in Intelligent Transportation Systems via Reinforcement Learning for Environmental Sustainability
- arxiv url: http://arxiv.org/abs/2405.08053v1
- Date: Mon, 13 May 2024 16:48:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 16:06:44.619432
- Title: Radio Resource Management and Path Planning in Intelligent Transportation Systems via Reinforcement Learning for Environmental Sustainability
- Title(参考訳): 環境保全のための強化学習によるインテリジェント交通システムにおける無線資源管理と経路計画
- Authors: S. Norouzi, N. Azarasa, M. R. Abedi, N. Mokari, S. E. Seyedabrishami, H. Saeedi, E. A. Jorswieck,
- Abstract要約: 本稿では,経路計画結果を改善するため,情報量(AoI)を最小化する枠組みを提案する。
AoI値が低いV2Iメッセージは、道路容量を推定し、より正確な経路計画を行う際のエラーを少なくする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient and dynamic path planning has become an important topic for urban areas with larger density of connected vehicles (CV) which results in reduction of travel time and directly contributes to environmental sustainability through reducing energy consumption. CVs exploit the cellular wireless vehicle-to-everything (C-V2X) communication technology to disseminate the vehicle-to-infrastructure (V2I) messages to the Base-station (BS) to improve situation awareness on urban roads. In this paper, we investigate radio resource management (RRM) in such a framework to minimize the age of information (AoI) so as to enhance path planning results. We use the fact that V2I messages with lower AoI value result in less error in estimating the road capacity and more accurate path planning. Through simulations, we compare road travel times and volume over capacity (V/C) against different levels of AoI and demonstrate the promising performance of the proposed framework.
- Abstract(参考訳): 都市部における高効率かつダイナミックな経路計画は,移動時間の短縮とエネルギー消費の削減による環境保全に直接貢献するコネクテッドカー(CV)の密度の高い都市部において重要な課題となっている。
CVは、セルラー無線通信技術(C-V2X)を利用して、V2I(V2I)メッセージをベースステーション(BS)に分散し、都市道路の状況認識を改善する。
本稿では,情報(AoI)の年齢を最小化し,経路計画結果を向上するために,そのような枠組みにおける無線資源管理(RRM)について検討する。
AoI値が低いV2Iメッセージは、道路容量を推定し、より正確な経路計画を行う際のエラーを少なくする。
シミュレーションにより,道路走行時間と容量オーバーキャパシティ(V/C)をAoIの異なるレベルと比較し,提案フレームワークの有望な性能を示す。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳(メタデータ) (2024-08-19T08:23:38Z) - Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV Networks [43.443526528832145]
車両間通信(V2X)方式を考慮したRIS支援車両インターネット(IoV)を提案する。
車両間リンク(V2I)のタイムラインと車両間リンク(V2V)の安定性を改善するため,情報量(AoI)モデルとペイロード伝達確率モデルを導入する。
論文 参考訳(メタデータ) (2024-06-17T06:16:07Z) - Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions [6.851243292023835]
交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。
EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
論文 参考訳(メタデータ) (2023-10-19T19:54:47Z) - A Deep RL Approach on Task Placement and Scaling of Edge Resources for Cellular Vehicle-to-Network Service Provisioning [6.625994697789603]
エッジリソースのサービスタスク配置とスケーリングの相互依存問題に対処する。
本稿では,ハイブリッド行動空間に対するDHPG(Deep Reinforcement Learning)アプローチを提案する。
DHPGの性能は、実世界のC-V2Nトラフィックデータセットを用いたシミュレーションにより、いくつかの最先端(SoA)ソリューションに対して評価される。
論文 参考訳(メタデータ) (2023-05-16T22:19:19Z) - Scheduling Out-of-Coverage Vehicular Communications Using Reinforcement
Learning [3.058685580689605]
本稿では,VRLS(Vehicular Reinforcement Learning Scheduler)を提案する。
移動性,ネットワーク負荷,無線チャネル,資源構成の異なるVRLSの性能を評価する。
論文 参考訳(メタデータ) (2022-07-13T22:47:48Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - Urban traffic dynamic rerouting framework: A DRL-based model with
fog-cloud architecture [0.7046417074932257]
本研究では,GAQ(Graph Attention Network - Deep Q Learning)とEBkSP(Entropy Based k Shortest Path)を組み合わせた2段階モデルを提案する。
まず、GAQは、各道路と霧のエリアの交通状況を分析し、その周辺地域と周辺地域の情報に基づいて道路指標を割り当てる。
第2に、EBkSPは車両の優先度と経路人気に基づいて各車両に経路を割り当てる。
論文 参考訳(メタデータ) (2021-10-11T18:15:44Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳(メタデータ) (2021-06-22T15:40:21Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳(メタデータ) (2021-05-28T08:45:37Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。