Fugu-MT 論文翻訳(概要): Exploring the impact of traffic signal control and connected and automated vehicles on intersections safety: A deep reinforcement learning approach

論文の概要: Exploring the impact of traffic signal control and connected and automated vehicles on intersections safety: A deep reinforcement learning approach

arxiv url: http://arxiv.org/abs/2405.19236v1
Date: Wed, 29 May 2024 16:17:19 GMT
ステータス: 処理完了
システム内更新日: 2024-05-30 16:21:56.707988
Title: Exploring the impact of traffic signal control and connected and automated vehicles on intersections safety: A deep reinforcement learning approach
Title（参考訳）: 交通信号制御と連結・自動車両の交差点安全への影響を探る:深層強化学習アプローチ
Authors: Amir Hossein Karbasi, Hao Yang, Saiedeh Razavi,
Abstract要約: この研究は、DQN(Deep Q Network)を用いて、CAVとHuman Drive Vehicles(HDV)の交通信号と運転行動を制御する。これらの結果から,CAVとDQNを併用した交通信号制御による後方・横断競合の大幅な低減が示された。
参考スコア（独自算出の注目度）: 2.681732331705502
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In transportation networks, intersections pose significant risks of collisions due to conflicting movements of vehicles approaching from different directions. To address this issue, various tools can exert influence on traffic safety both directly and indirectly. This study focuses on investigating the impact of adaptive signal control and connected and automated vehicles (CAVs) on intersection safety using a deep reinforcement learning approach. The objective is to assess the individual and combined effects of CAVs and adaptive traffic signal control on traffic safety, considering rear-end and crossing conflicts. The study employs a Deep Q Network (DQN) to regulate traffic signals and driving behaviors of both CAVs and Human Drive Vehicles (HDVs), and uses Time To Collision (TTC) metric to evaluate safety. The findings demonstrate a significant reduction in rear-end and crossing conflicts through the combined implementation of CAVs and DQNs-based traffic signal control. Additionally, the long-term positive effects of CAVs on safety are similar to the short-term effects of combined CAVs and DQNs-based traffic signal control. Overall, the study emphasizes the potential benefits of integrating CAVs and adaptive traffic signal control approaches in order to enhance traffic safety. The findings of this study could provide valuable insights for city officials and transportation authorities in developing effective strategies to improve safety at signalized intersections.
Abstract（参考訳）: 交通ネットワークにおいて、交差点は異なる方向から接近する車両の衝突運動による衝突の重大なリスクを生じさせる。この問題に対処するため、様々なツールが直接的・間接的に交通安全に影響を与える可能性がある。本研究では,適応信号制御とコネクテッド・アンド・オートマチック・車両(CAV)が交差点の安全性に与える影響について,深層強化学習手法を用いて検討する。本研究の目的は,CAVと適応交通信号制御の個人的および複合的な効果が交通安全に与える影響を評価することである。この研究は、DQN(Deep Q Network)を用いて、CAVとHuman Drive Vehicles(HDV)の両方の交通信号と運転行動を調整するとともに、TTC(Time To Collision)測定値を用いて安全性を評価する。これらの結果から,CAVとDQNを併用した交通信号制御による後方・横断競合の大幅な低減が示された。さらに、安全に対するCAVの長期的な効果は、CAVとDQNによる交通信号制御の組み合わせによる短期効果と類似している。この研究は、交通安全を高めるために、CAVと適応的な信号制御アプローチを統合することの潜在的な利点を強調している。本研究の成果は,信号交差点における安全性向上のための効果的な戦略開発において,市役人や交通当局に貴重な洞察を与える可能性がある。

関連論文リスト

MalLight: Influence-Aware Coordinated Traffic Signal Control for Traffic Signal Malfunctions [12.54500040020085]
本稿では,交通信号の故障による悪影響を軽減するために,新しい信号制御フレームワーク(MalLight)を提案する。本研究は,交通信号の故障による課題に対処する強化学習(RL)に基づくアプローチの先駆者となる。
論文参考訳（メタデータ） (2024-08-19T07:57:13Z)
A Conflicts-free, Speed-lossless KAN-based Reinforcement Learning Decision System for Interactive Driving in Roundabouts [17.434924472015812]
本稿では,ラウンドアバウンドにおける安全かつ効率的な運転行動を促進するための学習アルゴリズムを提案する。提案アルゴリズムは、複雑なマルチサイクルラウンドアバウトにおける安全かつ効率的な運転戦略を学習するために、深層Q-ラーニングネットワークを用いる。その結果,本システムは安定したトレーニングプロセスを維持しつつ,安全かつ効率的な運転を実現することができた。
論文参考訳（メタデータ） (2024-08-15T16:10:25Z)
A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文参考訳（メタデータ） (2024-03-11T16:42:29Z)
CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文参考訳（メタデータ） (2023-10-19T02:49:31Z)
Joint Optimization of Traffic Signal Control and Vehicle Routing in Signalized Road Networks using Multi-Agent Deep Reinforcement Learning [19.024527400852968]
信号化道路網における交通信号制御と車両ルーティングの協調最適化手法を提案する。マルチエージェントディープ強化学習(MADRL)を用いた信号タイミングと経路選択を同時に制御することでネットワーク性能を向上させることを目的とする。本研究は,MADRLを用いて信号制御と車両経路の最適結合ポリシーを導出する最初の試みである。
論文参考訳（メタデータ） (2023-10-16T22:10:47Z)
Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文参考訳（メタデータ） (2023-07-05T21:38:36Z)
DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文参考訳（メタデータ） (2023-06-13T05:58:57Z)
SafeLight: A Reinforcement Learning Method toward Collision-free Traffic Signal Control [5.862792724739738]
アメリカの道路事故の4分の1は、信号のタイミングの問題により交差点で発生している。安全強化強化学習法(SafeLight)を提案する。本手法は交通の移動性を高めながら衝突を著しく低減することができる。
論文参考訳（メタデータ） (2022-11-20T05:09:12Z)
Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文参考訳（メタデータ） (2022-10-31T20:12:17Z)
Using UAVs for vehicle tracking and collision risk assessment at intersections [2.090380922731455]
本研究は、道路利用者の移動を追跡し、交差点での衝突の可能性を評価するために、UAVとV2X接続の適用を実証する。提案手法は,ディープラーニングに基づくトラッキングアルゴリズムと時間対衝突タスクを組み合わせたものである。
論文参考訳（メタデータ） (2021-10-11T19:38:24Z)
MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文参考訳（メタデータ） (2021-01-04T03:06:08Z)

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。