Fugu-MT 論文翻訳(概要): Decentralized Semantic Traffic Control in AVs Using RL and DQN for Dynamic Roadblocks

論文の概要: Decentralized Semantic Traffic Control in AVs Using RL and DQN for Dynamic Roadblocks

arxiv url: http://arxiv.org/abs/2406.18741v1
Date: Wed, 26 Jun 2024 20:12:48 GMT
ステータス: 処理完了
システム内更新日: 2024-06-28 15:56:54.521751
Title: Decentralized Semantic Traffic Control in AVs Using RL and DQN for Dynamic Roadblocks
Title（参考訳）: 動的道路ブロックのためのRLとDQNを用いたAVにおける分散型セマンティックトラヒック制御
Authors: Emanuel Figetakis, Yahuza Bello, Ahmed Refaey, Abdallah Shami,
Abstract要約: 車両自体にセマンティックエンコーディングの責務を委譲するセマンティックトラフィック制御システムを提案する。このシステムは、強化学習(RL)エージェントから得られる意思決定を処理し、意思決定プロセスの合理化を行う。
参考スコア（独自算出の注目度）: 9.485363025495225
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Autonomous Vehicles (AVs), furnished with sensors capable of capturing essential vehicle dynamics such as speed, acceleration, and precise location, possess the capacity to execute intelligent maneuvers, including lane changes, in anticipation of approaching roadblocks. Nevertheless, the sheer volume of sensory data and the processing necessary to derive informed decisions can often overwhelm the vehicles, rendering them unable to handle the task independently. Consequently, a common approach in traffic scenarios involves transmitting the data to servers for processing, a practice that introduces challenges, particularly in situations demanding real-time processing. In response to this challenge, we present a novel DL-based semantic traffic control system that entrusts semantic encoding responsibilities to the vehicles themselves. This system processes driving decisions obtained from a Reinforcement Learning (RL) agent, streamlining the decision-making process. Specifically, our framework envisions scenarios where abrupt roadblocks materialize due to factors such as road maintenance, accidents, or vehicle repairs, necessitating vehicles to make determinations concerning lane-keeping or lane-changing actions to navigate past these obstacles. To formulate this scenario mathematically, we employ a Markov Decision Process (MDP) and harness the Deep Q Learning (DQN) algorithm to unearth viable solutions.
Abstract（参考訳）: 自動運転車(AV)は、速度、加速度、正確な位置などの重要な車両のダイナミクスを捉えることができるセンサーを備えており、道路ブロックに接近することを期待して車線変更を含むインテリジェントな操作を実行する能力を持っている。それでも、十分な量の感覚データと、情報に基づく決定を導き出すために必要な処理は、しばしば車両を圧倒し、それらを独立して処理することができない。結果として、トラフィックシナリオにおける一般的なアプローチは、特にリアルタイム処理を必要とする状況において、課題を提起するプラクティスである、処理のためにデータをサーバに送信することである。この課題に対して,本研究では,車両自体に責任を負う意味的エンコーディングを委譲する,DLに基づくセマンティックトラフィック制御システムを提案する。このシステムは、強化学習(RL)エージェントから得られる意思決定を処理し、意思決定プロセスの合理化を行う。具体的には,道路整備,事故,車両修理などの要因により急激な道路封鎖が成立するシナリオを想定する。このシナリオを数学的に定式化するために,Markov Decision Process (MDP) を用い,Deep Q Learning (DQN) アルゴリズムを用いて実行可能な解を探索する。

関連論文リスト

Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving [17.659812774579756]
本研究では,自律走行車における分散型協調運転ポリシーを学習する非対称アクター・批判モデルを提案する。マスキングを用いたアテンションニューラルネットワークを用いることで,実世界の交通動態と部分観測可能性の効率よく管理できる。
論文参考訳（メタデータ） (2024-03-18T16:13:02Z)
Decision-Making for Autonomous Vehicles with Interaction-Aware Behavioral Prediction and Social-Attention Neural Network [7.812717451846781]
本稿では,運転者の対話意図を潜伏する社会心理学的パラメータにエンコードする行動モデルを提案する。我々は、自律走行車決定のための後退水平最適化に基づく制御器を開発した。我々は,提案する意思決定モジュールについて,強制的な高速道路合併シナリオにおいて広範囲に評価する。
論文参考訳（メタデータ） (2023-10-31T03:31:09Z)
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)
Prediction Based Decision Making for Autonomous Highway Driving [3.6818636539023175]
本稿では,予測に基づく深層強化学習(Deep Reinforcement Learning, PDRL)意思決定モデルを提案する。高速道路運転の意思決定プロセスにおいて、周囲の車両の操作意図を考慮に入れている。その結果,提案したPDRLモデルでは,衝突数を減少させることで,Deep Reinforcement Learning (DRL)モデルと比較して意思決定性能が向上することがわかった。
論文参考訳（メタデータ） (2022-09-05T19:28:30Z)
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)
Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文参考訳（メタデータ） (2022-06-28T17:08:31Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Encoding Integrated Decision and Control for Autonomous Driving with Mixed Traffic Flow [5.7440882048331705]
強化学習(Reinforcement Learning, RL)は、自律運転においてインテリジェントな運転ポリシーを実現するために広く採用されている。本稿では,複合交通流を伴う複雑な運転タスクを処理するための符号化統合決定制御(E-IDC)を提案する。
論文参考訳（メタデータ） (2021-10-24T06:06:27Z)
Towards formalization and monitoring of microscopic traffic parameters using temporal logic [1.3706331473063877]
本稿では,形式言語Signal Temporal Logicを用いた交通ネットワーク解析のための仕様ベースのモニタリング手法を提案する。我々は、速度制限に適合し、適切な進路を維持するなど、安全関連行動を特定するモニターを開発する。この作業は交通管理センターがトラヒックストリーム特性を調査し、ハザードを特定し、トラヒック監視システムを自動化する上で貴重なフィードバックを提供するために利用することができる。
論文参考訳（メタデータ） (2021-10-12T17:59:26Z)
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)
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。