論文の概要: Personalized and Context-aware Route Planning for Edge-assisted Vehicles
- arxiv url: http://arxiv.org/abs/2407.17980v1
- Date: Thu, 25 Jul 2024 12:14:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 14:08:56.358954
- Title: Personalized and Context-aware Route Planning for Edge-assisted Vehicles
- Title（参考訳）: エッジ支援車両のパーソナライズ・コンテクストを考慮した経路計画
- Authors: Dinesh Cyril Selvaraj, Falko Dressler, Carla Fabiana Chiasserini,
- Abstract要約: グラフニューラルネットワーク(GNN)と深部強化学習(DRL)に基づく新しいアプローチを提案する。
運転者の過去の軌跡を解析することにより,運転者の嗜好の指標として関連する道路属性を分類する。
提案するGNNベースのDRLフレームワークを実環境の道路ネットワークを用いて評価し,ドライバの嗜好に対応する能力を示す。
- 参考スコア（独自算出の注目度）: 11.39182190564773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional route planning services typically offer the same routes to all drivers, focusing primarily on a few standardized factors such as travel distance or time, overlooking individual driver preferences. With the inception of autonomous vehicles expected in the coming years, where vehicles will rely on routes decided by such planners, there arises a need to incorporate the specific preferences of each driver, ensuring personalized navigation experiences. In this work, we propose a novel approach based on graph neural networks (GNNs) and deep reinforcement learning (DRL), aimed at customizing routes to suit individual preferences. By analyzing the historical trajectories of individual drivers, we classify their driving behavior and associate it with relevant road attributes as indicators of driver preferences. The GNN is capable of representing the road network as graph-structured data effectively, while DRL is capable of making decisions utilizing reward mechanisms to optimize route selection with factors such as travel costs, congestion level, and driver satisfaction. We evaluate our proposed GNN-based DRL framework using a real-world road network and demonstrate its ability to accommodate driver preferences, offering a range of route options tailored to individual drivers. The results indicate that our framework can select routes that accommodate driver's preferences with up to a 17% improvement compared to a generic route planner, and reduce the travel time by 33% (afternoon) and 46% (evening) relatively to the shortest distance-based approach.
- Abstract（参考訳）: 従来のルートプランニングサービスは、一般的にすべてのドライバーに同じルートを提供しており、主に運転者の好みを見渡すために、旅行距離や時間などのいくつかの標準化された要素に焦点を当てている。
今後数年間に自動運転車の登場が予想され、こうしたプランナーが決めるルートに依存しているため、各ドライバーの特定の好みを取り入れ、パーソナライズされたナビゲーション体験を確保する必要がある。
本研究では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)に基づく新たなアプローチを提案する。
運転者の過去の軌跡を解析することにより、運転行動の分類を行い、運転嗜好の指標として関連する道路属性を関連づける。
GNNは、道路ネットワークをグラフ構造化データとして効果的に表現でき、DRLは、旅行コスト、渋滞レベル、運転者の満足度などの要因による経路選択を最適化するための報酬メカニズムを利用した決定を行うことができる。
提案したGNNベースのDRLフレームワークを実環境の道路ネットワークを用いて評価し,運転者の嗜好に適合する機能を示し,運転者に合わせて様々な経路オプションを提供する。
その結果, 一般経路プランナーに比べて最大17%改善した運転者の嗜好に対応する経路を選択することができ, 走行時間を33%(正午以降)と46%(最短距離ベースアプローチ)に短縮できることがわかった。
関連論文リスト
- DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。
センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。
我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文 参考訳（メタデータ） (2024-03-25T17:59:01Z) - Optimizing the Placement of Roadside LiDARs for Autonomous Driving [61.584278382844595]
道路沿いのLiDARの配置を最適化する方法は不可欠だが、見落とされがちな問題である。
本稿では,シーン内の最適化位置を選択することで,道路側LiDARの配置を最適化する手法を提案する。
Roadside-Optという名前のデータセットは、ロードサイドLiDAR配置問題の研究を容易にするために、CARLAシミュレータを使って作成されている。
論文 参考訳（メタデータ） (2023-10-11T07:24:27Z) - FastRLAP: A System for Learning High-Speed Driving via Deep RL and
Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。
我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。
結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文 参考訳（メタデータ） (2023-04-19T17:33:47Z) - Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A
Pair-wise Attention-based Pointer Neural Network [5.092311422459955]
最終マイルの配達では、道路や縁石のインフラについて暗黙の知識があるため、ドライバーは計画されたルートから逸脱する。
人間のドライバーが従うような実際の停止シーケンスを予測することは、ラストマイル配送におけるルート計画を改善するのに役立つ。
本稿では、ドライバーの過去の配送軌跡データを用いて、この予測タスクのためのペアワイズアテンションに基づくポインターニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2023-01-10T06:11:20Z) - Personalized Lane Change Decision Algorithm Using Deep Reinforcement
Learning Approach [4.681908782544996]
ドライビング・イン・ザ・ループ実験は6自由度運転シミュレータ上で実施される。
車線変更判定において、運転者の好みを記述するためにパーソナライズ指標が選択される。
深部強化学習(RL)アプローチは、車線変更自動決定のための人間のようなエージェントの設計に適用される。
論文 参考訳（メタデータ） (2021-12-17T10:16:43Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳（メタデータ） (2021-10-28T14:18:22Z) - Data Driven VRP: A Neural Network Model to Learn Hidden Preferences for
VRP [9.434400627011108]
ニューラルネットワークモデルを用いてアーク確率を推定し、追加機能と自動パラメータ推定を可能にする。
本稿では,従来のマルコフ計数手法との違いについて検討し,この設定におけるニューラルネットワークの適用性について検討する。
論文 参考訳（メタデータ） (2021-08-10T10:53:44Z) - Incentivizing Efficient Equilibria in Traffic Networks with Mixed
Autonomy [17.513581783749707]
車両小隊化は、車両小隊化による道路容量の増加によって交通渋滞を減少させる可能性がある。
我々は、(i)最短経路を選択する人間ドライバーと(ii)相乗りサービスという2つの交通手段を持つ平行道路のネットワークについて検討する。
我々は、混合自律で車両の流れのモデルと、価格と遅延の異なるルート間で自律サービスユーザーがどのように選択するかのモデルを定式化する。
論文 参考訳（メタデータ） (2021-05-06T03:01:46Z) - End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。
我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。
北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-01-17T14:16:12Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - A Distributed Model-Free Ride-Sharing Approach for Joint Matching,
Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。
我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。
実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2020-10-05T03:13:47Z)
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。