論文の概要: A Nested Graph Reinforcement Learning-based Decision-making Strategy for Eco-platooning
- arxiv url: http://arxiv.org/abs/2408.07578v1
- Date: Wed, 14 Aug 2024 14:18:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-15 13:03:36.491275
- Title: A Nested Graph Reinforcement Learning-based Decision-making Strategy for Eco-platooning
- Title(参考訳): グラフ強化学習に基づくEco-platooningのための意思決定戦略
- Authors: Xin Gao, Xueyuan Li, Hao Liu, Ao Li, Zhaoyang Ma, Zirui Li,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.543020132680997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Platooning technology is renowned for its precise vehicle control, traffic flow optimization, and energy efficiency enhancement. However, in large-scale mixed platoons, vehicle heterogeneity and unpredictable traffic conditions lead to virtual bottlenecks. These bottlenecks result in reduced traffic throughput and increased energy consumption within the platoon. To address these challenges, we introduce a decision-making strategy based on nested graph reinforcement learning. This strategy improves collaborative decision-making, ensuring energy efficiency and alleviating congestion. We propose a theory of nested traffic graph representation that maps dynamic interactions between vehicles and platoons in non-Euclidean spaces. By incorporating spatio-temporal weighted graph into a multi-head attention mechanism, we further enhance the model's capacity to process both local and global data. Additionally, we have developed a nested graph reinforcement learning framework to enhance the self-iterative learning capabilities of platooning. Using the I-24 dataset, we designed and conducted comparative algorithm experiments, generalizability testing, and permeability ablation experiments, thereby validating the proposed strategy's effectiveness. Compared to the baseline, our strategy increases throughput by 10% and decreases energy use by 9%. Specifically, increasing the penetration rate of CAVs significantly enhances traffic throughput, though it also increases energy consumption.
- Abstract(参考訳): プラトゥーニング技術は正確な車両制御、交通流の最適化、エネルギー効率の向上で有名である。
しかし、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。
これらのボトルネックは、トラフィックのスループットを低下させ、小隊内でのエネルギー消費を増大させる。
これらの課題に対処するために,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。
非ユークリッド空間における車両とプラトン間の動的相互作用をマッピングするネスト交通グラフ表現の理論を提案する。
時空間重み付きグラフをマルチヘッドアテンション機構に組み込むことで、局所データとグローバルデータの両方を処理するためのモデルの能力をさらに強化する。
さらに,小隊の自己定性学習能力を高めるため,ネストグラフ強化学習フレームワークを開発した。
I-24データセットを用いて、比較アルゴリズム実験、一般化可能性試験、透過性アブレーション実験を設計、実施し、提案手法の有効性を検証した。
ベースラインと比較して,我々の戦略はスループットを10%向上し,エネルギー使用量を9%削減する。
特に、CAVの浸透率の増大はトラフィックのスループットを著しく向上させるが、エネルギー消費も増大させる。
関連論文リスト
- Attention-based Citywide Electric Vehicle Charging Demand Prediction Approach Considering Urban Region and Dynamic Influences [5.687001127686438]
電気自動車の充電需要予測のための注意に基づく異種データ融合手法(ADF)を提案する。
非ペアワイズ関係を学習するために、サービス領域を、その領域における関心点の種類と数によってクラスタ化する。
都市の異なる地域での予測結果に及ぼす動的影響の影響とクラスタリング手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-10-24T14:19:38Z) - High-Order Evolving Graphs for Enhanced Representation of Traffic Dynamics [4.856478623606766]
本稿では,自律運転における表現性の向上を目的とした,高次進化グラフを用いた交通動態解析のための革新的なフレームワークを提案する。
提案手法は,交通シーン内の複雑な相互作用をリアルタイムにモデル化する双方向の時間的二部グラフを構築する。
論文 参考訳(メタデータ) (2024-09-17T14:00:58Z) - Differentiable Predictive Control for Large-Scale Urban Road Networks [1.3414298287600035]
輸送は二酸化炭素の排出に大きく貢献している。
本稿では,微分予測制御(DPC)を用いた新しい交通ネットワーク制御手法を提案する。
提案手法では,計算時間を最大4桁削減し,トラヒック性能を最大37%向上させる。
論文 参考訳(メタデータ) (2024-06-14T22:42:02Z) - Dyna-Style Learning with A Macroscopic Model for Vehicle Platooning in Mixed-Autonomy Traffic [8.199735228589766]
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。
論文 参考訳(メタデータ) (2024-05-03T12:44:52Z) - GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳(メタデータ) (2023-04-06T03:02:54Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳(メタデータ) (2022-07-30T16:23:45Z) - 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) - GINK: Graph-based Interaction-aware Kinodynamic Planning via
Reinforcement Learning for Autonomous Driving [10.782043595405831]
都市部などの構造環境下での自律運転に深部強化学習(D)を適用するには,多くの課題がある。
本稿では,グラフに基づく意図表現と動的計画のための強化学習を効果的に組み合わせた新しいフレームワークを提案する。
この実験は,既存のベースラインと比較して,我々のアプローチの最先端性能を示すものである。
論文 参考訳(メタデータ) (2022-06-03T10:37:25Z) - 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) - Targeted Physical-World Attention Attack on Deep Learning Models in Road
Sign Recognition [79.50450766097686]
本稿では,現実の道路標識攻撃に対するTAA手法を提案する。
実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
論文 参考訳(メタデータ) (2020-10-09T02:31:34Z) - Mobile Cellular-Connected UAVs: Reinforcement Learning for Sky Limits [71.28712804110974]
本稿では,UAVの切断時間,ハンドオーバ速度,エネルギー消費を低減するため,MAB(Multi-armed bandit)アルゴリズムを提案する。
それぞれの性能指標(PI)が、適切な学習パラメータの範囲を採用することにより、どのように改善されるかを示す。
論文 参考訳(メタデータ) (2020-09-21T12:35:23Z)
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。