論文の概要: GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching

• arxiv url: http://arxiv.org/abs/2408.10286v2
• Date: Thu, 12 Dec 2024 08:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:29:48.552840
• Title: GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching
• Title（参考訳）: GARLIC: 車両分散のためのインテリジェント制御によるGPT強化強化学習
• Authors: Xiao Han, Zijian Zhang, Xiangyu Zhao, Guojiang Shen, Xiangjie Kong, Xuetao Wei, Liqiang Nie, Jieping Ye, Yuanshao Zhu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 81.82487256783674
• License:
• Abstract: As urban residents demand higher travel quality, vehicle dispatch has become a critical component of online ride-hailing services. However, current vehicle dispatch systems struggle to navigate the complexities of urban traffic dynamics, including unpredictable traffic conditions, diverse driver behaviors, and fluctuating supply and demand patterns. These challenges have resulted in travel difficulties for passengers in certain areas, while many drivers in other areas are unable to secure orders, leading to a decline in the overall quality of urban transportation services. To address these issues, this paper introduces GARLIC: a framework of GPT-Augmented Reinforcement Learning with Intelligent Control for vehicle dispatching. GARLIC utilizes multiview graphs to capture hierarchical traffic states, and learns a dynamic reward function that accounts for individual driving behaviors. The framework further integrates a GPT model trained with a custom loss function to enable high-precision predictions and optimize dispatching policies in real-world scenarios. Experiments conducted on two real-world datasets demonstrate that GARLIC effectively aligns with driver behaviors while reducing the empty load rate of vehicles.
• Abstract（参考訳）: 都市住民は旅行の質を高く要求しているため、車両派遣はオンライン配車サービスにとって重要な要素となっている。 しかし、現在の配車システムは、予測不可能な交通条件、多様な運転行動、供給と需要の変動パターンなど、都市交通の複雑さをナビゲートするのに苦労している。 これらの課題は、一部の地域の乗客にとって旅行の困難を招き、他の地域の多くのドライバーは注文の確保ができず、都市交通サービスの全体的な品質が低下した。 これらの問題に対処するために,GPT強化強化学習とIntelligent Controlを用いた車両配車のためのフレームワークであるGARLICを紹介する。 GARLICは階層的なトラフィック状態のキャプチャにマルチビューグラフを使用し、個々の運転行動を考慮した動的報酬関数を学習する。 このフレームワークはさらに、カスタムロス関数でトレーニングされたGPTモデルを統合して、高精度な予測を可能にし、現実世界のシナリオでのディスパッチポリシを最適化する。 2つの実世界のデータセットで実施された実験により、GARLICは空の車両の負荷率を低減しつつ、ドライバーの挙動と効果的に一致していることが示された。

関連論文リスト

• Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning [16.25152138605216]
  本稿では,TTC-Xのマルチレベル交通タイミングカメラ監視システムについて紹介する。 TTC-Xは、従来の監視システムにおける固定視野の限界を克服し、動員および360度のカバレッジを提供する。 ニューヨーク州ブルックリンの現実世界の交通データを用いて,3つの実験シナリオで検証および評価を行った。
  論文  参考訳（メタデータ） (2024-08-05T03:17:44Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• V2X-Lead: LiDAR-based End-to-End Autonomous Driving with Vehicle-to-Everything Communication Integration [4.166623313248682]
  本稿では,V2X(Vine-to-Everything)通信を統合したLiDARを用いたエンドツーエンド自動運転手法を提案する。 提案手法は,搭載したLiDARセンサとV2X通信データを融合させることにより,不完全な部分的観測を処理することを目的としている。
  論文  参考訳（メタデータ） (2023-09-26T20:26:03Z)
• 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)
• 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)
• CADRE: A Cascade Deep Reinforcement Learning Framework for Vision-based Autonomous Urban Driving [43.269130988225605]
  複雑な都市環境と運転行動のダイナミクスのため、高密度交通における視覚に基づく自律走行は極めて困難である。 本稿では,モデルフリーな視覚に基づく自律型都市走行を実現するために,新しいCAscade Deep Reinforcement LearningフレームワークCADREを提案する。
  論文  参考訳（メタデータ） (2022-02-17T10:07:16Z)
• End-to-End Urban Driving by Imitating a Reinforcement Learning Coach [148.2683592850329]
  人間は良いドライバーだが、エンドツーエンドのアルゴリズムにとって良いコーチではない。 我々は、鳥の目視画像を連続的な低レベル行動にマッピングする強化学習専門家を訓練する。 我々の強化学習コーチによって監督され、単眼カメラ入力のベースラインエンドツーエンドエージェントは、専門家レベルのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-08-18T17:36:51Z)
• iTV: Inferring Traffic Violation-Prone Locations with Vehicle Trajectories and Road Environment Data [12.715237421592624]
  本研究では,大規模車両軌跡データと環境データに基づいて,都市部における交通違反発生箇所を推定する枠組みを提案する。 提案手法の有効性を評価するため,中国2都市から収集した大規模・現実世界の車両軌道について広範な研究を行った。
  論文  参考訳（メタデータ） (2020-05-09T08:52:43Z)
• Decoding pedestrian and automated vehicle interactions using immersive virtual reality and interpretable deep learning [6.982614422666432]
  本研究では,自動走行車の存在による影響が期待される都市動態の重要な要素として,歩行者の横断行動について検討する。 歩行者の待ち時間はデータ駆動のCox Proportional Hazards(CPH)モデルを用いて分析される。 その結果,道路上の自動走行車の存在,広い車線幅,道路上の高密度化,観光距離の制限,歩行習慣の欠如が待ち時間の主な要因であることが示唆された。
  論文  参考訳（メタデータ） (2020-02-18T01:30:29Z)

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。