Fugu-MT 論文翻訳(概要): Multi-agent Path Finding for Mixed Autonomy Traffic Coordination

論文の概要: Multi-agent Path Finding for Mixed Autonomy Traffic Coordination

arxiv url: http://arxiv.org/abs/2409.03881v1
Date: Thu, 5 Sep 2024 19:37:01 GMT
ステータス: 処理完了
システム内更新日: 2024-09-09 17:30:22.595587
Title: Multi-agent Path Finding for Mixed Autonomy Traffic Coordination
Title（参考訳）: 混合自律神経交通コーディネートのためのマルチエージェントパス探索
Authors: Han Zheng, Zhongxia Yan, Cathy Wu,
Abstract要約: CAV操作に対するHDV応答を予測するための行動予測キネマティック・プライオリティ・ベース・サーチ(BK-PBS)を提案する。我々の研究は、マルチヒューマン・マルチロボット協調の多くのシナリオに直接当てはまる。
参考スコア（独自算出の注目度）: 7.857093164418706
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the evolving landscape of urban mobility, the prospective integration of Connected and Automated Vehicles (CAVs) with Human-Driven Vehicles (HDVs) presents a complex array of challenges and opportunities for autonomous driving systems. While recent advancements in robotics have yielded Multi-Agent Path Finding (MAPF) algorithms tailored for agent coordination task characterized by simplified kinematics and complete control over agent behaviors, these solutions are inapplicable in mixed-traffic environments where uncontrollable HDVs must coexist and interact with CAVs. Addressing this gap, we propose the Behavior Prediction Kinematic Priority Based Search (BK-PBS), which leverages an offline-trained conditional prediction model to forecast HDV responses to CAV maneuvers, integrating these insights into a Priority Based Search (PBS) where the A* search proceeds over motion primitives to accommodate kinematic constraints. We compare BK-PBS with CAV planning algorithms derived by rule-based car-following models, and reinforcement learning. Through comprehensive simulation on a highway merging scenario across diverse scenarios of CAV penetration rate and traffic density, BK-PBS outperforms these baselines in reducing collision rates and enhancing system-level travel delay. Our work is directly applicable to many scenarios of multi-human multi-robot coordination.
Abstract（参考訳）: 都市移動の進化する状況において、コネクテッド・アンド・オートマチック・ビークルズ(CAV)とヒューマン駆動自動車(HDV)の統合は、自律運転システムにおける複雑な課題と機会を提示している。近年, ロボット工学の進歩により, エージェント協調作業に適したマルチエージェントパス探索 (MAPF) アルゴリズムが得られたが, 制御不能なHDVがCAVと共存・相互作用しなければならない混合交通環境において, これらの解は適用不可能である。このギャップに対処するため, オフラインで訓練した条件付き予測モデルを用いて, CAV操作に対するHDV応答を予測し, これらの知見を, A*探索が運動プリミティブを越えて運動制約に適応するPBSに組み込む行動予測キネマティック優先探索(BK-PBS)を提案する。我々は,BK-PBSとルールベースカーフォローモデルによるCAV計画アルゴリズム,強化学習を比較した。 CAVの浸透速度と交通密度の様々なシナリオにまたがるハイウェイマージシナリオの総合シミュレーションを通じて、BK-PBSは衝突速度の低減とシステムレベルの走行遅延の増大にこれらのベースラインを上回っている。我々の研究は、マルチヒューマン・マルチロボット協調の多くのシナリオに直接当てはまる。

関連論文リスト

WHALES: A Multi-agent Scheduling Dataset for Enhanced Cooperation in Autonomous Driving [54.365702251769456]
我々は、駆動シーケンス当たり平均8.4エージェントのデータセットを提示する。自律運転データセットの中で最大のエージェントと視点を提供するだけでなく、WHALESはエージェントの振る舞いを記録する。エージェントスケジューリングタスクにおいて,エゴエージェントが複数の候補エージェントの1つを選択して協調する実験を行う。
論文参考訳（メタデータ） (2024-11-20T14:12:34Z)
Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文参考訳（メタデータ） (2024-09-19T14:36:00Z)
CAV-AHDV-CAV: Mitigating Traffic Oscillations for CAVs through a Novel Car-Following Structure and Reinforcement Learning [8.63981338420553]
Connected and Automated Vehicles (CAVs)は、CAVとHuman-Driven Vehicles (HDVs)の混合交通の課題に対して、有望な解決策を提供する。 HDVは限られた情報に依存しているが、CAVは意思決定を改善するために他のCAVのデータを利用することができる。本稿では2つのCAV間のHDVのシーケンスを1つのエンティティとして扱う「CAV-AHDV-CAV」カーフォローフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-23T15:38:29Z)
Multi-agent Path Finding for Cooperative Autonomous Driving [8.8305853192334]
我々は,既存のアルゴリズムを著しく上回る最適かつ完全なアルゴリズムであるオーダーベース検索をKinematics Arrival Time Scheduling (OBS-KATS) により考案した。当社の作業は、同じようなスケールのトラフィックや、有向車線を備えたマルチロボットシナリオに直接適用可能です。
論文参考訳（メタデータ） (2024-02-01T04:39:15Z)
Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文参考訳（メタデータ） (2023-09-25T22:30:18Z)
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)
Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文参考訳（メタデータ） (2023-03-12T16:23:27Z)
Coordinating CAV Swarms at Intersections with a Deep Learning Model [24.188603833058146]
接続された自動走行車(CAV)は、交通の安全性と効率を大幅に向上させる可能性がある特殊な種類のロボットと見なされている。本稿では,オフライン深層学習とオンライン木探索を組み合わせた協調運転アルゴリズム(AlphaOrder)を提案する。
論文参考訳（メタデータ） (2022-11-10T02:14:36Z)
Multi-Agent Chance-Constrained Stochastic Shortest Path with Application to Risk-Aware Intelligent Intersection [15.149982804527182]
既存の自動交差点の深刻な課題は、運転環境や人間駆動車からの不確実性の検出と推論にある。自動運転車(AV)と人間駆動車(HV)のためのリスク対応知的交差点システムを提案する。
論文参考訳（メタデータ） (2022-10-03T06:49:23Z)
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文参考訳（メタデータ） (2022-05-04T17:55:12Z)
Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
論文参考訳（メタデータ） (2022-04-05T17:58:18Z)

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。