Fugu-MT 論文翻訳(概要): OffLight: An Offline Multi-Agent Reinforcement Learning Framework for Traffic Signal Control

論文の概要: OffLight: An Offline Multi-Agent Reinforcement Learning Framework for Traffic Signal Control

arxiv url: http://arxiv.org/abs/2411.06601v1
Date: Sun, 10 Nov 2024 21:26:17 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:10:52.149291
Title: OffLight: An Offline Multi-Agent Reinforcement Learning Framework for Traffic Signal Control
Title（参考訳）: OffLight: 信号制御のためのオフラインマルチエージェント強化学習フレームワーク
Authors: Rohit Bokade, Xiaoning Jin,
Abstract要約: MARL(Multi-Agent Reinforcement Learning)は、交通信号制御問題に対する適応的な解決策を提供する。オンラインMARL法は、コストが高く時間集約的な広範囲なリアルタイムインタラクションを必要とする。オフラインのMARLは、過去のトラフィックデータを使用することでこれらの問題に対処するが、現実のデータセットにおける多様な行動ポリシーのため、課題に直面している。
参考スコア（独自算出の注目度）: 1.2540429019617183
License:
Abstract: Efficient traffic signal control is critical for modern urban mobility, but traditional systems often struggle to adapt to complex city traffic patterns. Multi-Agent Reinforcement Learning, or MARL, offers adaptive solutions, yet online MARL methods require extensive real-time interactions, which are costly and time-intensive. Offline MARL addresses these issues by using historical traffic data, but it faces challenges due to the diverse behavior policies in real-world datasets, where different controllers complicate learning.
Abstract（参考訳）: 交通信号の効率的な制御は、現代の都市移動にとって重要であるが、伝統的なシステムは複雑な都市交通パターンに適応するのにしばしば苦労する。マルチエージェント強化学習(MARL、Multi-Agent Reinforcement Learning)は適応型ソリューションを提供するが、オンラインMARL手法はコストが高く、時間集約的なリアルタイムインタラクションを必要とする。 Offline MARLは、過去のトラフィックデータを使用することでこれらの問題に対処するが、さまざまなコントローラが学習を複雑にする現実世界のデータセットにおける多様な行動ポリシーのために、課題に直面している。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning [13.369840354712021]
MoveLightは移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである。詳細なリアルタイムデータと高度な機械学習技術を活用することで、MoveLightは従来の信号制御手法の限界を克服する。
論文参考訳（メタデータ） (2024-07-24T14:17:16Z)
MTLight: Efficient Multi-Task Reinforcement Learning for Traffic Signal Control [56.545522358606924]
MTLightは、多数の交通指標から学習した潜伏状態のエージェント観測を強化するために提案されている。 CityFlowで行った実験は、MTLightが収束速度と性能をリードしていることを示している。
論文参考訳（メタデータ） (2024-04-01T03:27:46Z)
LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments [3.7788636451616697]
本研究は,大規模言語モデルを交通信号制御システムに統合する革新的なアプローチを導入する。 LLMを知覚と意思決定ツールのスイートで強化するハイブリッドフレームワークが提案されている。シミュレーションの結果から,交通環境の多種性に適応するシステムの有効性が示された。
論文参考訳（メタデータ） (2024-03-13T08:41:55Z)
Learning to Control Autonomous Fleets from Observation via Offline Reinforcement Learning [3.9121134770873733]
オフライン強化学習のレンズによる自律移動システム制御の形式化を提案する。オフラインRLは、経済的にクリティカルなシステムにおいて、RLベースのソリューションを適用する上で有望なパラダイムであることを示す。
論文参考訳（メタデータ） (2023-02-28T18:31:07Z)
ModelLight: Model-Based Meta-Reinforcement Learning for Traffic Signal Control [5.219291917441908]
本稿では,交通信号制御のためのモデルベースメタ強化学習フレームワーク(ModelLight)を提案する。 ModelLight内では、道路交差点のためのモデルのアンサンブルと最適化に基づくメタラーニング法を用いて、RLベースのトラヒックライト制御方式のデータ効率を改善する。実世界のデータセットの実験では、ModelLightが最先端のトラヒックライト制御アルゴリズムより優れていることが示されている。
論文参考訳（メタデータ） (2021-11-15T20:25:08Z)
An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文参考訳（メタデータ） (2021-08-02T08:13:57Z)
A Deep Reinforcement Learning Approach for Traffic Signal Control Optimization [14.455497228170646]
非効率な信号制御手法は、交通渋滞やエネルギー浪費などの多くの問題を引き起こす可能性がある。本稿では,アクター・クリティカル・ポリシー・グラデーション・アルゴリズムを拡張し,マルチエージェント・ディープ・決定性ポリシー・グラデーション(MADDPG)法を提案する。
論文参考訳（メタデータ） (2021-07-13T14:11:04Z)
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)
Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文参考訳（メタデータ） (2021-01-24T03:55:39Z)
MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文参考訳（メタデータ） (2021-01-04T03:06:08Z)

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。