論文の概要: A Reinforcement Learning Approach to Quiet and Safe UAM Traffic Management

• arxiv url: http://arxiv.org/abs/2501.08941v1
• Date: Wed, 15 Jan 2025 16:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:51:17.521550
• Title: A Reinforcement Learning Approach to Quiet and Safe UAM Traffic Management
• Title（参考訳）: 高速かつ安全なUAM交通管理のための強化学習アプローチ
• Authors: Surya Murthy, John-Paul Clarke, Ufuk Topcu, Zhenyu Gao,
• Abstract要約: アーバン・エア・モビリティ(UAM)は、都市環境で様々な小型航空機を運用するトランスフォーメーションシステムである。 UAMの運用制約の最近の分析は、UAMシステム実装の鍵となるハードルとして航空機の騒音とシステムの安全性を強調している。 本稿では,UAMトラフィックを管理するためのマルチエージェント強化学習手法を提案する。
• 参考スコア（独自算出の注目度）: 17.974572464176394
• License:
• Abstract: Urban air mobility (UAM) is a transformative system that operates various small aerial vehicles in urban environments to reshape urban transportation. However, integrating UAM into existing urban environments presents a variety of complex challenges. Recent analyses of UAM's operational constraints highlight aircraft noise and system safety as key hurdles to UAM system implementation. Future UAM air traffic management schemes must ensure that the system is both quiet and safe. We propose a multi-agent reinforcement learning approach to manage UAM traffic, aiming at both vertical separation assurance and noise mitigation. Through extensive training, the reinforcement learning agent learns to balance the two primary objectives by employing altitude adjustments in a multi-layer UAM network. The results reveal the tradeoffs among noise impact, traffic congestion, and separation. Overall, our findings demonstrate the potential of reinforcement learning in mitigating UAM's noise impact while maintaining safe separation using altitude adjustments
• Abstract（参考訳）: アーバン・エア・モビリティ(UAM)は、都市部における様々な小型航空機を運用し、都市交通を再構築するトランスフォーメーションシステムである。 しかし、UAMを既存の都市環境に統合することは、様々な複雑な課題をもたらす。 UAMの運用制約の最近の分析は、UAMシステム実装の鍵となるハードルとして航空機の騒音とシステムの安全性を強調している。 将来のUAM航空交通管理スキームは、システムが静かで安全であることを保証する必要がある。 本稿では,UAMトラフィックを管理するためのマルチエージェント強化学習手法を提案する。 強化学習エージェントは、広範囲な訓練を通じて、多層UAMネットワークにおける高度調整を用いて、2つの主目的のバランスをとることを学習する。 その結果,騒音の影響,交通渋滞,分離のトレードオフが明らかになった。 総合的に見て、高度調整による安全な分離を維持しつつ、UAMの騒音影響を緩和する強化学習の可能性を示す。

関連論文リスト

• Routing and Scheduling Optimization for Urban Air Mobility Fleet Management using Quantum Annealing [1.2145532233226684]
  都市部における高密度航空交通の効率的な管理は、安全かつ効果的な運用を確保するために重要である。 都市部で運用されている大型UAM車両の需要に対応するためのルーティングとスケジューリングの枠組みを提案する。 本手法はシンガポールの空域に適した交通管理シミュレータを用いて検証した。
  論文  参考訳（メタデータ） (2024-10-15T03:27:52Z)
• Towards a Standardized Reinforcement Learning Framework for AAM Contingency Management [0.0]
  我々はMarkov Decision Process(MDP)として並行性管理問題を開発し,それをAAM-Gymシミュレーションフレームワークに統合する。 これにより、強化学習アルゴリズムの迅速なプロトタイピングと既存システムの評価が可能になる。
  論文  参考訳（メタデータ） (2023-11-17T13:54:02Z)
• UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
  航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。 本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
  論文  参考訳（メタデータ） (2023-10-03T11:47:01Z)
• Improving Autonomous Separation Assurance through Distributed Reinforcement Learning with Attention Networks [0.0]
  本稿では,AAM廊下内で自律的な自己分離機能を実現するための強化学習フレームワークを提案する。 この問題はマルコフ決定プロセス(Markov Decision Process)として定式化され、サンプル効率の良いオフポリティ・ソフトアクター・クリティック(SAC)アルゴリズムへの新たな拡張を開発することで解決される。 包括的数値計算により,提案手法は高密度・動的環境下で航空機の安全かつ効率的な分離を保証できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T13:44:35Z)
• Integrated Conflict Management for UAM with Strategic Demand Capacity Balancing and Learning-based Tactical Deconfliction [3.074861321741328]
  本稿では,戦略紛争管理のための要求キャパシティ・バランシング(DCB)と戦術的分離のための強化学習を組み合わせた新たなフレームワークを提案する。 以上の結果から,このDCBプレコンディショニングにより,他の方法では不可能な安全レベルを達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-17T20:23:18Z)
• Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
  垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
  論文  参考訳（メタデータ） (2021-12-26T14:41:52Z)
• Obstacle Avoidance for UAS in Continuous Action Space Using Deep Reinforcement Learning [9.891207216312937]
  小型無人航空機の障害物回避は将来の都市空輸の安全に不可欠である。 本稿では, PPO(Proximal Policy Optimization)に基づく深層強化学習アルゴリズムを提案する。 その結果,提案モデルが正確かつ堅牢なガイダンスを提供し,99%以上の成功率で競合を解消できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-13T04:44:53Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
  UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。 エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
  論文  参考訳（メタデータ） (2021-03-03T20:54:19Z)
• 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)
• Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
  都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。 非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。 多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
  論文  参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。