論文の概要: A scalable adaptive deep Koopman predictive controller for real-time optimization of mixed traffic flow

• arxiv url: http://arxiv.org/abs/2502.00043v1
• Date: Mon, 27 Jan 2025 14:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-09 04:50:35.384234
• Title: A scalable adaptive deep Koopman predictive controller for real-time optimization of mixed traffic flow
• Title（参考訳）: 混合交通流のリアルタイム最適化のためのスケーラブル適応型深部クープマン予測制御器
• Authors: Hao Lyu, Yanyong Guo, Pan Liu, Nan Zheng, Ting Wang,
• Abstract要約: 本研究では,混合交通流の制御のための適応型深層クープマン予測制御フレームワーク(AdapKoopPC)を提案する。 AdapKoopnetは、ベースライン非線形モデルよりも正確なHDV予測軌道を提供する。
• 参考スコア（独自算出の注目度）: 12.109370996788654
• License:
• Abstract: The use of connected automated vehicle (CAV) is advocated to mitigate traffic oscillations in mixed traffic flow consisting of CAVs and human driven vehicles (HDVs). This study proposes an adaptive deep Koopman predictive control framework (AdapKoopPC) for regulating mixed traffic flow. Firstly, a Koopman theory-based adaptive trajectory prediction deep network (AdapKoopnet) is designed for modeling HDVs car-following behavior. AdapKoopnet enables the representation of HDVs behavior by a linear model in a high-dimensional space. Secondly, the model predictive control is employed to smooth the mixed traffic flow, where the combination of the linear dynamic model of CAVs and linear prediction blocks from AdapKoopnet is embedded as the predictive model into the AdapKoopPC. Finally, the predictive performance of the prosed AdapKoopnet is verified using the HighD naturalistic driving dataset. Furthermore, the control performance of AdapKoopPC is validated by the numerical simulations. Results demonstrate that the AdapKoopnet provides more accuracy HDVs predicted trajectories than the baseline nonlinear models. Moreover, the proposed AdapKoopPC exhibits more effective control performance with less computation cost compared with baselines in mitigating traffic oscillations, especially at the low CAVs penetration rates. The code of proposed AdapKoopPC is open source.
• Abstract（参考訳）: CAV(コネクテッド・オートマチック・ビークル)の使用は、CAVと人力車(HDV)の混合交通流における交通振動を軽減することが提唱されている。 本研究では,混合交通流の制御のための適応型深層クープマン予測制御フレームワーク(AdapKoopPC)を提案する。 まず,車追従動作をモデル化するための適応軌道予測深部ネットワーク(AdapKoopnet)を設計する。 AdapKoopnetは高次元空間における線形モデルによるHDVの挙動の表現を可能にする。 次に,CAVの線形動的モデルとAdapKoopnetからの線形予測ブロックの組み合わせを,予測モデルとしてAdapKoopPCに組み込んだ混合トラフィック流の円滑化にモデル予測制御を用いる。 最後に, 提案したAdapKoopnetの予測性能を, HighD自然言語駆動データセットを用いて検証した。 さらに,AdapKoopPCの制御性能を数値シミュレーションにより検証した。 その結果、AdapKoopnetはベースライン非線形モデルよりも高い精度でHDVを予測できることを示した。 さらに,提案したAdapKoopPCは,特に低CAVの浸透速度において,トラヒック振動を緩和するベースラインと比較して,計算コストの低い効率的な制御性能を示す。 AdapKoopPCのコードはオープンソースである。

関連論文リスト

• Conformalized Prediction of Post-Fault Voltage Trajectories Using Pre-trained and Finetuned Attention-Driven Neural Operators [9.336308366735656]
  本稿では,電力系統における後電圧トラジェクトリの間隔を予測するための新しいデータ駆動手法を提案する。 提案した演算子回帰モデルでは、電圧軌跡の観測された部分を、観測後の未観測軌跡にマッピングする。 ニューイングランド39バス試験システムを用いて提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-31T17:20:13Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Traffic signal optimization in large-scale urban road networks: an adaptive-predictive controller using Ising models [4.408586742026574]
  本稿では,スケーラビリティと最適性の両方を保証するAMPICという制御手法を提案する。 提案手法では,車両流の予測モデルを明確に考慮し,各制御区間における最適制御問題の解法としてモデル予測制御を用いる。 その結果,AMPICは従来の制御方式よりも待ち時間が少なく,より高速な走行が可能であった。
  論文  参考訳（メタデータ） (2024-06-06T02:20:34Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
  本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。 本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。 提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
  論文  参考訳（メタデータ） (2024-01-08T12:04:39Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• Probabilistic Prediction of Longitudinal Trajectory Considering Driving Heterogeneity with Interpretability [12.929047288003213]
  本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。 提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
  論文  参考訳（メタデータ） (2023-12-19T12:56:56Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• Stochastic Deep Model Reference Adaptive Control [9.594432031144715]
  本稿では,ディープニューラルネットワークを用いたモデル参照適応制御を提案する。 Deep Model Reference Adaptive Controlは、DNNモデルの出力層重みをリアルタイムに適応させるために、リアプノフ法を用いる。 データ駆動型教師付き学習アルゴリズムは、内部層パラメータの更新に使用される。
  論文  参考訳（メタデータ） (2021-08-04T14:05:09Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)

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。