Fugu-MT 論文翻訳(概要): Mitigating Traffic Oscillations in Mixed Traffic Flow with Scalable Deep Koopman Predictive Control

論文の概要: Mitigating Traffic Oscillations in Mixed Traffic Flow with Scalable Deep Koopman Predictive Control

arxiv url: http://arxiv.org/abs/2502.00043v3
Date: Sun, 10 Aug 2025 10:02:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-12 16:55:51.673306
Title: Mitigating Traffic Oscillations in Mixed Traffic Flow with Scalable Deep Koopman Predictive Control
Title（参考訳）: 拡張性深いクープマン予測制御による混合交通流中の交通振動の緩和
Authors: Hao Lyu, Yanyong Guo, Pan Liu, Nan Zheng, Ting Wang, Quansheng Yue,
Abstract要約: 接続された自動車両(CAV)と人力車両(HDV)の交通振動の緩和は、交通の安定性を高めるために重要である。本研究では,この問題に対処する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。このフレームワークは、自然データから適応的に学習することで、高次元空間における線形系として複雑なHDVカー追従ダイナミクスを表現する、新しいディープクープマンネットワークであるAdapKoopnetを特徴としている。
参考スコア（独自算出の注目度）: 11.428076811557437
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mitigating traffic oscillations in mixed flows of connected automated vehicles (CAVs) and human-driven vehicles (HDVs) is critical for enhancing traffic stability. A key challenge lies in modeling the nonlinear, heterogeneous behaviors of HDVs within computationally tractable predictive control frameworks. This study proposes an adaptive deep Koopman predictive control framework (AdapKoopPC) to address this issue. The framework features a novel deep Koopman network, AdapKoopnet, which represents complex HDV car-following dynamics as a linear system in a high-dimensional space by adaptively learning from naturalistic data. This learned linear representation is then embedded into a Model Predictive Control (MPC) scheme, enabling real-time, scalable, and optimal control of CAVs. We validate our framework using the HighD dataset and extensive numerical simulations. Results demonstrate that AdapKoopnet achieves superior trajectory prediction accuracy over baseline models. Furthermore, the complete AdapKoopPC controller significantly dampens traffic oscillations with lower computational cost, exhibiting strong performance even at low CAV penetration rates. The proposed framework offers a scalable and data-driven solution for enhancing stability in realistic mixed traffic environments. The code is made publicly available.
Abstract（参考訳）: 連結型自動車両(CAV)と人力車(HDV)の混合流中における交通振動の緩和は交通安定性の向上に重要である。重要な課題は、計算的に抽出可能な予測制御フレームワーク内でHDVの非線形で不均一な振る舞いをモデル化することである。本研究では,この問題に対処する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。このフレームワークは、自然データから適応的に学習することで、高次元空間における線形系として複雑なHDVカー追従ダイナミクスを表現する、新しいディープクープマンネットワークであるAdapKoopnetを特徴としている。この学習された線形表現はモデル予測制御(MPC)スキームに組み込まれ、CAVのリアルタイム、スケーラブル、最適制御を可能にする。我々は,高次元データセットと広範囲な数値シミュレーションを用いて,我々のフレームワークを検証する。その結果,AdapKoopnetはベースラインモデルよりも軌道予測精度が優れていることがわかった。さらに、完全なAdapKoopPCコントローラは、計算コストの低いトラフィック振動を著しく抑制し、低CAV浸透速度でも高い性能を示す。提案するフレームワークは,現実的な混在トラフィック環境における安定性を向上するための,スケーラブルでデータ駆動型ソリューションを提供する。コードは公開されています。

関連論文リスト

Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
論文参考訳（メタデータ） (2025-07-16T18:49:44Z)
Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame [0.0]
本稿では、深層ニューラルネットワークを用いて全車動特性を捉える、新しいディープラーニングベースのクープマンモデリング手法を提案する。二重車線変更操作において, 同定線形モデルと比較して, クープマンモデルの精度が優れていることを示す。
論文参考訳（メタデータ） (2025-03-04T20:57:38Z)
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)
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)
End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-03T10:21:53Z)
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。