論文の概要: Facilitating Emergency Vehicle Passage in Congested Urban Areas Using Multi-agent Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2502.16449v1
- Date: Sun, 23 Feb 2025 05:34:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:52:16.995476
- Title: Facilitating Emergency Vehicle Passage in Congested Urban Areas Using Multi-agent Deep Reinforcement Learning
- Title（参考訳）: 多エージェント深部強化学習を用いた都市部における緊急車両通行支援
- Authors: Haoran Su,
- Abstract要約: 緊急対応時間(ERT)は、都市の安全、医療、火災、犯罪の緊急対応能力の測定に不可欠である。
ニューヨークでは、2014年の7.89分から2024年の14.27分まで医療用ETRが72%増加し、救急車(EMV)の走行が遅れた。
この論文は3つのコントリビューションを通じてEMVのファシリテーションを促進する。
- 参考スコア（独自算出の注目度）: 1.223779595809275
- License:
- Abstract: Emergency Response Time (ERT) is crucial for urban safety, measuring cities' ability to handle medical, fire, and crime emergencies. In NYC, medical ERT increased 72% from 7.89 minutes in 2014 to 14.27 minutes in 2024, with half of delays due to Emergency Vehicle (EMV) travel times. Each minute's delay in stroke response costs 2 million brain cells, while cardiac arrest survival drops 7-10% per minute. This dissertation advances EMV facilitation through three contributions. First, EMVLight, a decentralized multi-agent reinforcement learning framework, integrates EMV routing with traffic signal pre-emption. It achieved 42.6% faster EMV travel times and 23.5% improvement for other vehicles. Second, the Dynamic Queue-Jump Lane system uses Multi-Agent Proximal Policy Optimization for coordinated lane-clearing in mixed autonomous and human-driven traffic, reducing EMV travel times by 40%. Third, an equity study of NYC Emergency Medical Services revealed disparities across boroughs: Staten Island faces delays due to sparse signalized intersections, while Manhattan struggles with congestion. Solutions include optimized EMS stations and improved intersection designs. These contributions enhance EMV mobility and emergency service equity, offering insights for policymakers and urban planners to develop safer, more efficient transportation systems.
- Abstract（参考訳）: 緊急対応時間(ERT)は、都市の安全、医療、火災、犯罪の緊急対応能力の測定に不可欠である。
ニューヨークでは、2014年の7.89分から2024年の14.27分まで医療用ETRが72%増加し、救急車(EMV)の走行が遅れた。
毎分脳卒中反応の遅延は200万の脳細胞を消費し、心停止の生存は1分間に7-10%減少する。
この論文は3つのコントリビューションを通じてEMVのファシリテーションを促進する。
まず、分散マルチエージェント強化学習フレームワークであるEMVLightは、EMVルーティングと信号プリエンプションを統合する。
EMVの走行時間が42.6%速く、他の車両も23.5%改善した。
第二に、Dynamic Queue-Jump Laneシステムでは、自律と人間駆動の混在交通における協調車線浄化にマルチエージェント・プロキシ・ポリシー最適化を用いており、EMVの走行時間を40%削減している。
第3に、ニューヨーク市救急医療局(NYC)が行ったエクイティ調査では、地域ごとの格差が明らかになった。スタテンアイランドは信号の少ない交差点のために遅れに直面しており、マンハッタンは渋滞に悩まされている。
ソリューションには、最適化されたEMSステーションと改良された交差点設計が含まれる。
これらの貢献はEMVモビリティと緊急サービスエクイティを強化し、より安全で効率的な交通システムを開発するための政策立案者や都市計画者に洞察を提供する。
関連論文リスト
- GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳（メタデータ） (2023-06-09T20:12:02Z) - Deep Reinforcement Learning to Maximize Arterial Usage during Extreme
Congestion [4.934817254755007]
本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。
エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。
エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
論文 参考訳（メタデータ） (2023-05-16T16:53:27Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - EMVLight: A Decentralized Reinforcement Learning Framework for
EfficientPassage of Emergency Vehicles [8.91479401538491]
救急車(EMV)は、都市部における救急医療や火災発生などの時間的危機に対応する上で重要な役割を担っている。
EMVの走行時間を短縮するために、過去の交通フローデータと最適な経路に基づく信号プリエンプションに基づいて経路最適化を行った。
動的ルーティングと信号制御を同時に行うための分散強化学習フレームワークであるEMVLightを提案する。
論文 参考訳（メタデータ） (2021-09-12T04:21:50Z) - Intelligent Transportation Systems to Mitigate Road Traffic Congestion [0.0]
渋滞を緩和し、緊急車両ができるだけ早く到着できるよう、2つの交通管理モデルが作成されている。
ツールチェーンSUMO-JADEを用いて、トラフィックの相互作用を象徴する顕微鏡シミュレーションを作成する。
シミュレーションモデルでは、平均時間遅延が50%以上減少し、旅行時間全体の実質的な改善が見られた。
論文 参考訳（メタデータ） (2021-06-04T07:51:02Z) - Transportation Density Reduction Caused by City Lockdowns Across the
World during the COVID-19 Epidemic: From the View of High-resolution Remote
Sensing Imagery [48.52477000522933]
新型コロナウイルス(COVID-19)の流行は、2020年前半に悪化し始めた。
厳しい封鎖政策が世界中の多くの都市で実行され、人間の感染を制御し、拡散を緩和した。
中心市街地6都市におけるロックダウン前後の交通密度の低減について定量的に検討した。
論文 参考訳（メタデータ） (2021-03-02T13:45:16Z) - V2I Connectivity-Based Dynamic Queue-Jump Lane for Emergency Vehicles: A
Deep Reinforcement Learning Approach [3.39322931607753]
EMVサービスの遅延の主な理由は、EMVをブロックする車両間の通信と協力の欠如である。
連結車両のリアルタイム協調に基づく動的待ち行列ジャンプレーン(DQJL)の確立について検討する。
本稿では、最適調整命令を効率的に計算するディープニューラルネットワークに基づく強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-01T20:34:16Z) - Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。
輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
論文 参考訳（メタデータ） (2020-05-09T13:53:01Z) - Dynamic Queue-Jump Lane for Emergency Vehicles under Partially Connected
Settings: A Multi-Agent Deep Reinforcement Learning Approach [3.39322931607753]
救急車(EMV)サービスは都市の重要な機能であり、都市交通渋滞のため非常に困難である。
本稿では,V2X接続下でのEMVサービスの改善について検討する。
非接続車両の存在下での連結車両のリアルタイム協調に基づく動的キュージャンプレーン(DQJL)の確立を検討する。
論文 参考訳（メタデータ） (2020-03-02T16:59:21Z)
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。