論文の概要: CoT-VLM4Tar: Chain-of-Thought Guided Vision-Language Models for Traffic Anomaly Resolution
- arxiv url: http://arxiv.org/abs/2503.01632v1
- Date: Mon, 03 Mar 2025 15:07:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:19:37.297580
- Title: CoT-VLM4Tar: Chain-of-Thought Guided Vision-Language Models for Traffic Anomaly Resolution
- Title（参考訳）: CoT-VLM4Tar:交通異常解消のためのチェーン・オブ・ソートガイド型ビジョンランゲージモデル
- Authors: Tianchi Ren, Haibo Hu, Jiacheng Zuo, Xinhong Chen, Jianping Wang, Chun Jason Xue, Jen-Ming Wu, Nan Guan,
- Abstract要約: CoT-VLM4Tar:(交通異常解消のための思考視覚言語モデルの構造)
本稿では,より合理的かつ効果的に交通異常を解析し,推論し,解決する上で,VLMを導くための新たなチェーン・オブ・思想を提案する。
本結果は,VLMがリアルタイム交通異常の解消に有効であることを示し,自律的な交通管理システムへの統合の実証となる。
- 参考スコア（独自算出の注目度）: 14.703196966156288
- License:
- Abstract: With the acceleration of urbanization, modern urban traffic systems are becoming increasingly complex, leading to frequent traffic anomalies. These anomalies encompass not only common traffic jams but also more challenging issues such as phantom traffic jams, intersection deadlocks, and accident liability analysis, which severely impact traffic flow, vehicular safety, and overall transportation efficiency. Currently, existing solutions primarily rely on manual intervention by traffic police or artificial intelligence-based detection systems. However, these methods often suffer from response delays and inconsistent management due to inadequate resources, while AI detection systems, despite enhancing efficiency to some extent, still struggle to handle complex traffic anomalies in a real-time and precise manner. To address these issues, we propose CoT-VLM4Tar: (Chain of Thought Visual-Language Model for Traffic Anomaly Resolution), this innovative approach introduces a new chain-of-thought to guide the VLM in analyzing, reasoning, and generating solutions for traffic anomalies with greater reasonable and effective solution, and to evaluate the performance and effectiveness of our method, we developed a closed-loop testing framework based on the CARLA simulator. Furthermore, to ensure seamless integration of the solutions generated by the VLM with the CARLA simulator, we implement an itegration module that converts these solutions into executable commands. Our results demonstrate the effectiveness of VLM in the resolution of real-time traffic anomalies, providing a proof-of-concept for its integration into autonomous traffic management systems.
- Abstract（参考訳）: 都市化の加速に伴い、現代の都市交通システムはますます複雑化しており、交通異常が頻発している。
これらの異常は、一般的な交通渋滞だけでなく、幻の交通渋滞、交差点のデッドロック、事故責任分析など、交通の流れ、車両の安全性、全体の輸送効率に深刻な影響を与えている。
現在、既存のソリューションは主に交通警察や人工知能ベースの検知システムによる手動による介入に依存している。
しかしながら、これらの手法はリソース不足による応答遅延や不整合性管理に悩まされることが多いが、AI検出システムは、ある程度の効率向上にもかかわらず、リアルタイムかつ正確な方法で複雑なトラフィック異常を処理するのに苦慮している。
このような問題に対処するため、我々はCoT-VLM4Tarを提案する: (Chain of Thought Visual-Language Model for Traffic Anomaly Resolution) この革新的なアプローチは、より合理的で効果的なソリューションで交通異常に対するソリューションを解析・推論・生成する上で、VLMをガイドする新しいチェーンを導入し、CARLAシミュレータに基づくクローズドループテストフレームワークを開発した。
さらに、VLMが生成したソリューションとCARLAシミュレータとのシームレスな統合を確保するため、これらのソリューションを実行可能なコマンドに変換するイテゲーションモジュールを実装した。
本結果は,VLMがリアルタイム交通異常の解消に有効であることを示し,自律的な交通管理システムへの統合の実証となる。
関連論文リスト
- Meta-Federated Learning: A Novel Approach for Real-Time Traffic Flow Management [0.0]
本稿では,フェデレートラーニング(FL)とメタラーニング(ML)を組み合わせて,分散型でスケーラブルで適応的なトラフィック管理システムを構築する,新しいアプローチを提案する。
スマートトラヒックデバイスのシミュレーションネットワークにモデルを実装し,予測精度と応答時間の観点から,Meta-Federated Learningが従来のモデルより大幅に優れていることを示す。
当社のアプローチは,交通パターンの急激な変化に対する顕著な適応性を示し,スマートシティにおけるリアルタイムトラフィック管理のスケーラブルなソリューションを提案する。
論文 参考訳（メタデータ） (2025-01-28T07:24:24Z) - Decentralized Semantic Traffic Control in AVs Using RL and DQN for Dynamic Roadblocks [9.485363025495225]
車両自体にセマンティックエンコーディングの責務を委譲するセマンティックトラフィック制御システムを提案する。
このシステムは、強化学習(RL)エージェントから得られる意思決定を処理し、意思決定プロセスの合理化を行う。
論文 参考訳（メタデータ） (2024-06-26T20:12:48Z) - Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving [17.659812774579756]
本研究では,自律走行車における分散型協調運転ポリシーを学習する非対称アクター・批判モデルを提案する。
マスキングを用いたアテンションニューラルネットワークを用いることで,実世界の交通動態と部分観測可能性の効率よく管理できる。
論文 参考訳（メタデータ） (2024-03-18T16:13:02Z) - 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) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - 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-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - 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)
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。