論文の概要: Decentralized Traffic Flow Optimization Through Intrinsic Motivation

• arxiv url: http://arxiv.org/abs/2505.11520v1
• Date: Thu, 08 May 2025 18:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-25 10:52:49.037614
• Title: Decentralized Traffic Flow Optimization Through Intrinsic Motivation
• Title（参考訳）: 固有モチベーションによる分散型交通流最適化
• Authors: Himaja Papala, Daniel Polani, Stas Tiomkin,
• Abstract要約: 交通渋滞は長い間ユビキタスな問題であり、メガシティの急速な成長で悪化している。 本研究は,自動車の自律走行を制御し,交通の流れを改善するための本質的なモチベーションについて考察する。 提案モデルでは,全体のトラフィックフローが大幅に改善され,渋滞が軽減され,渋滞時間の平均が短縮される。
• 参考スコア（独自算出の注目度）: 4.3012765978447565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic congestion has long been an ubiquitous problem that is exacerbating with the rapid growth of megacities. In this proof-of-concept work we study intrinsic motivation, implemented via the empowerment principle, to control autonomous car behavior to improve traffic flow. In standard models of traffic dynamics, self-organized traffic jams emerge spontaneously from the individual behavior of cars, affecting traffic over long distances. Our novel car behavior strategy improves traffic flow while still being decentralized and using only locally available information without explicit coordination. Decentralization is essential for various reasons, not least to be able to absorb robustly substantial levels of uncertainty. Our scenario is based on the well-established traffic dynamics model, the Nagel-Schreckenberg cellular automaton. In a fraction of the cars in this model, we substitute the default behavior by empowerment, our intrinsic motivation-based method. This proposed model significantly improves overall traffic flow, mitigates congestion, and reduces the average traffic jam time.
• Abstract（参考訳）: 交通渋滞は長い間ユビキタスな問題であり、メガシティの急速な成長で悪化している。 本研究は,自動車の自律走行を制御し,交通の流れを改善するための本質的なモチベーションについて考察する。 交通力学の標準的なモデルでは、自律的な交通渋滞は自動車の個人行動から自然に発生し、長距離の交通に影響を及ぼす。 我々の新しい車行動戦略は、分散化しつつも交通の流れを改善し、明示的な調整なしに、ローカルに利用可能な情報のみを使用する。 分散化は様々な理由で不可欠である。 我々のシナリオは、よく確立されたトラフィックダイナミクスモデル、Nagel-Schreckenbergセルオートマトンに基づいている。 本モデルでは,本モデルでは,本モデルに内在するモチベーションに基づく手法であるエンパワーメントによって,デフォルトの動作を代用する。 提案モデルでは,全体のトラフィックフローが大幅に改善され,渋滞が軽減され,渋滞時間の平均が短縮される。

関連論文リスト

• Origin-Destination Pattern Effects on Large-Scale Mixed Traffic Control via Multi-Agent Reinforcement Learning [1.7273380623090846]
  人力車両とロボット車両の両方を含む大規模な混在交通制御は未調査のままである。 大規模混在トラフィックネットワークを管理するための分散型マルチエージェント強化学習フレームワークを提案する。 コロラド州コロラドスプリングスに14の交差点を持つ実世界のネットワークを構築した。
  論文  参考訳（メタデータ） (2025-05-19T01:36:05Z)
• 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)
• 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)
• 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)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• 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)
• Courteous Behavior of Automated Vehicles at Unsignalized Intersections via Reinforcement Learning [30.00761722505295]
  深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。 我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
  論文  参考訳（メタデータ） (2021-06-11T13:16:48Z)
• 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)

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。