論文の概要: Origin-Destination Pattern Effects on Large-Scale Mixed Traffic Control via Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2505.13543v1
• Date: Mon, 19 May 2025 01:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.385104
• Title: Origin-Destination Pattern Effects on Large-Scale Mixed Traffic Control via Multi-Agent Reinforcement Learning
• Title（参考訳）: マルチエージェント強化学習による大規模混在交通制御における原位置パターンの影響
• Authors: Muyang Fan, Songyang Liu, Weizi Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.7273380623090846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic congestion remains a major challenge for modern urban transportation, diminishing both efficiency and quality of life. While autonomous driving technologies and reinforcement learning (RL) have shown promise for improving traffic control, most prior work has focused on small-scale networks or isolated intersections. Large-scale mixed traffic control, involving both human-driven and robotic vehicles, remains underexplored. In this study, we propose a decentralized multi-agent reinforcement learning framework for managing large-scale mixed traffic networks, where intersections are controlled either by traditional traffic signals or by robotic vehicles. We evaluate our approach on a real-world network of 14 intersections in Colorado Springs, Colorado, USA, using average vehicle waiting time as the primary measure of traffic efficiency. Results demonstrate that strategically adjusting major origin-destination (OD) flow patterns can effectively reduce congestion, offering a new pathway for enhancing urban mobility.
• Abstract（参考訳）: 交通渋滞は現代の都市交通にとって大きな課題であり、効率と生活の質の両方を損なう。 自律運転技術と強化学習(RL)は交通制御の改善を約束する一方で、これまでは小規模のネットワークや孤立した交差点に重点を置いてきた。 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。 本研究では,従来の交通信号やロボット車両によって交差点が制御される大規模混在交通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おける14の交差点ネットワークに対するアプローチを,交通効率の第一指標として平均車両待ち時間を用いて評価した。 以上の結果から, 戦略的に起因決定(OD)フローパターンを調整することで, 渋滞を効果的に軽減し, 都市移動性を高める新たな経路を提供することができた。

関連論文リスト

• Large-Scale Mixed-Traffic and Intersection Control using Multi-agent Reinforcement Learning [9.05328054083722]
  本研究では,大規模混在交通制御に分散型マルチエージェント強化学習を用いた最初の試みを示す。 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評価した。 80%のRV浸透速度で, 待ち時間を6.17秒から5.09秒に短縮し, スループットを500秒に454台から500秒に493台に向上させる。
  論文  参考訳（メタデータ） (2025-04-07T02:52:39Z)
• Neighbor-Aware Reinforcement Learning for Mixed Traffic Optimization in Large-scale Networks [1.9413548770753521]
  本稿では,交差する交差点を横断する混在トラフィックを調整するための強化学習フレームワークを提案する。 我々の重要な貢献は、RVがネットワーク間のバランスの取れた分散を維持することができる隣り合わせの報酬メカニズムである。 その結果,最先端の単一断面制御方式と比較して平均待ち時間を39.2%削減できることがわかった。
  論文  参考訳（メタデータ） (2024-12-17T07:35:56Z)
• 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)
• 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)
• Learning to Control and Coordinate Mixed Traffic Through Robot Vehicles at Complex and Unsignalized Intersections [33.0086333735748]
  本稿では,実世界の複雑な交差点におけるRVによる混在トラフィックの制御と調整のためのマルチエージェント強化学習手法を提案する。 本手法は,1時間あたり700台の車両の現実的な交通需要の下で,わずか5%のRVを経由した渋滞発生を防止する。 提案手法は,ブラックアウトイベント,突然のRVパーセンテージ低下,V2V通信エラーに対して堅牢である。
  論文  参考訳（メタデータ） (2023-01-12T21:09:58Z)
• 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。