論文の概要: An LLM-Powered Cooperative Framework for Large-Scale Multi-Vehicle Navigation

• arxiv url: http://arxiv.org/abs/2510.07825v1
• Date: Thu, 09 Oct 2025 06:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.90058
• Title: An LLM-Powered Cooperative Framework for Large-Scale Multi-Vehicle Navigation
• Title（参考訳）: 大規模多車両ナビゲーションのためのLLM駆動協調フレームワーク
• Authors: Yuping Zhou, Siqi Lai, Jindong Han, Hao Liu,
• Abstract要約: マルチサイクルダイナミックナビゲーションは、進化する交通条件の下で大きな船隊を同時にルーティングする必要がある。 既存の経路探索アルゴリズムと強化学習手法は、都市全体のネットワークにスケールするのに苦労する。 大規模多車両ナビゲーションのための階層型LLMフレームワークであるCityNavを提案する。
• 参考スコア（独自算出の注目度）: 10.549493962440804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rise of Internet of Vehicles (IoV) technologies is transforming traffic management from isolated control to a collective, multi-vehicle process. At the heart of this shift is multi-vehicle dynamic navigation, which requires simultaneously routing large fleets under evolving traffic conditions. Existing path search algorithms and reinforcement learning methods struggle to scale to city-wide networks, often failing to capture the nonlinear, stochastic, and coupled dynamics of urban traffic. To address these challenges, we propose CityNav, a hierarchical, LLM-powered framework for large-scale multi-vehicle navigation. CityNav integrates a global traffic allocation agent, which coordinates strategic traffic flow distribution across regions, with local navigation agents that generate locally adaptive routes aligned with global directives. To enable effective cooperation, we introduce a cooperative reasoning optimization mechanism, in which agents are jointly trained with a dual-reward structure: individual rewards promote per-vehicle efficiency, while shared rewards encourage network-wide coordination and congestion reduction. Extensive experiments on four real-world road networks of varying scales (up to 1.6 million roads and 430,000 intersections) and traffic datasets demonstrate that CityNav consistently outperforms nine classical path search and RL-based baselines in city-scale travel efficiency and congestion mitigation. Our results highlight the potential of LLMs to enable scalable, adaptive, and cooperative city-wide traffic navigation, providing a foundation for intelligent, large-scale vehicle routing in complex urban environments. Our project is available at https://github.com/usail-hkust/CityNav.
• Abstract（参考訳）: The rise of Internet of Vehicles (IoV) technology is transforming traffic management from isolated control to a collective, multi-vehicle process。 このシフトの中心はマルチサイクルのダイナミックナビゲーションであり、進化する交通条件の下で大きな艦隊を同時にルーティングする必要がある。 既存の経路探索アルゴリズムと強化学習手法は、都市全体のネットワークにスケールするのに苦労し、しばしば都市交通の非線形で確率的で結合したダイナミクスを捉えることに失敗する。 これらの課題に対処するため,大規模マルチ車両ナビゲーションのための階層型LLMフレームワークであるCityNavを提案する。 CityNavは、地域間の戦略的トラフィックフロー分布を調整するグローバルトラフィック割り当てエージェントと、グローバルディレクティブと整合したローカル適応ルートを生成するローカルナビゲーションエージェントを統合する。 効率の良い協調を可能にするために,エージェントを二重逆構造で共同訓練する協調推論最適化機構を導入し,各報酬は車種ごとの効率を向上し,共有報酬はネットワーク全体の調整と混雑軽減を促進させる。 様々な規模の4つの現実世界の道路網(最大1.6万の道路と43万の交差点)と交通データセットの大規模な実験により、CityNavは、都市規模の旅行効率と混雑緩和において、古典的な経路探索とRLベースのベースラインを一貫して上回っていることが示された。 以上の結果から,LLMが都市全体の交通航法をスケーラブルで適応的かつ協調的に実現し,複雑な都市環境におけるインテリジェントで大規模車両ルーティングの基盤となる可能性を強調した。 私たちのプロジェクトはhttps://github.com/usail-hkust/CityNav.comで利用可能です。

関連論文リスト

• Origin-Destination Pattern Effects on Large-Scale Mixed Traffic Control via Multi-Agent Reinforcement Learning [7.813738581616868]
  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)
• TransferLight: Zero-Shot Traffic Signal Control on any Road-Network [0.6274767633959003]
  TransferLightは、ロードネットワーク全体の堅牢な一般化のために設計された新しいフレームワークである。 階層的で、異質で、有向的なグラフニューラルネットワークアーキテクチャは、トラフィックの粒度の動態を効果的に捉えます。 我々は、ゼロショットを任意の道路ネットワークに再トレーニングせずにスケールする、単一の重み付けポリシーを開発した。
  論文  参考訳（メタデータ） (2024-12-12T20:52:12Z)
• CityLight: A Neighborhood-inclusive Universal Model for Coordinated City-scale Traffic Signal Control [23.5766158697276]
  CityLightは、2つの主要なモジュールで得られた表現に基づいて普遍的なポリシーを学ぶ。 97から13,952の交差点を含む5つの都市規模のデータセットの実験により、CityLightの有効性が確認された。
  論文  参考訳（メタデータ） (2024-06-04T09:10:14Z)
• Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
  都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。 本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。 モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。 私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
  論文  参考訳（メタデータ） (2024-05-03T00:29:20Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• A Novel Multi-Agent Deep RL Approach for Traffic Signal Control [13.927155702352131]
  都市ネットワークにおける複数の交通信号制御のための Friend-Deep Q-network (Friend-DQN) アプローチを提案する。 特に、複数のエージェント間の協調は状態-作用空間を減少させ、収束を加速させる。
  論文  参考訳（メタデータ） (2023-06-05T08:20:37Z)
• 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)
• 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。