論文の概要: Learn2Drive: A neural network-based framework for socially compliant automated vehicle control

• arxiv url: http://arxiv.org/abs/2510.21736v1
• Date: Tue, 30 Sep 2025 22:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 05:35:45.941249
• Title: Learn2Drive: A neural network-based framework for socially compliant automated vehicle control
• Title（参考訳）: Learn2Drive: 社会的に準拠した自動車両制御のためのニューラルネットワークベースのフレームワーク
• Authors: Yuhui Liu, Samannita Halder, Shian Wang, Tianyi Li,
• Abstract要約: 本研究では,自動走行における適応型クルーズ制御(ACC)のための新しい制御フレームワークを提案する。 社会的価値指向(SVO)を組み込んだニューラルネットワークに基づく社会的に適合したAV制御フレームワークを提案する。 数値計算により, 提案手法が様々な交通条件に適応することを示す。
• 参考スコア（独自算出の注目度）: 8.217174490984299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study introduces a novel control framework for adaptive cruise control (ACC) in automated driving, leveraging Long Short-Term Memory (LSTM) networks and physics-informed constraints. As automated vehicles (AVs) adopt advanced features like ACC, transportation systems are becoming increasingly intelligent and efficient. However, existing AV control strategies primarily focus on optimizing the performance of individual vehicles or platoons, often neglecting their interactions with human-driven vehicles (HVs) and the broader impact on traffic flow. This oversight can exacerbate congestion and reduce overall system efficiency. To address this critical research gap, we propose a neural network-based, socially compliant AV control framework that incorporates social value orientation (SVO). This framework enables AVs to account for their influence on HVs and traffic dynamics. By leveraging AVs as mobile traffic regulators, the proposed approach promotes adaptive driving behaviors that reduce congestion, improve traffic efficiency, and lower energy consumption. Within this framework, we define utility functions for both AVs and HVs, which are optimized based on the SVO of each AV to balance its own control objectives with broader traffic flow considerations. Numerical results demonstrate the effectiveness of the proposed method in adapting to varying traffic conditions, thereby enhancing system-wide efficiency. Specifically, when the AV's control mode shifts from prioritizing energy consumption to optimizing traffic flow efficiency, vehicles in the following platoon experience at least a 58.99% increase in individual energy consumption alongside at least a 38.39% improvement in individual average speed, indicating significant enhancements in traffic dynamics.
• Abstract（参考訳）: 本研究では,Long Short-Term Memory(LSTM)ネットワークと物理インフォームド制約を利用した,自動走行における適応型クルーズ制御(ACC)の新しい制御フレームワークを提案する。 自動走行車(AV)がACCのような高度な機能を採用するにつれ、交通システムはますますインテリジェントで効率的なものになりつつある。 しかし、既存のAV制御戦略は、主に個々の車両やプラトンの性能を最適化することに焦点を当てており、しばしば人間駆動車(HV)との相互作用を無視し、交通の流れに広範な影響を与えている。 この監視は混雑を悪化させ、システム全体の効率を低下させる。 この重要な研究ギャップに対処するために、社会価値指向(SVO)を組み込んだニューラルネットワークに基づく社会的に適合したAV制御フレームワークを提案する。 このフレームワークは、AVがHVやトラフィックダイナミクスに影響を及ぼすことを説明できる。 モバイルトラフィックレギュレータとしてAVを活用することにより、渋滞を低減し、交通効率を向上し、エネルギー消費を低減できる適応運転行動を促進する。 本フレームワークでは,各AVのSVOに基づいて最適化されたAVとHVの両方のユーティリティ関数を定義し,より広いトラフィックフローを考慮した制御目標のバランスをとる。 シミュレーションにより, 提案手法が交通条件の変化に適応し, システム全体の効率を向上することを示す。 特に、AVの制御モードがエネルギー消費の優先順位付けから交通流量効率の最適化に移行すると、以下の小隊の車両は、少なくとも58.99%のエネルギー消費の増加と、少なくとも38.39%の個々の平均速度の改善を伴い、交通力学の大幅な向上を示している。

関連論文リスト

• STAR-RIS-assisted Collaborative Beamforming for Low-altitude Wireless Networks [58.13757830013997]
  無人航空機(UAV)に基づく無線ネットワークは、都市コミュニケーションに高いモビリティ、柔軟性、カバーを提供する。 閉塞により、密集した環境では信号の減衰が激しい。 この重要な問題に対処するために、UAVの協調ビームの導入と全方向逆方向ビームフォーミングについて検討する。
  論文  参考訳（メタデータ） (2025-10-25T01:28:37Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• Cooperative Cruising: Reinforcement Learning-Based Time-Headway Control for Increased Traffic Efficiency [4.982603129041808]
  本稿では,高速道路の交通効率を人的交通と比較して初めて向上させる新しいAIシステムを提案する。 私たちのアプローチの核心は、自動車両にタイムヘッドを通信する強化学習ベースのコントローラです。
  論文  参考訳（メタデータ） (2024-12-03T16:13:42Z)
• Comprehensive Autonomous Vehicle Optimal Routing With Dynamic Heuristics [0.0]
  AVユーザエクスペリエンスを改善するために提案されたモデルは、複数の連結自動運転車のハイブリッドAVネットワークを使用する。 この問題の真の最適解決策は、AVネットワークにおける車両の自動誘導システムを開発することである。 結果は分析され、解の有効性を評価し、ギャップと将来の拡張を識別するために比較される。
  論文  参考訳（メタデータ） (2024-03-17T18:21:56Z)
• Reinforcement Learning for Joint V2I Network Selection and Autonomous Driving Policies [14.518558523319518]
  自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている 道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。 我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-08-03T04:33:02Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL [63.52264764099532]
  本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。 この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
  論文  参考訳（メタデータ） (2020-10-30T22:06:05Z)

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。