論文の概要: Adaptive Tuning of Parameterized Traffic Controllers via Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2512.07417v1
• Date: Mon, 08 Dec 2025 10:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.847224
• Title: Adaptive Tuning of Parameterized Traffic Controllers 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パラメータ化トラヒックコントローラの適応チューニング
• Authors: Giray Önür, Azita Dabiri, Bart De Schutter,
• Abstract要約: 本稿では,各エージェントが状態フィードバックトラヒックコントローラのパラメータを適応的に調整する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。 提案手法は,様々な交通条件下でシミュレーションされたマルチクラス交通ネットワーク上で評価される。
• 参考スコア（独自算出の注目度）: 13.748063426728178
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective traffic control is essential for mitigating congestion in transportation networks. Conventional traffic management strategies, including route guidance, ramp metering, and traffic signal control, often rely on state feedback controllers, used for their simplicity and reactivity; however, they lack the adaptability required to cope with complex and time-varying traffic dynamics. This paper proposes a multi-agent reinforcement learning framework in which each agent adaptively tunes the parameters of a state feedback traffic controller, combining the reactivity of state feedback controllers with the adaptability of reinforcement learning. By tuning parameters at a lower frequency rather than directly determining control actions at a high frequency, the reinforcement learning agents achieve improved training efficiency while maintaining adaptability to varying traffic conditions. The multi-agent structure further enhances system robustness, as local controllers can operate independently in the event of partial failures. The proposed framework is evaluated on a simulated multi-class transportation network under varying traffic conditions. Results show that the proposed multi-agent framework outperforms the no control and fixed-parameter state feedback control cases, while performing on par with the single-agent RL-based adaptive state feedback control, with a much better resilience to partial failures.
• Abstract（参考訳）: 交通ネットワークにおける渋滞軽減には,効果的な交通制御が不可欠である。 ルート誘導、ランプ計測、信号制御といった従来の交通管理戦略は、多くの場合、その単純さと反応性のために使用される状態フィードバックコントローラに依存しているが、複雑な交通力学と時間変化に対処するために必要な適応性は欠如している。 本稿では,各エージェントが状態フィードバックトラヒックコントローラのパラメータを適応的に調整し,状態フィードバックコントローラの反応性と強化学習の適応性を組み合わせた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。 高頻度で制御動作を直接決定するのではなく、低周波でパラメータをチューニングすることにより、各種の交通条件への適応性を維持しつつ、訓練効率を向上させることができる。 マルチエージェント構造は、部分故障時にローカルコントローラが独立して動作するため、システムの堅牢性をさらに向上する。 提案手法は,様々な交通条件下でシミュレーションされたマルチクラス交通ネットワーク上で評価される。 提案したマルチエージェントフレームワークは,単一エージェントRLベースの適応状態フィードバック制御と同等の性能を示しながら,非制御および固定パラメータ状態フィードバック制御のケースよりも優れた性能を示し,部分的障害に対するより優れたレジリエンスを示す。

関連論文リスト

• Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations [5.784337914162491]
  交通渋滞は、主に交差点の待ち行列によって引き起こされ、都市生活水準、安全性、環境品質、経済効率に大きな影響を及ぼす。 本研究では,地域適応型TSCのための新しい単エージェント強化学習フレームワークを提案する。 このフレームワークは堅牢な反ゆらぎ能力を示し、待ち時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2025-11-01T13:18:50Z)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Reinforcement Learning with Model Predictive Control for Highway Ramp Metering [14.389086937116582]
  この研究は、交通フロー管理を強化するためのモデルベースと学習ベースの戦略の相乗効果について考察する。 制御問題は、適切なステージコスト関数を作成することにより、RLタスクとして定式化される。 RLアルゴリズムの関数近似として MPC 最適問題を利用する MPC ベースの RL アプローチを提案し,オンランプの効率的な制御について検討した。
  論文  参考訳（メタデータ） (2023-11-15T09:50:54Z)
• 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)
• 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)
• MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
  交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。 近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。 本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
  論文  参考訳（メタデータ） (2021-01-04T03:06:08Z)
• Regularizing Action Policies for Smooth Control with Reinforcement Learning [47.312768123967025]
  Conditioning for Action Policy Smoothness(CAPS)は、アクションポリシーの効果的な直感的な正規化である。 capsは、ニューラルネットワークコントローラの学習状態-動作マッピングの滑らかさを一貫して改善する。 実システムでテストしたところ、クアドロタードローンのコントローラーの滑らかさが改善され、消費電力は80%近く削減された。
  論文  参考訳（メタデータ） (2020-12-11T21:35:24Z)
• 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。