論文の概要: Hierarchical GNN-Based Multi-Agent Learning for Dynamic Queue-Jump Lane and Emergency Vehicle Corridor Formation

• arxiv url: http://arxiv.org/abs/2601.04177v2
• Date: Fri, 09 Jan 2026 05:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.686936
• Title: Hierarchical GNN-Based Multi-Agent Learning for Dynamic Queue-Jump Lane and Emergency Vehicle Corridor Formation
• Title（参考訳）: 動的待ち行列と緊急車両回廊形成のための階層型GNNに基づくマルチエージェント学習
• Authors: Haoran Su,
• Abstract要約: 緊急回廊形成のための連結車両の協調のための,新しい階層型グラフニューラルネットワーク(GNN)に基づく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。 このシステムは、ベースラインと比較して緊急車両の走行時間を28.3%削減し、シミュレーションでは非コーディネートトラフィックと比較して44.6%削減する。
• 参考スコア（独自算出の注目度）: 0.685316573653194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency vehicles require rapid passage through congested traffic, yet existing strategies fail to adapt to dynamic conditions. We propose a novel hierarchical graph neural network (GNN)-based multi-agent reinforcement learning framework to coordinate connected vehicles for emergency corridor formation. Our approach uses a high-level planner for global strategy and low-level controllers for trajectory execution, utilizing graph attention networks to scale with variable agent counts. Trained via Multi-Agent Proximal Policy Optimization (MAPPO), the system reduces emergency vehicle travel time by 28.3% compared to baselines and 44.6% compared to uncoordinated traffic in simulations. The design achieves near-zero collision rates (0.3%) while maintaining 81% of background traffic efficiency. Ablation and generalization studies confirm the framework's robustness across diverse scenarios. These results demonstrate the effectiveness of combining GNNs with hierarchical learning for intelligent transportation systems.
• Abstract（参考訳）: 緊急車両は渋滞した交通を迅速に通過する必要があるが、既存の戦略は動的な状況に適応できない。 緊急回廊形成のための連結車両の協調のための,新しい階層型グラフニューラルネットワーク(GNN)に基づく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。 提案手法では,グローバル戦略のための高レベルプランナとトラジェクトリ実行のための低レベルコントローラを用い,グラフアテンションネットワークを用いてエージェント数を可変化する。 MAPPO(Multi-Agent Proximal Policy Optimization)によって訓練されたこのシステムは、ベースラインと比較して緊急車両の走行時間を28.3%削減し、シミュレーションでは非コーディネートトラフィックと比較して44.6%削減する。 この設計は、バックグラウンドトラフィック効率の81%を維持しながら、ほぼゼロの衝突率(0.3%)を達成する。 アブレーションと一般化の研究は、様々なシナリオにまたがるフレームワークの堅牢性を確認している。 これらの結果は,インテリジェント交通システムにおけるGNNと階層学習の併用の有効性を示すものである。

関連論文リスト

• A Distributed Hierarchical Spatio-Temporal Edge-Enhanced Graph Neural Network for City-Scale Dynamic Logistics Routing [4.8267586387192445]
  都市規模のロジスティクスルーティングは、都市道路網が急速に数千万のエッジと交通条件に成長するにつれて、ますます困難になっている。 従来の集中型ルーティングアルゴリズムとモノリシックグラフニューラルネットワーク(GNN)モデルは、限られたスケーラビリティ、高いレイテンシ、低リアルタイム適応性に悩まされている。 本稿では,超大型道路網上での動的ルーティングのための分散階層設計を提案する。
  論文  参考訳（メタデータ） (2025-12-20T17:27:36Z)
• 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)
• MAGNNET: Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning [2.5022287664959446]
  本稿では,グラフニューラルネットワーク(GNN)を一元的トレーニングと分散実行(CTDE)パラダイムに統合する新しいフレームワークを提案する。 本手法により,無人航空機 (UAV) と無人地上車両 (UGV) は, 中央調整を必要とせず, 効率よくタスクを割り当てることができる。
  論文  参考訳（メタデータ） (2025-02-04T13:29:56Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• IG-RL: Inductive Graph Reinforcement Learning for Massive-Scale Traffic Signal Control [4.273991039651846]
  適応的な交通信号制御のスケーリングには、状態と行動空間を扱う必要がある。 本稿では,グラフ畳み込みネットワークに基づくインダクティブグラフ強化学習(IG-RL)を紹介する。 我々のモデルは、新しい道路網、交通分布、交通体制に一般化することができる。
  論文  参考訳（メタデータ） (2020-03-06T17:17:59Z)

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。