論文の概要: Self-Organizing Railway Traffic Management

• arxiv url: http://arxiv.org/abs/2601.17017v1
• Date: Thu, 15 Jan 2026 14:48:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 02:21:38.496425
• Title: Self-Organizing Railway Traffic Management
• Title（参考訳）: 自己組織型鉄道交通管理
• Authors: Federico Naldini, Fabio Oddi, Leo D'Amato, Grégory Marlière, Vito Trianni, Paola Pellegrini,
• Abstract要約: 列車の自己組織化を可能にするモジュールプロセスの設計と実装を行う。 自己組織化の結果と最先端の集中型アプローチの結果を比較した。
• 参考スコア（独自算出の注目度）: 0.6157382820537719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Improving traffic management in case of perturbation is one of the main challenges in today's railway research. The great majority of the existing literature proposes approaches to make centralized decisions to minimize delay propagation. In this paper, we propose a new paradigm to the same aim: we design and implement a modular process to allow trains to self-organize. This process consists in having trains identifying their neighbors, formulating traffic management hypotheses, checking their compatibility and selecting the best ones through a consensus mechanism. Finally, these hypotheses are merged into a directly applicable traffic plan. In a thorough experimental analysis on a portion of the Italian network, we compare the results of self-organization with those of a state-of-the-art centralized approach. In particular, we make this comparison mimicking a realistic deployment thanks to a closed-loop framework including a microscopic railway simulator. The results indicate that self-organization achieves better results than the centralized algorithm, specifically thanks to the definition and exploitation of the instance decomposition allowed by the proposed approach.
• Abstract（参考訳）: 摂動時の交通管理の改善は、今日の鉄道研究における大きな課題の1つである。 既存の文献の大部分は、遅延伝播を最小限に抑える集中的な決定を行うアプローチを提案している。 本稿では,列車を自己組織化するためのモジュールプロセスの設計と実装という,同じ目的の新たなパラダイムを提案する。 このプロセスは、列車に隣人を識別させ、交通管理の仮説を定式化し、互換性を確認し、合意機構を通じて最良のものを選択することで構成される。 最後に、これらの仮説は直接適用可能な交通計画にマージされる。 イタリアのネットワークの一部に関する徹底的な実験分析では、自己組織化の結果と最先端の中央集権的アプローチの結果を比較した。 特に、この比較は、顕微鏡鉄道シミュレータを含むクローズドループフレームワークにより、現実的な展開を模倣する。 この結果から, 自己組織は集中型アルゴリズムよりも優れた結果が得られることが示唆された。

関連論文リスト

• Single-agent Reinforcement Learning Model for Regional Adaptive Traffic Signal Control [5.170416022609791]
  本研究は、プローブ車両技術と互換性のある単一エージェントRLに基づく地域交通信号制御モデルを提案する。 RL設計の主要なコンポーネントは状態、アクション、報酬関数の定義である。 実験により,提案手法は協調型多区間制御により,大規模領域の混雑レベルを効果的に緩和することを示した。
  論文  参考訳（メタデータ） (2025-11-01T13:29:13Z)
• Directional Reasoning Injection for Fine-Tuning MLLMs [51.53222423215055]
  マルチモーダルな大言語モデル(MLLM)は急速に進歩しているが、その推論能力は強いテキストのみのモデルよりも遅れていることが多い。 このギャップを埋める既存の方法は、大規模マルチモーダル推論データや強化学習の監督された微調整に依存している。 この問題を解決するために,DRIFT(Directional Reasoning Injection for Fine-Tuning)を提案する。
  論文  参考訳（メタデータ） (2025-10-16T18:06:46Z)
• An approach to the timetabling problem in deregulated railway markets based on metaheuristic algorithms [0.384477122144121]
  本稿では、規制緩和された鉄道システムの力学を再現するためのモジュラーシミュレーションフレームワークを提案する。 MEALPY Pythonライブラリを用いた10のメタヒューリスティックアルゴリズムが評価され、自由化されたスペインの鉄道市場における列車スケジュールを最適化する。
  論文  参考訳（メタデータ） (2025-04-24T11:36:39Z)
• Bench4Merge: A Comprehensive Benchmark for Merging in Realistic Dense Traffic with Micro-Interactive Vehicles [21.832221839624527]
  本稿では,統合シナリオにおける動作計画能力を評価するためのベンチマークを提案する。 我々のアプローチには、微小な行動特性を持つ大規模データセットで訓練された他の車両が含まれる。 既存の手法の評価を行い,共通問題を同定した。
  論文  参考訳（メタデータ） (2024-10-21T11:35:33Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Generating Chain-of-Thoughts with a Pairwise-Comparison Approach to Searching for the Most Promising Intermediate Thought [70.30423016640749]
  CoT法(Chain-of- Thoughts)は、大規模言語モデルにステップバイステップの推論を誘導し、単純から複雑への問題解決を可能にする手法である。 大規模言語モデル (LLMs) による評価は、一般的にうるさく、信頼できないものであり、将来有望な中間的思考を選択する際の生成過程を誤解させる可能性がある。 本稿では,Vapnikの原理を動機として,ポイントワイドスコアではなくペアワイズ比較評価を用いて,有望な中間思考を探索する。
  論文  参考訳（メタデータ） (2024-02-10T09:51:03Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• 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)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Learning Scalable Multi-Agent Coordination by Spatial Differentiation for Traffic Signal Control [8.380832628205372]
  交通信号制御のためのディープ強化学習法に基づくマルチエージェント協調フレームワークを設計する。 具体的には、リプレイバッファ内の時間空間情報を用いて各アクションの報酬を補正する調整のための空間差分法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T02:16:00Z)

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。