論文の概要: Heterogeneous Vertiport Selection Optimization for On-Demand Air Taxi Services: A Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2601.21316v1
• Date: Thu, 29 Jan 2026 06:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.618682
• Title: Heterogeneous Vertiport Selection Optimization for On-Demand Air Taxi Services: A Deep Reinforcement Learning Approach
• Title（参考訳）: オンデマンドエアタクシーサービスにおける不均質なバーティポート選択最適化:深層強化学習アプローチ
• Authors: Aoyu Pang, Maonan Wang, Zifan Sha, Wenwei Yue, Changle Li, Chung Shue Chen, Man-On Pun,
• Abstract要約: UAM(Urban Air Mobility)は、低高度空域を利用して都市の混雑を緩和するための変革的ソリューションとして登場した。 真に効率的でシームレスなドアツードア旅行体験を実現するために、UAMは既存の地上交通インフラと密に統合する必要がある。 航空・地上輸送の戦略選択を統合した統一最適化モデルを提案する。
• 参考スコア（独自算出の注目度）: 19.822206623719808
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Urban Air Mobility (UAM) has emerged as a transformative solution to alleviate urban congestion by utilizing low-altitude airspace, thereby reducing pressure on ground transportation networks. To enable truly efficient and seamless door-to-door travel experiences, UAM requires close integration with existing ground transportation infrastructure. However, current research on optimal integrated routing strategies for passengers in air-ground mobility systems remains limited, with a lack of systematic exploration.To address this gap, we first propose a unified optimization model that integrates strategy selection for both air and ground transportation. This model captures the dynamic characteristics of multimodal transport networks and incorporates real-time traffic conditions alongside passenger decision-making behavior. Building on this model, we propose a Unified Air-Ground Mobility Coordination (UAGMC) framework, which leverages deep reinforcement learning (RL) and Vehicle-to-Everything (V2X) communication to optimize vertiport selection and dynamically plan air taxi routes. Experimental results demonstrate that UAGMC achieves a 34\% reduction in average travel time compared to conventional proportional allocation methods, enhancing overall travel efficiency and providing novel insights into the integration and optimization of multimodal transportation systems. This work lays a solid foundation for advancing intelligent urban mobility solutions through the coordination of air and ground transportation modes. The related code can be found at https://github.com/Traffic-Alpha/UAGMC.
• Abstract（参考訳）: 都市エアモビリティ (UAM) は, 低高度空域を利用して市街地の混雑を緩和し, 地上交通網の圧力を低減し, 都市の混雑を緩和するための変革的ソリューションとして登場した。 真に効率的でシームレスなドアツードア旅行体験を実現するために、UAMは既存の地上交通インフラと密に統合する必要がある。 しかし, 空地移動システムにおける乗客の最適ルーティング戦略に関する現在の研究は, 体系的な探索が欠如しているため, 航空・地上輸送の戦略選択を統合した統一最適化モデルが提案されている。 このモデルはマルチモーダルトランスポートネットワークの動的特性を捉え、乗客の意思決定行動と並行してリアルタイムの交通条件を組み込む。 本モデルに基づいて,深部強化学習(RL)と車両間通信(V2X)を活用する統一空域移動コーディネーション(UAGMC)フレームワークを提案し,バーチポートの選択を最適化し,航空タクシー経路を動的に計画する。 実験の結果,UAGMCは従来の比例割当法に比べて平均走行時間を34倍に削減し,全体の走行効率を向上し,マルチモーダル輸送システムの統合と最適化に関する新たな知見を提供することができた。 この研究は、空気輸送モードと地上輸送モードの協調を通じて、インテリジェントな都市移動ソリューションを進化させるための確かな基礎を築いた。 関連するコードはhttps://github.com/Traffic-Alpha/UAGMCにある。

関連論文リスト

• Real-Time Communication-Aware Ride-Sharing Route Planning for Urban Air Mobility: A Multi-Source Hybrid Attention Reinforcement Learning Approach [27.425849779266613]
  UAM(Urban Air Mobility)システムは、都市渋滞を緩和する有望な解決策として急速に発展しつつある。 地上輸送とは異なり、UAM軌道計画では正確な位置追跡のために通信品質を優先しなければならない。 本研究では,都市空域の通信品質を評価するための無線マップの構築を提案する。
  論文  参考訳（メタデータ） (2025-07-18T06:09:30Z)
• Urban Air Mobility as a System of Systems: An LLM-Enhanced Holonic Approach [2.511335572111537]
  Urban Air Mobility(UAM)は、システムアーキテクチャ、計画、タスク管理、実行において課題に直面している新興システム(SoS)である。 本稿では,UAMの複雑さを管理するためにLLM(Large Language Model)を組み込んだインテリジェントホロニックアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-01T07:39:11Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• Low-altitude UAV Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.23178920029957]
  本稿では,低高度無人航空機(UAV)による衛星海上通信システムを提案する。 安全衛星・海上通信多目的最適化問題(SSMCMOP)を定式化する。 動的かつ長期の最適化問題を解くため、マルコフ決定過程に再構成する。 次に,トランスサック (TransSAC) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• Routing and Scheduling Optimization for Urban Air Mobility Fleet Management using Quantum Annealing [1.2145532233226684]
  都市部における高密度航空交通の効率的な管理は、安全かつ効果的な運用を確保するために重要である。 都市部で運用されている大型UAM車両の需要に対応するためのルーティングとスケジューリングの枠組みを提案する。 本手法はシンガポールの空域に適した交通管理シミュレータを用いて検証した。
  論文  参考訳（メタデータ） (2024-10-15T03:27:52Z)
• 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)
• COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
  モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。 COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。 実装された都市間ベースラインは,その優位性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-04T07:45:29Z)
• Learning-based Online Optimization for Autonomous Mobility-on-Demand Fleet Control [8.020856741504794]
  自律移動オンデマンドシステムのためのオンライン制御アルゴリズムについて検討する。 我々は、オンラインディスパッチとリバランスポリシーを学習する、新しいハイブリッド強化機械学習パイプラインを開発した。 提案手法は,最先端の欲求とモデル予測制御のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-08T09:40:30Z)
• 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)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。