論文の概要: A Collaborative Safety Shield for Safe and Efficient CAV Lane Changes in Congested On-Ramp Merging
- arxiv url: http://arxiv.org/abs/2602.10007v1
- Date: Tue, 10 Feb 2026 17:30:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-11 20:17:43.710633
- Title: A Collaborative Safety Shield for Safe and Efficient CAV Lane Changes in Congested On-Ramp Merging
- Title（参考訳）: 集中型オンランプマージにおける安全かつ効率的なCAVレーン変更のための協調型安全シールド
- Authors: Bharathkumar Hegde, Melanie Bouroche,
- Abstract要約: コネクテッド・アンド・オートマチック・ビークルズ(CAV)にとって、高密度交通における車線変更は重要な課題である
安全で協調的な車線変更を可能にするマルチエージェント安全シールド(MASS)を提案する。
集中型オンランプマージシミュレーションにおけるMASSの評価を行った。
- 参考スコア（独自算出の注目度）: 1.160208922584163
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Lane changing in dense traffic is a significant challenge for Connected and Autonomous Vehicles (CAVs). Existing lane change controllers primarily either ensure safety or collaboratively improve traffic efficiency, but do not consider these conflicting objectives together. To address this, we propose the Multi-Agent Safety Shield (MASS), designed using Control Barrier Functions (CBFs) to enable safe and collaborative lane changes. The MASS enables collaboration by capturing multi-agent interactions among CAVs through interaction topologies constructed as a graph using a simple algorithm. Further, a state-of-the-art Multi-Agent Reinforcement Learning (MARL) lane change controller is extended by integrating MASS to ensure safety and defining a customised reward function to prioritise efficiency improvements. As a result, we propose a lane change controller, known as MARL-MASS, and evaluate it in a congested on-ramp merging simulation. The results demonstrate that MASS enables collaborative lane changes with safety guarantees by strictly respecting the safety constraints. Moreover, the proposed custom reward function improves the stability of MARL policies trained with a safety shield. Overall, by encouraging the exploration of a collaborative lane change policy while respecting safety constraints, MARL-MASS effectively balances the trade-off between ensuring safety and improving traffic efficiency in congested traffic. The code for MARL-MASS is available with an open-source licence at https://github.com/hkbharath/MARL-MASS
- Abstract（参考訳）: 密集した交通量の変化は、コネクテッド・アンド・オートマチック・ビークルズ(CAV)にとって重要な課題である。
既存のレーン変更コントローラは、主に安全を確保するか、交通効率を協調的に向上させるかのどちらかであるが、これらの相反する目標を一緒に考慮しない。
そこで我々は,安全かつ協調的な車線変更を可能にするために,制御バリア関数(CBF)を用いて設計したマルチエージェント安全シールド(MASS)を提案する。
MASSは、単純なアルゴリズムを用いてグラフとして構築された相互作用トポロジを通じて、CAV間のマルチエージェントインタラクションをキャプチャすることで、協調を可能にする。
さらに、安全を確保するためにMASSを統合し、効率の向上を優先するためにカスタマイズされた報酬関数を定義することにより、最先端のマルチエージェント強化学習(MARL)レーン変更コントローラを拡張する。
その結果,MARL-MASS と呼ばれる車線変更制御系を提案し,集中型オンランプマージシミュレーションで評価した。
その結果,MASSは安全制約を厳格に尊重することにより,安全保証を伴う共同車線変更を可能にすることを示した。
さらに、カスタム報酬関数は、安全シールドで訓練されたMARLポリシーの安定性を向上させる。
全体として、MARL-MASSは、安全制約を尊重しながら、共同車線変更政策の探求を奨励することにより、交通渋滞の安全確保と交通効率の向上のトレードオフを効果的にバランスさせる。
MARL-MASSのコードはhttps://github.com/hkbharath/MARL-MASSで公開されている。
関連論文リスト
- COSMO-RL: Towards Trustworthy LMRMs via Joint Safety and Stability [101.80200069234377]
COSMO-RLは,マルチモーダル・マルチタスク・マルチオブジェクト信号下でLMRMを学習する混合強化学習フレームワークである。
我々のアプローチは、アライメント中に競合するのではなく、安全と能力をひとつの安定したパイプラインで一緒に成長させることを目的としています。
論文 参考訳（メタデータ） (2025-10-05T13:30:03Z) - UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。
安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。
この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
論文 参考訳（メタデータ） (2025-10-02T16:43:33Z) - Trust-MARL: Trust-Based Multi-Agent Reinforcement Learning Framework for Cooperative On-Ramp Merging Control in Heterogeneous Traffic Flow [8.452082837356162]
本研究では,信頼に基づくマルチエージェント強化学習(Trust-MARL)フレームワークを提案する。
Trust-MARLは、エージェント間信頼を利用して、ボトルネックスループットを改善し、トラフィック衝撃波を軽減することで、グローバルなトラフィック効率を向上させる。
広範囲にわたるアブレーション研究と比較実験は、提案したTrust-MARLアプローチの有効性を検証する。
論文 参考訳（メタデータ） (2025-06-14T18:35:10Z) - Safe and Efficient CAV Lane Changing using Decentralised Safety Shields [2.07180164747172]
レーン変更はコネクテッド・アンド・オートマチック・ビークル(CAV)の複雑な意思決定問題である
我々は、最適化とルールに基づく安全保証アプローチを組み合わせた分散ハイブリッド安全シールド(HSS)を提案する。
本手法は,CAVの縦方向および横方向の制御入力を拘束するために制御障壁関数を適用し,安全な操作を確実にする。
論文 参考訳（メタデータ） (2025-04-30T09:11:09Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - Steering Dialogue Dynamics for Robustness against Multi-turn Jailbreaking Attacks [59.300698230887114]
大規模言語モデル(LLM)は、有害な応答を誘発するために敵のプロンプトが設計されたジェイルブレイク攻撃に対して脆弱であることが示されている。
安全制御理論に基づく安全ステアリングフレームワークを提案し,マルチターン対話における不変安全性を保証する。
論文 参考訳（メタデータ） (2025-02-28T21:10:03Z) - Towards Comprehensive Post Safety Alignment of Large Language Models via Safety Patching [74.62818936088065]
textscSafePatchingは包括的なPSAのための新しいフレームワークである。
textscSafePatchingはベースラインメソッドよりも包括的なPSAを実現する。
textscSafePatchingは、連続的なPSAシナリオにおいて、その優位性を示している。
論文 参考訳（メタデータ） (2024-05-22T16:51:07Z) - Spatial-Temporal-Aware Safe Multi-Agent Reinforcement Learning of
Connected Autonomous Vehicles in Challenging Scenarios [10.37986799561165]
通信技術はコネクテッド・自動運転車(CAV)間の協調を可能にする
CAVのための並列安全シールドを備えた制約付きマルチエージェント強化学習(MARL)フレームワークを提案する。
その結果,提案手法は難易度の高いシナリオにおいて,システムの安全性と効率を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2022-10-05T14:39:07Z) - Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement
Learning [9.48157144651867]
本稿では,CAVのマルチモーダル強化学習によるロバスト・オン・ランプ・マージに対する新しいアプローチを提案する。
具体的には、運転安全性、快適運転行動、交通効率を考慮に入れ、マークフ決定プロセス(MDP)としてオンランプマージ問題を定式化する。
信頼性の高い統合操作を実現するため,BSMと監視画像を同時に活用してマルチモーダル観測を行う。
論文 参考訳（メタデータ） (2022-07-21T16:34:57Z) - Multi-task Safe Reinforcement Learning for Navigating Intersections in
Dense Traffic [10.085223486314929]
マルチタスク交差点ナビゲーションは、自動運転にとって依然として困難な課題である。
人間ドライバーにとって、他の対話型車両との交渉スキルは、安全性と効率性を保証する鍵となる。
我々は、他の交通機関の参加者と対話する際の安全性と効率を改善するために、社会的な注意を伴うマルチタスク安全な強化学習を定式化する。
論文 参考訳（メタデータ） (2022-02-19T17:09:46Z)
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。