論文の概要: Dual-Interaction-Aware Cooperative Control Strategy for Alleviating Mixed Traffic Congestion
- arxiv url: http://arxiv.org/abs/2603.03848v1
- Date: Wed, 04 Mar 2026 09:00:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.885597
- Title: Dual-Interaction-Aware Cooperative Control Strategy for Alleviating Mixed Traffic Congestion
- Title（参考訳）: 複合交通渋滞軽減のためのデュアルインタラクション・アウェア協調制御戦略
- Authors: Zhengxuan Liu, Yuxin Cai, Yijing Wang, Xiangkun He, Chen Lv, Zhiqiang Zuo,
- Abstract要約: コネクテッド・アンド・オートマチック・ビークル(CAV)は、協調戦略による交通渋滞を著しく低減することが期待されている。
混在交通環境における人間適応型人間駆動車(HDV)の挙動の不確かさと多様性は、CAV協力にとって大きな課題である。
本稿では、局所的およびグローバルな相互作用知覚を両立させるDIACC(Dual-Interaction-Aware Cooperative Control)戦略を提案する。
- 参考スコア（独自算出の注目度）: 36.780597614300504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As Intelligent Transportation System (ITS) develops, Connected and Automated Vehicles (CAVs) are expected to significantly reduce traffic congestion through cooperative strategies, such as in bottleneck areas. However, the uncertainty and diversity in the behaviors of Human-Driven Vehicles (HDVs) in mixed traffic environments present major challenges for CAV cooperation. This paper proposes a Dual-Interaction-Aware Cooperative Control (DIACC) strategy that enhances both local and global interaction perception within the Multi-Agent Reinforcement Learning (MARL) framework for Connected and Automated Vehicles (CAVs) in mixed traffic bottleneck scenarios. The DIACC strategy consists of three key innovations: 1) A Decentralized Interaction-Adaptive Decision-Making (D-IADM) module that enhances actor's local interaction perception by distinguishing CAV-CAV cooperative interactions from CAV-HDV observational interactions. 2) A Centralized Interaction-Enhanced Critic (C-IEC) that improves critic's global traffic understanding through interaction-aware value estimation, providing more accurate guidance for policy updates. 3) A reward design that employs softmin aggregation with temperature annealing to prioritize interaction-intensive scenarios in mixed traffic. Additionally, a lightweight Proactive Safety-based Action Refinement (PSAR) module applies rule-based corrections to accelerate training convergence. Experimental results demonstrate that DIACC significantly improves traffic efficiency and adaptability compared to rule-based and benchmark MARL models.
- Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)が発展するにつれて、コネクテッド・アンド・オートマチック・ビークル(CAV)は、ボトルネックエリアのような協調的な戦略による交通渋滞を著しく低減することが期待されている。
しかし、混合交通環境における人間駆動車(HDV)の挙動の不確実性や多様性は、CAV協力にとって大きな課題である。
本稿では、混在交通ボトルネックのシナリオにおいて、MARL(Multi-Agent Reinforcement Learning)フレームワーク内の局所的および大域的相互作用知覚を高めるためのDual-Interaction-Aware Cooperative Control(DIACC)戦略を提案する。
DIACC戦略は3つの重要なイノベーションから成り立っている。
1)CAV-CAV協調相互作用とCAV-HDV観察相互作用を区別することにより,アクターの局所的相互作用知覚を高める分散型インタラクション適応意思決定モジュール(D-IADM)について検討した。
2)C-IEC (Centralized Interaction-Enhanced Critic) は、対話認識値の推定を通じて、批評家のグローバルなトラフィック理解を改善し、ポリシー更新のためのより正確なガイダンスを提供する。
3) 混合交通における相互作用集約シナリオを優先するために, 温熱処理とソフトミンアグリゲーションを用いた報酬設計を行う。
さらに、軽量なプロアクティブセーフティベースのアクションリファインメント(PSAR)モジュールは、トレーニング収束を加速するためにルールベースの修正を適用する。
実験の結果,DIACCはルールベースおよびベンチマークMARLモデルと比較して,交通効率と適応性を大幅に向上することが示された。
関連論文リスト
- TGLD: A Trust-Aware Game-Theoretic Lane-Changing Decision Framework for Automated Vehicles in Heterogeneous Traffic [6.838130893718755]
本研究は,TGLD(Trust-aware game-theoretic lane-changing decision framework)を提案する。
まず,AV間の完全協調的な相互作用と,リアルタイム信頼評価から得られるHVからの部分的に協調的な挙動を取り入れた多車連立ゲームを定式化する。
第2に,車線変更時のHVの信頼度を動的に推定するオンライン信頼度評価手法を開発し,コンテキストに適した協調操作を選択するためのAVを誘導する。
第3に、周囲の車両への混乱を最小限に抑え、AV行動の予測可能性を高めることにより、社会的適合性を考慮した。
論文 参考訳（メタデータ） (2025-07-14T09:01:00Z) - BIDA: A Bi-level Interaction Decision-making Algorithm for Autonomous Vehicles in Dynamic Traffic Scenarios [5.193590097161461]
対話型モンテカルロ木探索(MCTS)と深部強化学習(DRL)を統合した双方向インタラクション意思決定アルゴリズム(BIDA)を設計する。
具体的には、3種類のDRLアルゴリズムを用いて、インタラクティブMCTSのオンライン推論プロセスをガイドする信頼性の高い価値ネットワークとポリシーネットワークを構築する。
実験により, BIDAは対話型推論を向上し, 計算コストを低減させるだけでなく, 最新のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-06-19T19:03:40Z) - 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) - Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。
本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文 参考訳（メタデータ） (2024-09-19T14:36:00Z) - Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。
周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。
我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-29T08:53:26Z) - Interruption-Aware Cooperative Perception for V2X Communication-Aided
Autonomous Driving [49.42873226593071]
本稿では,V2X通信支援自律運転のためのV2X通信入出力対応協調知覚(V2X-INCOP)を提案する。
我々は、過去の協力情報を用いて、割り込みによる行方不明情報を復元し、割り込み問題の影響を軽減する。
3つの公的な協調認識データセットの実験から,コミュニケーション中断が協調知覚に与える影響を緩和するために提案手法が有効であることが示された。
論文 参考訳（メタデータ） (2023-04-24T04:59:13Z) - Learning to Help Emergency Vehicles Arrive Faster: A Cooperative
Vehicle-Road Scheduling Approach [24.505687255063986]
車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。
道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。
本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
論文 参考訳（メタデータ） (2022-02-20T10:25:15Z) - Learning Interaction-aware Guidance Policies for Motion Planning in
Dense Traffic Scenarios [8.484564880157148]
本稿では,高密度交通シナリオにおける対話型モーションプランニングのための新しい枠組みを提案する。
我々は,他車両の協調性に関する国際的ガイダンスを提供するインタラクション対応政策であるDeep Reinforcement Learning (RL) を通じて学習することを提案する。
学習されたポリシーは、ローカル最適化ベースのプランナーを推論し、対話的な振る舞いで誘導し、他の車両が収まらない場合に安全を維持しながら、密集したトラフィックに積極的にマージする。
論文 参考訳（メタデータ） (2021-07-09T16:43:12Z) - 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)
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。