論文の概要: Emergency Preemption Without Online Exploration: A Decision Transformer Approach

• arxiv url: http://arxiv.org/abs/2603.22315v1
• Date: Fri, 20 Mar 2026 03:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.052136
• Title: Emergency Preemption Without Online Exploration: A Decision Transformer Approach
• Title（参考訳）: オンライン探索のない緊急プリエンプション:決定変換器アプローチ
• Authors: Haoran Su, Hanxiao Deng, Yandong Sun,
• Abstract要約: 本稿では,Decision Transformer (DT) に基づく緊急回廊最適化のための戻り条件付きフレームワークを提案する。 LightSimシミュレータでは、DTは4x4グリッド上の固定タイミングプリエンプションと比較して平均EV走行時間を37.7%削減する。 MADTはより大きなグリッドをさらに改善し、グラフアテンション調整によって8x8で45.2%の削減を実現した。
• 参考スコア（独自算出の注目度）: 1.2099551931618155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency vehicle (EV) response time is a critical determinant of survival outcomes, yet deployed signal preemption strategies remain reactive and uncontrollable. We propose a return-conditioned framework for emergency corridor optimization based on the Decision Transformer (DT). By casting corridor optimization as offline, return-conditioned sequence modeling, our approach (1) eliminates online environment interaction during policy learning, (2) enables dispatch-level urgency control through a single target-return scalar, and (3) extends to multi-agent settings via a Multi-Agent Decision Transformer (MADT) with graph attention for spatial coordination. On the LightSim simulator, DT reduces average EV travel time by 37.7% relative to fixed-timing preemption on a 4x4 grid (88.6 s vs. 142.3 s), achieving the lowest civilian delay (11.3 s/veh) and fewest EV stops (1.2) among all methods, including online RL baselines that require environment interaction. MADT further improves on larger grids, overtaking DT with 45.2% reduction on 8x8 via graph-attention coordination. Return conditioning produces a smooth dispatch interface: varying the target return from 100 to -400 trades EV travel time (72.4-138.2 s) against civilian delay (16.8-5.4 s/veh), requiring no retraining. A Constrained DT extension adds explicit civilian disruption budgets as a second control knob.
• Abstract（参考訳）: 緊急車両(EV)の応答時間は生存結果の重要な決定要因であるが、配備された信号プリエンプション戦略は反応し、制御不能である。 本稿では,Decision Transformer (DT) に基づく緊急回廊最適化のための戻り条件付きフレームワークを提案する。 経路最適化をオフラインかつ条件付きシーケンスモデリングとしてキャストすることで,(1)ポリシー学習中のオンライン環境の相互作用を排除し,(2)単一ターゲット・リターンスカラーによるディスパッチレベルの緊急制御を可能にし,(3)マルチエージェント決定変換器(MADT)による空間調整のためのグラフ注意によるマルチエージェント設定まで拡張する。 LightSimシミュレータでは、4x4グリッド(88.6 s vs. 142.3 s)上の固定タイミングプリエンプションと比較して平均EV走行時間を37.7%削減し、環境相互作用を必要とするオンラインRLベースラインを含むすべての方法の中で、最も低い民間の遅延(11.3 s/veh)と最小のEV停止(1.2)を達成する。 MADTはより大きなグリッドをさらに改善し、グラフアテンション調整によって8x8で45.2%の削減を実現した。 リターン条件付けはスムーズなディスパッチインターフェースを生成する: ターゲットのリターンを100から-400のトレーディング時間 (72.4-138.2 s) に変更し、民間の遅延(16.8-5.4 s/veh)に対して再トレーニングを必要としない。 Constrained DT拡張では、第二の制御ノブとして、明確な民事破壊予算が追加されている。

関連論文リスト

• Multi UAVs Preflight Planning in a Shared and Dynamic Airspace [4.802862639452379]
  本稿では,インクリメンタルかつ反復的な紛争解決を伴うデリバリ・タイム・アウェア・プライオリティライズ・プランニング手法DTAPP-IICRを提案する。 当社のフレームワークは,緊急性に基づくミッションの優先順位付けによって,まず最初のソリューションを生成する。 SFIPP-STは、新しい4Dシングルエージェントプランナーである。 時空NFZのベンチマークでは、DTAPP-IICRは最大1000機のUAVでほぼ100%の成功を達成している。
  論文  参考訳（メタデータ） (2026-02-12T15:18:46Z)
• Digital Twin and Agentic AI for Wild Fire Disaster Management: Intelligent Virtual Situation Room [1.4323566945483497]
  森林火災の頻度と強度は、2030年までに約14%増加し、2050年までに30%増加すると予測されている。 従来の災害管理フレームワークは静的シミュレーションと受動的データ取得に依存している。 本稿では、自律型AIエージェントによって強化された双方向デジタルツイン(DT)プラットフォームである、Intelligent Virtual situation Room (IVSR)を紹介する。
  論文  参考訳（メタデータ） (2026-02-09T17:44:52Z)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Transformer-Guided Deep Reinforcement Learning for Optimal Takeoff Trajectory Design of an eVTOL Drone [0.0]
  電動垂直離着陸機(eVTOL)は、都市交通渋滞を緩和する有望な機会を提供する。 従来の最適制御法は、高効率で確立された解を提供するが、問題次元と複雑性によって制限される。 深層強化学習(DRL)は、複雑な非線形システムに対処する人工知能の特殊なタイプとして出現する。
  論文  参考訳（メタデータ） (2025-11-18T20:11:54Z)
• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
  Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。 また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。 今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
  論文  参考訳（メタデータ） (2025-10-30T01:25:34Z)
• RAPID^3: Tri-Level Reinforced Acceleration Policies for Diffusion Transformer [86.57077884971478]
  ディフュージョントランスフォーマー(DiT)は、視覚発生時に優れるが、遅いサンプリングによって妨げられる。 本稿では,RAPID3: Tri-Level Reinforced Acceleration Policies for Diffusion Transformersを紹介する。 ベースジェネレータの更新をゼロにするイメージワイドアクセラレーションを提供する。 競合する生成品質でサンプリングを3倍近く高速化する。
  論文  参考訳（メタデータ） (2025-09-26T13:20:52Z)
• Large Language Model-Empowered Decision Transformer for UAV-Enabled Data Collection [71.84636717632206]
  空間分散デバイスからの信頼性とエネルギー効率のよいデータ収集のための無人航空機(UAV)は、IoT(Internet of Things)アプリケーションをサポートする上で大きな可能性を秘めている。 有効なUAV制御ポリシーを学習するための共同言語モデル(LLM)を提案する。 LLM-CRDTは、現在の最先端DTアプローチよりも最大36.7%高いエネルギー効率を達成し、オンラインおよびオフラインメソッドのベンチマークより優れている。
  論文  参考訳（メタデータ） (2025-09-17T13:05:08Z)
• Navigation in a simplified Urban Flow through Deep Reinforcement Learning [0.9217021281095907]
  都市環境における無人航空機(UAV)は、環境への影響を最小限に抑える戦略を必要とする。 我々の目標は、都市環境下での無人航法を可能にするDRLアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2024-09-26T15:05:15Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization [78.46088089185156]
  ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。 既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。 本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T17:05:01Z)

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。