論文の概要: Distributed Real-Time Vehicle Control for Emergency Vehicle Transit: A Scalable Cooperative Method

• arxiv url: http://arxiv.org/abs/2603.25000v1
• Date: Thu, 26 Mar 2026 03:51:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.085033
• Title: Distributed Real-Time Vehicle Control for Emergency Vehicle Transit: A Scalable Cooperative Method
• Title（参考訳）: 緊急車両輸送のための分散リアルタイム車両制御:スケーラブルな協調手法
• Authors: WenXi Wang, JunQi Zhang,
• Abstract要約: 緊急車両の迅速な輸送は、命を救い、財産の損失を減らすために重要である。 一般車両への影響を最小限に抑えつつ、緊急車両の迅速な輸送を確保することが重要である。
• 参考スコア（独自算出の注目度）: 4.639248555171448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid transit of emergency vehicles is critical for saving lives and reducing property loss but often relies on surrounding ordinary vehicles to cooperatively adjust their driving behaviors. It is important to ensure rapid transit of emergency vehicles while minimizing the impact on ordinary vehicles. Centralized mathematical solver and reinforcement learning are the state-of-the-art methods. The former obtains optimal solutions but is only practical for small-scale scenarios. The latter implicitly learns through extensive centralized training but the trained model exhibits limited scalability to different traffic conditions. Hence, existing methods suffer from two fundamental limitations: high computational cost and lack of scalability. To overcome above limitations, this work proposes a scalable distributed vehicle control method, where vehicles adjust their driving behaviors in a distributed manner online using only local instead of global information. We proved that the proposed distributed method using only local information is approximately equivalent to the one using global information, which enables vehicles to evaluate their candidate states and make approximately optimal decisions in real time without pre-training and with natural adaptability to varying traffic conditions. Then, a distributed conflict resolution mechanism is further proposed to guarantee vehicles' safety by avoiding their decision conflicts, which eliminates the single-point-of-failure risk of centralized methods and provides deterministic safety guarantees that learned methods cannot offer. Compared with existing methods, simulation experiments based on real-world traffic datasets demonstrate that the proposed method achieves faster decision-making, less impact on ordinary vehicles, and maintains much stronger scalability across different traffic densities and road configurations.
• Abstract（参考訳）: 緊急車両の迅速な輸送は、生命の節約と資産損失の低減に重要であるが、運転行動の協調的な調整には、周囲の通常の車両に依存していることが多い。 一般車両への影響を最小限に抑えつつ、緊急車両の迅速な輸送を確保することが重要である。 集中型数学的解法と強化学習は最先端の手法である。 前者は最適解を得るが、小規模なシナリオでのみ実用的である。 後者は、広範囲な集中的なトレーニングを通じて暗黙的に学習するが、トレーニングされたモデルは、異なるトラフィック条件に対して限られたスケーラビリティを示す。 したがって、既存の手法には高い計算コストとスケーラビリティの欠如という2つの基本的な制限がある。 上記の制約を克服するために,グローバル情報の代わりにローカル情報のみを用いて,車両がオンラインで運転行動を分散的に調整する,スケーラブルな分散車両制御手法を提案する。 提案手法は, ローカル情報のみを用いた分散手法は, 車両が事前学習をせず, 交通条件に応じて自然適応性を持たずに, 車両が候補状態を評価し, ほぼ最適に決定できるグローバル情報とほぼ同値であることが実証された。 さらに, 集中型手法の単一障害リスクを排除し, 学習方法が提供できない決定論的安全性を保証するために, 車両の安全性を保証する分散紛争解決機構が提案されている。 既存手法と比較して,実世界の交通データセットに基づくシミュレーション実験は,提案手法がより高速な意思決定を実現し,通常の車両への影響を低減し,交通密度や道路構成にまたがるスケーラビリティの維持を図っている。

関連論文リスト

• Formal Safety Guarantees for Autonomous Vehicles using Barrier Certificates [0.1019561860229868]
  この研究は、コネクテッド・アンド・オートマチック・ビークルズのための公式に認証された安全フレームワークを開発する。 Barrier(BC)と解釈可能なトラフィック競合メトリクス、特に時間対時間安全メトリクスを統合している。 このアプローチは、解釈可能な安全保証と証明可能な安全保証の両方を提供し、安全な自動運転のための実用的でスケーラブルな戦略を実証する。
  論文  参考訳（メタデータ） (2026-01-08T19:44:13Z)
• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• Scalable Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantee: A Constrained Mean-Field Reinforcement Learning Approach [42.070187224580344]
  連続状態平均場制御(MFC)と平均場強化学習(MFRL)モデルを導入する。 MFCとMFRLは、個々の車両ではなく、車両分布との相互作用を通じて各車両の挙動をモデル化することで、スケーラブルなソリューションを提供する。 我々のアプローチは数万台の車両にスケールし、トレーニング時間は1つの線形プログラミングリバランスの決定時間に匹敵する。
  論文  参考訳（メタデータ） (2025-03-31T15:00:11Z)
• 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)
• Parameterized Decision-making with Multi-modal Perception for Autonomous Driving [12.21578713219778]
  AUTOと呼ばれる深層強化学習に基づくマルチモーダル認識を用いたパラメータ化意思決定フレームワークを提案する。 ハイブリッド報酬関数は、安全、交通効率、乗客の快適性、および最適な行動を生成するためのフレームワークを導く影響を考慮に入れている。
  論文  参考訳（メタデータ） (2023-12-19T08:27:02Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Integrated Decision and Control at Multi-Lane Intersections with Mixed Traffic Flow [6.233422723925688]
  本稿では,混在交通流を伴う複雑な交差点を扱うための学習に基づくアルゴリズムを提案する。 まず、学習過程における緑と赤の異なる速度モデルについて検討し、有限状態マシンを用いて異なるモードの光変換を扱う。 次に, 車両, 信号機, 歩行者, 自転車にそれぞれ異なる種類の距離制約を設計し, 制約された最適制御問題をフォーミュレートする。
  論文  参考訳（メタデータ） (2021-08-30T07:55:32Z)
• 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)
• FormulaZero: Distributionally Robust Online Adaptation via Offline Population Synthesis [34.07399367947566]
  自律レースは安全だが 保守的な政策を罰する領域です 現在のアプローチでは、他のエージェントに関する仮定を単純化するか、オンライン適応のための堅牢なメカニズムが欠如している。 レプリカ交換型マルコフ連鎖モンテカルロに基づく新しい自己再生法を開発した。
  論文  参考訳（メタデータ） (2020-03-09T03:07:57Z)

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。