論文の概要: PALCAS: A Priority-Aware Intelligent Lane Change Advisory System for Autonomous Vehicles using Federated Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.27118v1
• Date: Wed, 29 Apr 2026 19:10:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.767724
• Title: PALCAS: A Priority-Aware Intelligent Lane Change Advisory System for Autonomous Vehicles using Federated Reinforcement Learning
• Title（参考訳）: PALCAS:フェデレーション強化学習を用いた自動運転車の優先性を考慮したインテリジェントレーン変更アドバイザリシステム
• Authors: Yassine Ibork, Nhat Ha Nguyen, Myounggyu Won, Lokesh Das,
• Abstract要約: 自律走行車(AV)のための多エージェント強化学習(PALCAS)に基づく優先認識型インテリジェントレーン変更アドバイザリシステムを提案する。 PALCASは、義務シナリオと裁量シナリオの両方において、裁量的な車線変更決定を可能にするために、新しい優先度対応の安全な車線変更報酬関数を組み込んでいる。 SUMOトラヒックシミュレータとモザイクV2X通信フレームワークを用いて行ったシミュレーションにより,PALCASは,ベースライン方式と比較して,交通効率,運転安全,快適性,目的地到着率,マージ成功率を大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 6.171438127104962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a priority-aware intelligent lane change advisory system based on multi-agent federated reinforcement learning, namely PALCAS, for autonomous vehicles (AVs). While existing lane-change approaches typically focus on single-agent systems or centralized multi-agent systems, we introduce a federated reinforcement learning-based multi-agent lane change system prioritizing lane changing based on vehicle destination urgency. PALCAS incorporates a novel priority-aware safe lane-change reward function to enable judicious lane-change decisions in both mandatory and discretionary scenarios. PALCAS leverages the parameterized deep Q-network (PDQN) algorithm to facilitate effective cooperation among agents, enabling both lateral and longitudinal motion controls of AVs. Extensive simulations conducted using the SUMO traffic simulator and Mosaic V2X communication framework demonstrate that PALCAS significantly improves traffic efficiency, driving safety, comfort, destination arrival rates, and merging success rates compared to baseline methods.
• Abstract（参考訳）: 自律走行車(AV)のための多エージェント強化学習(PALCAS)に基づく優先認識型インテリジェントレーン変更アドバイザリシステムを提案する。 既存の車線変更方式は、通常はシングルエージェントシステムや集中型マルチエージェントシステムに重点を置いているが、車両の目的地緊急度に基づく車線変更を優先するフェデレーション強化学習に基づくマルチエージェント車線変更システムを導入する。 PALCASは、義務シナリオと裁量シナリオの両方において、裁量的な車線変更決定を可能にするために、新しい優先度対応の安全な車線変更報酬関数を組み込んでいる。 PALCASはパラメータ化されたディープQネットワーク(PDQN)アルゴリズムを利用してエージェント間の効果的な協調を促進し、AVの横方向と縦方向の両方の動作制御を可能にする。 SUMOの交通シミュレータとモザイクV2X通信フレームワークを用いて行った大規模なシミュレーションにより、PALCASは、ベースライン法と比較して、交通効率、運転安全、快適性、目的地到着率、マージ成功率を大幅に改善することを示した。

関連論文リスト

• 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)
• Cooperative Cruising: Reinforcement Learning-Based Time-Headway Control for Increased Traffic Efficiency [4.982603129041808]
  本稿では,高速道路の交通効率を人的交通と比較して初めて向上させる新しいAIシステムを提案する。 私たちのアプローチの核心は、自動車両にタイムヘッドを通信する強化学習ベースのコントローラです。
  論文  参考訳（メタデータ） (2024-12-03T16:13:42Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• LCS-TF: Multi-Agent Deep Reinforcement Learning-Based Intelligent Lane-Change System for Improving Traffic Flow [16.34175752810212]
  既存のインテリジェントレーン変更ソリューションは主に、エゴ車の性能を最適化することに焦点を当てている。 近年、マルチエージェント強化学習(MARL)に基づくアプローチへの関心が高まっている。 本稿では,エゴ車両の局部性能を両立させるために設計したAV用ハイブリッドMARLを用いたインテリジェントレーン交換システムを提案する。
  論文  参考訳（メタデータ） (2023-03-16T04:03:17Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Multi-agent Reinforcement Learning for Cooperative Lane Changing of Connected and Autonomous Vehicles in Mixed Traffic [16.858651125916133]
  レーン変更は、混合および動的交通シナリオにおける自動運転車(AV)にとって大きな課題である。 本稿では,マルチエージェント強化学習(MARL)問題として,混在高速道路環境における複数のAVの車線変更決定を定式化する。 提案するMARLフレームワークは,効率,安全性,ドライバの快適性という点で,最先端のベンチマークを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-11-11T17:17:24Z)
• 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)
• 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)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)

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。