論文の概要: Autonomous Traffic Signal Optimization Using Digital Twin and Agentic AI for Real-Time Decision-Making

• arxiv url: http://arxiv.org/abs/2604.27753v1
• Date: Thu, 30 Apr 2026 11:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.072819
• Title: Autonomous Traffic Signal Optimization Using Digital Twin and Agentic AI for Real-Time Decision-Making
• Title（参考訳）: リアルタイム意思決定のためのディジタルツインとエージェントAIを用いた自律交通信号最適化
• Authors: Salman Jan, Toqeer Ali Syed, Shahid Kamal, Qamar Wali, Ali Akarma,
• Abstract要約: 本稿では,エージェントAIが管理するトランスポートインフラストラクチャのディジタルツインを通じて,トラフィック光の最適化を行う新たなフレームワークについて概説する。 このフレームワークは物理的センサーとエッジコンピューティングに依存し、リアルタイムの交通情報を測定し、常に更新されたデジタルツインでトラフィックの流れをシミュレートする。 その結果,このフレームワークは信号待ち時間を最小限に抑え,交通流全体の有効性に肯定的な影響を及ぼすことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article outlines a new framework of traffic light optimization through a digital twin of the transport infrastructure, managed by agentic AI to ensure real-time autonomous decisions. The framework relies on physical sensors and edge computing to measure real-time traffic information and simulate traffic flow in a constantly updated digital twin. The traffic light is automatically controlled through the digital twin according to traffic congestion, travel delay and traffic patterns. This approach is implemented as a three-layer system: perception, conceptualization and action. The perception layer receives data on physical systems; the conceptualization layer uses LangChain to process the data; and the action layer links to the Model Context Protocol (MCP) and traffic management APIs to implement optimised traffic signal control algorithms. The results show that the framework minimizes waiting time at traffic lights and positively affects the effectiveness of the entire traffic flow, which is better than the fixed-time and reinforcement learning-based baselines.
• Abstract（参考訳）: この記事では、エージェントAIによって管理され、リアルタイムの自律的な決定を保証するために、トランスポートインフラストラクチャのデジタルツインを介して、トラフィック光の最適化を行う新しいフレームワークの概要を述べる。 このフレームワークは物理的センサーとエッジコンピューティングに依存し、リアルタイムの交通情報を測定し、常に更新されたデジタルツインでトラフィックの流れをシミュレートする。 信号機は、交通渋滞、走行遅延、交通パターンに応じて、デジタルツインを介して自動的に制御される。 このアプローチは、知覚、概念化、行動の三層システムとして実装されている。 知覚層は物理システムのデータを受信し、概念化層はデータを処理するためにLangChainを使用し、アクション層はモデルコンテキストプロトコル(MCP)とトラフィック管理APIにリンクし、最適化されたトラフィック信号制御アルゴリズムを実装する。 その結果,このフレームワークは,信号待ち時間を最小限に抑え,交通流全体の有効性に肯定的な影響を与え,固定時間や強化学習に基づくベースラインよりも優れていることがわかった。

関連論文リスト

• Pixels to Signals: A Real-Time Framework for Traffic Demand Estimation [0.0]
  包括的な方法論は、トラフィックフローの最適化と遅延の最小化を目的として設計されている。 このフレームワークは、(a)車両検出、(b)交通予測、(c)交通信号最適化の3つの主要コンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-10-28T19:04:53Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
  本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。 本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。 シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T12:35:56Z)
• Towards Multi-agent Reinforcement Learning based Traffic Signal Control through Spatio-temporal Hypergraphs [19.107744041461316]
  交通信号システム(TSCS)は、効率的な車両の流れを育むインテリジェントな交通管理に不可欠である。 本稿では,インテリジェントトラフィックエッジネットワークを実現するための新しいTSCSフレームワークを提案する。 我々は,マルチエージェントソフトアクター・クリニック(MA-SAC)強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-04-17T02:46:18Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• ELMOPP: An Application of Graph Theory and Machine Learning to Traffic Light Coordination [0.0]
  本稿では, Pseudoflow Prediction (ELMOPP) アルゴリズムによるエッジ負荷管理と最適化について述べる。 ELMOPPは、過去のデータとトラフィックパターンを使用して近い将来に予測して、そのリアルタイムな決定を通知しようと試みている。
  論文  参考訳（メタデータ） (2021-05-08T20:57:29Z)
• 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)

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。