論文の概要: Framework for Collaborative Operation of Autonomous Delivery Vehicles Within a Marshaling Yard

• arxiv url: http://arxiv.org/abs/2604.28057v1
• Date: Thu, 30 Apr 2026 16:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.19082
• Title: Framework for Collaborative Operation of Autonomous Delivery Vehicles Within a Marshaling Yard
• Title（参考訳）: 競売場内における自律走行車両の協調運用のための枠組み
• Authors: James O'Hara, Karl Wunderlich, Gregory Stevens,
• Abstract要約: 配送のマーシャリングヤードでは、電気車両が新しい荷物を積んでヤードを出る前に一連のタスクを完了します。 我々のソリューションは、カーのスループットを向上させるために、カーを最適に割り当てるために、マーシャリングヤードの現在の状況に基づいて、車両の分散的動的優先度スコアリングを使用する。 3つのマルチシェーリングヤードサイズ(小・中・大)のシミュレートされた施設を用いて、我々のオーケストレーションソリューションは、高需要レベルの設備故障を低減しつつ、ヤードサイズと需要の全ての組み合わせに対して、静的で孤立した自律性よりも車両のスループットを向上させることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As autonomous vehicles slowly deploy into urban roads for limited use cases with significant edge case issues, closed facilities like marshaling yards provide a ripe case for combining lower-level vehicle autonomy with fixed infrastructure to create full autonomy without similar edge case concerns. Within a delivery marshaling yard, electric fleet vehicles complete a set of sequential tasks (charging, inspection, cleaning, and loading) before exiting the yard with their new load of deliveries. Hybrid automation of the vehicles and infrastructure can allow these vehicles to reach full autonomy and navigate the facility without the need of a driver, allowing for quicker movement between tasks increasing vehicle throughput. However, isolated autonomous operations based on static rules are prone to gridlock causing facility failures that temporarily shut down operations. Our orchestrated autonomy solution uses decentralized, dynamic priority scoring of vehicles based on the current status of the marshaling yard to optimally assign vehicles to tasks to increase vehicle throughput. Using a simulated facility with three marshaling yard sizes (small, medium, and large) and three demand levels (low, medium, high), we demonstrated that our orchestration solution increases vehicle throughput above static, isolated autonomy for all combinations of yard size and demand, while reducing facility failures at high demand levels.
• Abstract（参考訳）: 自動運転車は、エッジケースの問題のある限られたユースケースのために徐々に都市道路に展開するので、マーシャリングヤードのような閉鎖的な施設は、低レベルの自動運転車の自律性を固定インフラと組み合わせて、同様のエッジケースの懸念なしに完全な自律性を作り出すための熟したケースを提供する。 輸送マーシェーリングヤード内では、電気車両は、新しい積み荷でヤードを出る前に一連のタスク(充電、検査、クリーニング、ロード)を完了させる。 車両とインフラのハイブリッドな自動化により、これらの車両は完全な自律性に到達し、ドライバーを必要とせずに施設をナビゲートできる。 しかし、静的なルールに基づく独立した自律的な操作は、一時的に運用を停止する設備の障害を引き起こすため、グリッドロックされる傾向がある。 我々の組織された自律型ソリューションは、カーのスループットを高めるために車両を最適に割り当てるために、マーシャリングヤードの現在の状況に基づいて、車両の分散された動的優先度付けを使用する。 3つのマルチシェーリングヤードサイズ(小・中・大)と3つの需要レベル(低・中・高)のシミュレーション施設を用いて、当社のオーケストレーションソリューションは、ヤードサイズと需要のすべての組み合わせにおいて、静的で独立した自律性よりも車両のスループットを向上させるとともに、高需要レベルでの設備故障を低減することを実証した。

関連論文リスト

• Rationale Behind Human-Led Autonomous Truck Platooning [1.7609347893867413]
  人間のループ小隊アーキテクチャは階層的冗長性、不確実な条件での適応的判断、スケーラブルな検証フレームワークを提供する、と我々は主張する。 人間の手による小隊は妥協を表すのではなく、技術的に根拠と社会的に整合した橋を大規模に自律的な貨物配備に向けて提供する。
  論文  参考訳（メタデータ） (2026-03-01T23:02:51Z)
• Lunar Rover Cargo Transport: Mission Concept and Field Test [42.80839419610456]
  ローバーは、ピックアップと配送を成功させるために、貨物を小さな許容範囲内で自律的に駐車できなければならない。 ワントン・パス・ツー・フライ・ローバーは、安全な経路のネットワークを作るための半自律遠隔制御モードで駆動された。 クローズドループの性能は、車両を貨物に合わせるのに十分正確である。
  論文  参考訳（メタデータ） (2026-01-06T19:16:55Z)
• Resolve Highway Conflict in Multi-Autonomous Vehicle Controls with Local State Attention [1.1124588036301812]
  混合交通環境では、自動運転車は人間が制御する車両や他の異常な運転状況に適応する必要がある。 入力状態表現を支援するローカル状態アテンションモジュールを提案する。 我々のアプローチでは、マージプロセスを管理するために他の車両の情報に優先順位をつけることができます。
  論文  参考訳（メタデータ） (2025-06-13T03:48:54Z)
• 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)
• A Systematic Study of Multi-Agent Deep Reinforcement Learning for Safe and Robust Autonomous Highway Ramp Entry [0.0]
  本研究では,車体前方移動動作を制御するハイウェイランプ機能について検討し,車体が進入する高速道路交通の流れとの衝突を最小限に抑える。 我々はこの問題に対してゲーム理論的マルチエージェント(MA)アプローチを採用し、深層強化学習(DRL)に基づくコントローラの利用について検討する。 本稿では,2台以上の車両(エージェント)の相互作用を研究することで既存の作業を拡張し,交通量やエゴカーを付加して道路シーンを体系的に拡張する。
  論文  参考訳（メタデータ） (2024-11-21T21:23:46Z)
• Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
  我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。 我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。 その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T00:50:41Z)
• Assurance for Autonomy -- JPL's past research, lessons learned, and future directions [56.32768279109502]
  幅広い状況の変動が、事前計画された応答を妨げている場合、自律性が必要である。 ミッション・アシュアランス(Mission Assurance)は、信頼性を提供する上で重要な貢献者であるが、何十年にもわたって宇宙飛行に輝く保証の実践は、自律性に関する経験が比較的少ない。 JPLのソフトウェア保証グループの研究者は、自律性の保証に特化した技術の開発に関与している。
  論文  参考訳（メタデータ） (2023-05-16T18:24:12Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)

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。