論文の概要: Balancing Efficiency and Fairness in Traffic Light Control through Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.10170v1
• Date: Mon, 11 May 2026 08:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.638642
• Title: Balancing Efficiency and Fairness in Traffic Light Control through Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習による交通光制御の効率性と公正性の評価
• Authors: Matteo Cederle, Giacomo Scatto, Gian Antonio Susto,
• Abstract要約: 本稿では、車両と歩行者の両方の交通の公平性を考慮した交通光制御のための新しい深層強化学習エージェントを提案する。 実験の結果,道路利用者の両カテゴリにおいて,適切なサービスを確保しつつ,渋滞を効果的に軽減できることが示唆された。 本研究は,スマートシティの枠組みにおける知的交通管理の実践的かつ適応的なソリューションに寄与する。
• 参考スコア（独自算出の注目度）: 7.726701007187284
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Urban traffic congestion presents a significant challenge for modern cities, which impacts mobility and sustainability. Traditional traffic light control systems often fail to adapt to dynamic conditions, leading to inefficiencies. This paper proposes a novel deep reinforcement learning agent for traffic light control that addresses this limitation by explicitly integrating fairness considerations for both vehicular and pedestrian traffic. Unlike prior work, our approach dynamically balances these flows based on real-time demand, moving beyond systems focused solely on vehicles. Experimental results demonstrate that our agent effectively reduces congestion while ensuring equitable service for both the categories of road users. This research contributes to a practical and adaptable solution for intelligent traffic management within the framework of smart cities, paving the way for more efficient and inclusive urban mobility.
• Abstract（参考訳）: 都市交通渋滞は、モビリティと持続可能性に影響を及ぼす現代の都市にとって重要な課題である。 従来の信号制御システムは、しばしば動的条件に適応できず、非効率に繋がる。 本稿では、車両と歩行者の両方の交通量に対する公平性を明示的に統合し、この制限に対処する交通光制御のための新しい深層強化学習エージェントを提案する。 従来の作業とは異なり、当社のアプローチは、リアルタイムの需要に基づいて、これらのフローを動的にバランスさせます。 実験の結果,道路利用者の両カテゴリにおいて,適切なサービスを確保しつつ,渋滞を効果的に軽減できることが示唆された。 この研究は、スマートシティの枠組みにおけるインテリジェントな交通管理のための実用的で適応的なソリューションに寄与し、より効率的で包括的な都市モビリティへの道を開いた。

関連論文リスト

• Origin-Destination Pattern Effects on Large-Scale Mixed Traffic Control via Multi-Agent Reinforcement Learning [7.813738581616868]
  人力車両とロボット車両の両方を含む大規模な混在交通制御は未調査のままである。 大規模混在トラフィックネットワークを管理するための分散型マルチエージェント強化学習フレームワークを提案する。 コロラド州コロラドスプリングスに14の交差点を持つ実世界のネットワークを構築した。
  論文  参考訳（メタデータ） (2025-05-19T01:36:05Z)
• AI-Driven Scenarios for Urban Mobility: Quantifying the Role of ODE Models and Scenario Planning in Reducing Traffic Congestion [0.0]
  本稿では,人工知能(AI)駆動技術が交通渋滞動態に与える影響について検討する。 我々は,自動運転車やインテリジェント交通管理といったAIイノベーションが,さまざまな規制枠組みの下での混雑緩和に果たす役割を評価する。
  論文  参考訳（メタデータ） (2024-10-25T18:09:02Z)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning [13.369840354712021]
  MoveLightは移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである。 詳細なリアルタイムデータと高度な機械学習技術を活用することで、MoveLightは従来の信号制御手法の限界を克服する。
  論文  参考訳（メタデータ） (2024-07-24T14:17:16Z)
• Deep Reinforcement Learning for the Joint Control of Traffic Light Signaling and Vehicle Speed Advice [8.506271224735029]
  本稿では,交通信号制御と車両速度アドバイスの両方の制御を共同で学習する試みを提案する。 実験では,11のベンチマークシナリオ中8つのシナリオにおいて,共同制御手法により平均走行遅延を低減し,信号機のみを制御する。
  論文  参考訳（メタデータ） (2023-09-18T15:45:22Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• An ASP Framework for Efficient Urban Traffic Optimization [0.0]
  本稿では,数百台の車両による大規模道路網における交通流を効率的にシミュレートし,最適化する枠組みを提案する。 このフレームワークは、Answer Set Programming (ASP)エンコーディングを利用して、ネットワーク内の車両の動きを正式に記述する。 これにより、ネットワーク内の車両の経路を最適化し、関連するメトリクスの幅を減らすことができる。
  論文  参考訳（メタデータ） (2022-08-05T10:50:38Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• 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。