論文の概要: DeCoR: Design and Control Co-Optimization for Urban Streets Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.21311v1
• Date: Wed, 20 May 2026 15:39:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.757798
• Title: DeCoR: Design and Control Co-Optimization for Urban Streets Using Reinforcement Learning
• Title（参考訳）: DeCoR:強化学習を用いた街路の設計・制御協調最適化
• Authors: Bibek Poudel, Lei Zhu, Kevin Heaslip, Sai Swaminathan, Weizi Li,
• Abstract要約: 横断歩道レイアウトとネットワークレベルの信号制御を協調最適化する強化学習フレームワークであるDeCoRを紹介する。 ビデオやWi-Fiのログから需要を感知した750mの都市回廊で、DeCoRは歩行者の到着時間を最寄りの横断歩道まで23%短縮するレイアウトを学習する。 制御側では、DeCoRは固定時間信号と比較して、歩行者と車両の待ち時間をそれぞれ79%と65%削減する。
• 参考スコア（独自算出の注目度）: 10.463128124012613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern vision systems can detect, track, and forecast urban actors at scale, yet translating perception outputs to urban design remains limited. We introduce DeCoR, a two-stage reinforcement learning framework that leverages flow observations to co-optimize crosswalk layout and network-level signal control. The design stage encodes the pedestrian network as a graph and learns a generative policy that parameterizes a Gaussian mixture model over crosswalk location and width, from which new crosswalks are sampled. For each layout, a shared control policy learns adaptive signal timings to minimize joint pedestrian and vehicle delay. On a 750 m real-world urban corridor with demand sensed from video and Wi-Fi logs, DeCoR learns a layout that reduces pedestrian arrival time to their nearest crosswalk by 23% while using fewer crosswalks than existing configurations. On the control side, DeCoR reduces pedestrian and vehicle wait time by 79% and 65%, respectively, relative to fixed-time signalization. Further, the control policy generalizes to demands outside of training and is robust to layout changes without retraining.
• Abstract（参考訳）: 現代の視覚システムは、大規模に都市アクターを検出し、追跡し、予測することができるが、認識出力を都市デザインに翻訳することは制限されている。 DeCoRは2段階の強化学習フレームワークで、流れの観測を利用して横断歩道のレイアウトとネットワークレベルの信号制御を最適化する。 設計段階は、歩行者ネットワークをグラフとしてエンコードし、新しい横断歩道をサンプリングする横断歩道位置と幅のガウス混合モデルをパラメータ化する生成ポリシーを学ぶ。 各レイアウトに対して、共有制御ポリシは適応的な信号タイミングを学習し、共同歩行者と車両の遅延を最小限にする。 ビデオやWi-Fiのログから需要を察知した750mの都市回廊で、DeCoRは歩行者が最寄りの横断歩道に到着する時間を23%短縮するレイアウトを学習する。 制御側では、DeCoRは固定時間信号と比較して、歩行者と車両の待ち時間をそれぞれ79%と65%削減する。 さらに、制御ポリシは、トレーニング外の要求に一般化し、再トレーニングなしでレイアウト変更に対して堅牢である。

関連論文リスト

• Traffic-Aware Optimal Taxi Placement Using Graph Neural Network-Based Reinforcement Learning [0.8594140167290097]
  本稿では,都市環境における最適なタクシー配車のためのトラヒック対応グラフベース強化学習フレームワークを提案する。 提案手法は,マルチモーダル交通システムに適用可能であり,リアルタイム都市移動最適化のためのスマートシティプラットフォームに統合可能である。
  論文  参考訳（メタデータ） (2026-01-02T08:31:16Z)
• Joint Pedestrian and Vehicle Traffic Optimization in Urban Environments using Reinforcement Learning [11.107470982920262]
  強化学習は適応的な交通信号制御に重要な可能性を秘めている。 本研究では,現実世界の都市回廊に沿った8つの交通信号の適応制御のための深いRLフレームワークを提案する。 その結果、従来の固定時間信号よりも大幅に性能が向上した。
  論文  参考訳（メタデータ） (2025-04-07T12:41:58Z)
• TrafficLoc: Localizing Traffic Surveillance Cameras in 3D Scenes [49.43995864524434]
  本稿では,画像間クラウド登録(I2P)手法であるTrafficLocを提案する。 大規模な現実世界の交差点データセットの欠如を克服するため、カルラの75の都市と農村の交差点を持つ新しいシミュレーションデータセットであるCarla Intersectionを紹介した。 我々のTrafficLocは、Carla Intersection上でSOTA I2P法(最大86%)よりも大幅に性能を向上し、実世界のデータに対してよく一般化する。
  論文  参考訳（メタデータ） (2024-12-13T17:42:53Z)
• Traffic Light Control with Reinforcement Learning [0.0]
  本稿では,ディープラーニングを用いたリアルタイム交通信号制御手法を提案する。 キューの長さ、遅延、移動時間、スループットを考慮した報酬関数が組み込まれている。 モデルは現在の交通条件に基づいて動的に位相変化を決定する。
  論文  参考訳（メタデータ） (2023-08-28T04:29:49Z)
• ADLight: A Universal Approach of Traffic Signal Control with Augmented Data Using Reinforcement Learning [3.3458830284045065]
  本稿では,拡張データ(ADLight)を用いた新しい強化学習手法を提案する。 一般化性能を向上させるために,textitmovement shuffle という新しいデータ拡張手法を開発した。 その結果,本手法の性能は,単一環境で訓練されたモデルに近いことがわかった。
  論文  参考訳（メタデータ） (2022-10-24T16:21:48Z)
• 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)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
  ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。 この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。 新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-25T20:43:59Z)

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。