論文の概要: Active Inference for Adaptive Traffic Signal Control in Noisy Nonstationary IoT Environments

• arxiv url: http://arxiv.org/abs/2606.13698v1
• Date: Sun, 31 May 2026 19:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.735109
• Title: Active Inference for Adaptive Traffic Signal Control in Noisy Nonstationary IoT Environments
• Title（参考訳）: 雑音非定常IoT環境における適応的信号制御のためのアクティブ推論
• Authors: Dénes Toth, George Ambroladze, Edwin Sundberg, Ali Beikmohammadi, Alfreds Lapkovskis,
• Abstract要約: 本研究では,期待される自由エネルギーを最小化して位相を選択する4腕信号化交差点の能動推論制御器を提案する。 制御器をルールベースとディープQネットワーク(DQN)に対して4つのシナリオでベンチマークし、ノイズや非定常性を徐々に増加させます。 シナリオ毎に100以上の独立したランダム評価を行い、アクティブな推論は最も低いアイドル時間とCO2排出量を達成する。
• 参考スコア（独自算出の注目度）: 0.5872014229110213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban traffic signal control at IoT-instrumented intersections must remain effective under sensor occlusion, weather attenuation, and nonstationary demand. Conventional controllers degrade under these conditions, and learned policies remain difficult to audit. To address these challenges, we propose an active inference controller for a four-arm signalized intersection that dynamically selects phases by minimizing expected free energy (EFE) over Gaussian beliefs about per-direction congestion levels, yielding a fully traceable decision pipeline. We benchmark the controller in a SUMO traffic simulator against a rule-based heuristic and a deep Q-network (DQN) across four scenarios that progressively increase noise and nonstationarity, spanning sensor occlusion, adverse weather, and stochastic accidents. Across 100 independent random evaluations per scenario, active inference attains the lowest idle times and CO2 emissions in the noisiest scenarios (56,977 s and 29.12 kg vs. 71,741 s and 30.56 kg for DQN). These gains come at a modest cost in bus priority service rate and phase switch frequency.
• Abstract（参考訳）: IoTを内蔵した交差点における都市交通信号制御は、センサの遮断、天候の減衰、非定常的需要の下で有効でなければならない。 従来のコントローラーはこれらの条件下で劣化し、学習方針は監査が難しいままである。 これらの課題に対処するため,本研究では,向きごとの混雑レベルに関するガウス的信念に対して,期待自由エネルギー(EFE)を最小化し,位相を動的に選択する4腕信号化交差点の能動推論制御器を提案する。 我々は,SUMO交通シミュレータにおける制御器を,騒音や非定常性,センサ閉塞,悪天候,確率的事故を段階的に増加させる4つのシナリオに対して,ルールベースのヒューリスティックとディープQネットワーク(DQN)と比較した。 シナリオ毎に100個の独立したランダム評価を行い、最もノイズの多いシナリオ(56,977 s、29.12 kg対71,741 s、DQNは30.56 kg)では、アクティブな推論がアイドル時間とCO2排出量の最低値に達する。 これらの利得は、バス優先のサービスレートと位相スイッチ周波数において、わずかにコストがかかる。

関連論文リスト

• Hypersonic Flow Control: Generalized Deep Reinforcement Learning for Hypersonic Intake Unstart Control under Uncertainty [0.34376560669160394]
  アンスタートはマッハ5以上での信頼性の高い空気呼吸推進への大きな挑戦である。 正準2次元超音速インレットにおいて,マッハ5とレイノルズ5倍の106$でアンスタートを制御する戦略を示す。 その結果,実運用上の不確実性の下でのリアルタイム超音速流制御におけるデータ駆動型手法が確立された。
  論文  参考訳（メタデータ） (2026-01-27T22:38:52Z)
• A Threshold-Triggered Deep Q-Network-Based Framework for Self-Healing in Autonomic Software-Defined IIoT-Edge Networks [0.0]
  Flashイベントは、ソフトウェア定義産業ネットワークにおける断続的なサービス劣化の主要な要因である。 本研究では、自律的にネットワーク破壊を検出し、分析し、緩和するしきい値トリガー付きディープQネットワークセルフヒーリングエージェントを提案する。 提案手法は, ベースライン最短経路および負荷バランスルーティング方式と比較して, 破壊回復性能を53.84%向上させる。
  論文  参考訳（メタデータ） (2025-12-16T11:11:37Z)
• FuzzyLight: A Robust Two-Stage Fuzzy Approach for Traffic Signal Control Works in Real Cities [41.08675343516914]
  ファジィライトと呼ばれる頑健な2段階ファジィ手法を提案する。 圧縮センシングとRTLを統合してTSCデプロイメントを行う。 これは22の交差点の実際の都市で機能し、現実世界とシミュレーション環境の両方で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-01-27T06:55:47Z)
• 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)
• Development of a CAV-based Intersection Control System and Corridor Level Impact Assessment [0.696125353550498]
  本稿では,画素予約アルゴリズムとDeep Reinforcement Learning (DRL)決定論理を組み合わせたCAVの信号自由交叉制御システムを提案する。 提案モデルでは,他のCAV制御システムと比較して,中等度,高,極端の容積状態において50%,29%,および23%の遅延を減少させる。
  論文  参考訳（メタデータ） (2022-08-21T21:56:20Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Neural optimal feedback control with local learning rules [67.5926699124528]
  運動制御の大きな問題は、脳がどのように遅延と雑音の刺激に直面して適切な動きを計画し実行するかを理解することである。 本稿では,適応カルマンフィルタとモデル自由制御手法を組み合わせた新しいオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-12T20:02:00Z)
• Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
  完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。 深層強化学習(DRL)に基づくフレームワークを開発した。 DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T11:27:12Z)

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。