論文の概要: A Temporal Planning Framework for Disruption Aware Dynamic Route Optimization in Heterogeneous Railway Systems

• arxiv url: http://arxiv.org/abs/2606.14582v1
• Date: Fri, 12 Jun 2026 16:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.973662
• Title: A Temporal Planning Framework for Disruption Aware Dynamic Route Optimization in Heterogeneous Railway Systems
• Title（参考訳）: 不均質鉄道における乱れを考慮した動的経路最適化のための時間的計画手法
• Authors: Pollob Chandra Ray, Sabah Binte Noor, Fazlul Hasan Siddiqui,
• Abstract要約: 本研究では動的経路最適化と破壊管理のための時間的計画に基づく枠組みを提案する。 最適化されたスケジュールと実行可能なアクションシーケンスの両方を指定する、コンフリクトのないタイムスタンプの運用プランを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient route optimization play a vital role in ensuring both safety and punctuality in railway operations. It is very crucial particularly in heterogeneous multi-gauge railway networks with varying train speed, stopping pattern, infrastructure compatibility constraints increase coordination complexity. In single-track systems these challenges are further intensify due to all trains to share the same track and requires frequent track switching.Stochastic disruptions events including blocked tracks, blocked trains, engine failure and speed slowdowns introduces additional unpredictability in operations and deviate the timetable. However, existing studies predominantly focuses on high-level timetabling, omitting operational details such as track switching coordination. As a result leaving decision to human operators, increasing safety risks into railway operations. This study proposes a framework based on temporal planning for dynamic route optimization and disruption management in heterogeneous railway systems. The framework formulates railway operations as a temporal planning problem using PDDL 2.1 with explicitly modeling gauge compatibility constraints and diverse disruption scenarios. It generates conflict-free timestamped operational plans specifying both optimized schedules and executable action sequences. To evaluate the proposed framework, we developed a benchmark problem set with 200 instances using up to 1,000 track points and 120 trains. Two state-of-the-art temporal planners and a plan validator were employed to assessed the framework. The experimental results demonstrate that the framework effectively generates temporal operational plans for heterogeneous railway systems and handles multi-gauge constraints, disruptions, and reduces dependence on manual decision making.
• Abstract（参考訳）: 効率的な経路最適化は、鉄道運行における安全と時間の両方を確保する上で重要な役割を担っている。 特に、列車の速度、停止パターン、インフラの整合性の制約により調整の複雑さが増す不均一な多ゲージ鉄道網において非常に重要である。 単線システムでは、同じ線路を全列車が共有し、頻繁に線路切替えが必要となるため、これらの課題はさらに激化しており、ブロックされた線路、閉塞された列車、エンジン故障、速度低下などの確率的な混乱は、運転中にさらなる予測不能をもたらし、時刻表を逸脱させる。 しかし、既存の研究は主にハイレベルなタイムタブルに焦点を当てており、トラック切替調整などの操作の詳細を省略している。 その結果、人間のオペレーターに決定が下され、鉄道運行の安全リスクが増大した。 本研究では、異種鉄道における動的経路最適化と破壊管理のための時間的計画に基づく枠組みを提案する。 この枠組みは、ゲージの整合性制約と多種多様な混乱シナリオを明示的にモデル化したPDDL 2.1を用いて、鉄道運行を時間的計画問題として定式化する。 最適化されたスケジュールと実行可能なアクションシーケンスの両方を指定する、コンフリクトのないタイムスタンプの運用プランを生成する。 提案手法を評価するために,最大1000トラックポイントと120トレインを用いた200インスタンスのベンチマーク問題を開発した。 2人の最先端の時間計画立案者と1人の計画立案者がこの枠組みを評価するために雇われた。 実験結果から, 不均質鉄道システムの時間的運用計画を効果的に生成し, 複数ゲージ制約, 破壊処理, および手作業による意思決定への依存度を低減できることが示唆された。

関連論文リスト

• Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
  複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。 現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。 本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-02T08:10:02Z)
• Towards Autonomous Railway Operations: A Semi-Hierarchical Deep Reinforcement Learning Approach to the Vehicle Rescheduling Problem [1.0348904561315861]
  鉄道交通管理における混乱の管理は大きな課題である。 交通密度の増加とインフラの制限は複雑さを増す。 ほとんどのディスパッチは、問題の指数的な複雑さのため、人間の専門知識に依存している。 本稿では, 運転制約に合わせた半階層的RL定式化を提案する。
  論文  参考訳（メタデータ） (2026-05-11T09:23:50Z)
• Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
  乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。 タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。 我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-22T22:58:47Z)
• RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
  RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。 様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。 強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:44Z)
• Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
  本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。 Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-05-23T09:22:19Z)
• An approach to the timetabling problem in deregulated railway markets based on metaheuristic algorithms [0.384477122144121]
  本稿では、規制緩和された鉄道システムの力学を再現するためのモジュラーシミュレーションフレームワークを提案する。 MEALPY Pythonライブラリを用いた10のメタヒューリスティックアルゴリズムが評価され、自由化されたスペインの鉄道市場における列車スケジュールを最適化する。
  論文  参考訳（メタデータ） (2025-04-24T11:36:39Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• A Unifying Variational Framework for Gaussian Process Motion Planning [44.332875416815384]
  本稿では,変分ガウス過程に基づくロボット動作計画のためのフレームワークを提案する。 我々のフレームワークは、平等ベース、不平等ベース、ソフトモーションプランニング制約を組み込む、原則的で柔軟な方法を提供します。 その結果,提案手法は成功率とパス品質のバランスが良好であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-02T07:51:29Z)
• A Mobile Data-Driven Hierarchical Deep Reinforcement Learning Approach for Real-time Demand-Responsive Railway Rescheduling and Station Overcrowding Mitigation [11.10169568480794]
  リアルタイム鉄道再スケジュールは, 予期せぬ, ダイナミックな状況に応じて, 運転復旧を可能にする重要な手法である。 2022年(2022年)に中国・江州で起きた洪水などの災害は、江州鉄道駅自体に前例のない影響をもたらしただけでなく、他の主要拠点にも及んでいる。 本研究では,RTDR(Real-time demand-responsive)鉄道再スケジュール問題,すなわち需要のボラティリティと駅混雑管理に焦点をあてる。
  論文  参考訳（メタデータ） (2023-08-23T00:55:39Z)
• Railway Operation Rescheduling System via Dynamic Simulation and Reinforcement Learning [13.333957453318742]
  自然災害の激化により、鉄道運行の混乱が増している。 新型コロナウイルス(COVID-19)などの社会状況の急激な変化は、鉄道会社が頻繁に交通スケジュールを変更する必要がある。 提案システムは,トレーニングとして事前に最適化処理を行うため,全線の交通スケジュールを高速に生成することができる。
  論文  参考訳（メタデータ） (2022-01-17T08:40:01Z)

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。