論文の概要: Decentralized Autonomous Traffic Management through Corridor Networks

• arxiv url: http://arxiv.org/abs/2606.23585v1
• Date: Mon, 22 Jun 2026 16:49:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 18:06:53.858281
• Title: Decentralized Autonomous Traffic Management through Corridor Networks
• Title（参考訳）: 回廊網による分散型自律交通管理
• Authors: Jasmine Jerry Aloor, Aadarsh Govada, Hamsa Balakrishnan,
• Abstract要約: 高密度の自律的交通流を組織するために、専用高度空力(AAM)廊下が提案されている。 我々は、分散トラフィックフロー管理の課題に対処するために、マルチエージェント強化学習(MARL)アプローチを拡張した。
• 参考スコア（独自算出の注目度）: 3.178189994883855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As autonomous aircraft are introduced at scale and traffic density increases, centralized management becomes insufficient to coordinate the large numbers of crewed and uncrewed aircraft. Dedicated Advanced Air Mobility (AAM) corridors have therefore been proposed for organizing high-density autonomous traffic flows. The desire to scalably provide autonomous aircraft flexibility in trajectory planning motivates the development of decentralized approaches to traffic management in AAM corridors. In this work, we extend a multi-agent reinforcement learning (MARL) approach to address the challenge of decentralized traffic flow management in air corridor networks. We test policies trained in a single-corridor setting on increasingly complex multi-corridor networks with combinations of merges and splits in a zero-shot manner. Experimental results demonstrate that learned behaviors transfer well to scenarios with varying traffic density, network geometry, and heterogeneous vehicle performance, without needing centralized coordination or model retraining. We evaluate system-level performance in terms of conformance to corridor boundaries, completion rates, average speeds, distance traveled, and maintenance of inter-aircraft separation. We find that although our policies require only locally coordinated entry, traversal, and exit behaviors, they collectively produce desirable traffic flows through the corridor network.
• Abstract（参考訳）: 自律型航空機が大規模に導入され、交通密度が増大するにつれて、多くの乗員と無人機の調整に集中管理が不十分になる。 したがって、高密度の自律的交通流の組織化のために、高度航空移動(AAM)回廊が提案されている。 軌道計画において自律的な航空機の柔軟性を確実に提供したいという願望は、AAM回廊における交通管理への分散型アプローチの発展を動機付けている。 本研究では,多エージェント強化学習(MARL)アプローチを拡張し,空路ネットワークにおける分散トラフィックフロー管理の課題に対処する。 我々は、統合と分割をゼロショットで組み合わせた、ますます複雑なマルチコリダネットワーク上で、単一コリダ設定で訓練されたポリシーをテストする。 実験結果から, 学習行動は, 集中調整やモデル再構成を必要とせず, 交通密度, ネットワーク形状, 異種車両性能の異なるシナリオに良好に伝達することを示した。 本研究では,廊下境界,完成率,平均速度,移動距離,航空機間分離の維持等の観点から,システムレベルの性能を評価する。 当社のポリシーでは, 経路, 経路, 出口の動作のみを局所的に調整する必要があるが, それぞれが経路網を通じて望ましい交通流を発生させる。

関連論文リスト

• CoordLight: Learning Decentralized Coordination for Network-Wide Traffic Signal Control [15.468107943726617]
  CoordLightは、個々のジャンクション(エージェント)における意思決定を強化することによって、近隣のトラフィックを改善するために設計されたフレームワークである。 我々は,隣接エージェント間の状態と行動依存性を識別するアテンション機構を統合した,Neighbor-aware Policy Optimization (NAPO) という高度なMARLアルゴリズムを提案する。 我々は、CoordLightが、様々なトラフィックフローを持つ多様なトラフィックネットワークにおいて、一貫して優れた性能を示すことを実証的に示す。
  論文  参考訳（メタデータ） (2026-03-25T14:46:31Z)
• Human-Centric Traffic Signal Control for Equity: A Multi-Agent Action Branching Deep Reinforcement Learning Approach [5.2437780355984165]
  人中心型マルチエージェントアクションブラッチングダブルディープQネットワーク(DQN)フレームワークであるMA2B-DDQNを提案する。 我々の重要な貢献は、廊下制御を局所的な区間ごとの動作に分解するアクション分岐離散制御の定式化である。 また、歩行者、乗務員、交通機関の乗客を考慮し、廊下で遅れた人の数を罰する人間中心の報酬も設計する。
  論文  参考訳（メタデータ） (2026-02-03T00:56:03Z)
• Network-Constrained Policy Optimization for Adaptive Multi-agent Vehicle Routing [1.4273866043218153]
  我々は、協調型ネットワーク対応フリートナビゲーションのためのマルチエージェント強化学習(MARL)フレームワークを通じて、動的車両ルーティングに対処する。 本稿ではまず、各交差点エージェントがローカルトラフィックと近隣状態に基づいてルーティングガイダンスを提供する分散MARLモデルであるAdaptive Navigation(AN)を提案する。 大規模ネットワークにおけるスケーラビリティ向上のために,エージェントを鍵交点(ハブ)のみに割り当てるANの拡張である階層型ハブベース適応ナビゲーション(HHAN)を提案する。 合成格子と実際の都市マップ(トロント、マンハッタン)の実験では、ANは平均走行時間をSPFと比較し、学習ベースラインを減らし、100%のルーティング成功を維持している。
  論文  参考訳（メタデータ） (2025-10-30T02:49:46Z)
• An LLM-Powered Cooperative Framework for Large-Scale Multi-Vehicle Navigation [10.549493962440804]
  マルチサイクルダイナミックナビゲーションは、進化する交通条件の下で大きな船隊を同時にルーティングする必要がある。 既存の経路探索アルゴリズムと強化学習手法は、都市全体のネットワークにスケールするのに苦労する。 大規模多車両ナビゲーションのための階層型LLMフレームワークであるCityNavを提案する。
  論文  参考訳（メタデータ） (2025-10-09T06:14:29Z)
• Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving [17.659812774579756]
  本研究では,自律走行車における分散型協調運転ポリシーを学習する非対称アクター・批判モデルを提案する。 マスキングを用いたアテンションニューラルネットワークを用いることで,実世界の交通動態と部分観測可能性の効率よく管理できる。
  論文  参考訳（メタデータ） (2024-03-18T16:13:02Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• 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)
• Flatland Competition 2020: MAPF and MARL for Efficient Train Coordination on a Grid World [49.80905654161763]
  車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。 現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
  論文  参考訳（メタデータ） (2021-03-30T17:13:29Z)

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。