論文の概要: Compact Latent Coordination for Autonomous Vehicles at Unsignalized Intersections

• arxiv url: http://arxiv.org/abs/2607.21488v1
• Date: Thu, 23 Jul 2026 16:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.484491
• Title: Compact Latent Coordination for Autonomous Vehicles at Unsignalized Intersections
• Title（参考訳）: 不特定区間における自動車の小型潜時座標
• Abstract要約: 信号のない交差点での自動運転車の協調は、マルチエージェント強化学習システムにとって重要な課題である。 本稿では、中央マスターエージェントがコンパクトで連続的な埋め込みを生成する階層的な深層強化学習アーキテクチャであるMAPS(Master-Agent Proto-plan System)を提案する。 MAPSは衝突のないナビゲーションを実現し、平均走行時間を著しく削減し、最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 6.990371004201033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coordinating autonomous vehicles at unsignalized intersections remains a critical challenge for multi-agent reinforcement learning (MARL) systems, which typically struggle with combinatorial action spaces, reliance on privileged information, or rigid agent designs. We propose Master-Agent Proto-plan System (MAPS), a hierarchical deep reinforcement learning (DRL) architecture in which a centralized Master agent generates a compact, continuous embedding, denoted as proto-plan, that encodes a global coordination strategy. Decentralized Worker agents integrate this embedding with local observations to execute vehicle-specific control, decoupling strategic intent from tactical execution and enabling independent optimization of each module. As a proof-of-concept evaluation of this coordination mechanism, we test MAPS across 72 intersection configurations in HighwayEnv. MAPS achieves collision-free navigation while significantly reducing average travel time, outperforming state-of-the-art baselines. The learned proto-plans further exhibit robust generalization: a system trained with three agents achieves a 94% success rate when deployed zero-shot to five-agent scenarios, confirming that proto-plan-based hierarchical learning provides a promising framework for multi-vehicle coordination.
• Abstract（参考訳）: 信号のない交差点での自動運転車の協調は、統合行動空間、特権情報への依存、または厳格なエージェント設計に苦しむマルチエージェント強化学習(MARL)システムにとって、依然として重要な課題である。 本稿では,集中型マスタエージェントが,グローバルな協調戦略を符号化した,コンパクトで連続的な埋め込みを生成する階層型深層強化学習(DRL)アーキテクチャであるMAPSを提案する。 分散Workerエージェントは、この埋め込みをローカルな観測と統合して、車両固有の制御を実行し、戦略的意図を戦術的実行から切り離し、各モジュールの独立的な最適化を可能にする。 この調整機構の実証-概念評価として、ハイウェイEnvにおける72の交差点構成におけるMAPSを検証した。 MAPSは衝突のないナビゲーションを実現し、平均走行時間を著しく削減し、最先端のベースラインを上回っている。 3つのエージェントで訓練されたシステムは、ゼロショットから5エージェントのシナリオにデプロイすると、94%の成功率を達成する。

関連論文リスト

• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• COIN: Collaborative Interaction-Aware Multi-Agent Reinforcement Learning for Self-Driving Systems [11.28367642438173]
  我々は,コラボレーティブ(CO-)インタラクションアウェア(-IN)MARLフレームワーク,COINを提案する。 COINは、エージェントの個々の目的(ナビゲーション)とグローバルな目標(コラボレーション)を共同で最適化することを目的としている。 COINは、様々なシステムサイズにわたる安全性と効率の両方において、他の先進的なベースライン手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2026-03-26T01:48:25Z)
• ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
  重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:06:51Z)
• SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving [52.02379432801349]
  本稿では,運転特化知識階層に関するVLMの表現学習を構築する新しいフレームワークであるSGDriveを提案する。 トレーニング済みのVLMバックボーン上に構築されたSGDriveは、人間の運転認知を反映するシーンエージェントゴール階層に、駆動理解を分解する。
  論文  参考訳（メタデータ） (2026-01-09T08:55:42Z)
• Hierarchical GNN-Based Multi-Agent Learning for Dynamic Queue-Jump Lane and Emergency Vehicle Corridor Formation [0.685316573653194]
  緊急回廊形成のための連結車両の協調のための,新しい階層型グラフニューラルネットワーク(GNN)に基づく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。 このシステムは、ベースラインと比較して緊急車両の走行時間を28.3%削減し、シミュレーションでは非コーディネートトラフィックと比較して44.6%削減する。
  論文  参考訳（メタデータ） (2026-01-07T18:43:18Z)
• Goal-Oriented Multi-Agent Reinforcement Learning for Decentralized Agent Teams [0.6676697660506798]
  本稿では,車両がエージェントとして機能し,局地的な目標や観測に基づいて選択的にコミュニケーションできる分散マルチエージェント強化学習(MARL)フレームワークを提案する。 この目標対応コミュニケーション戦略により、エージェントは関連する情報のみを共有することができ、可視性制限を尊重しながらコラボレーションを強化することができる。 その結果,本手法は作業成功率を大幅に改善し,非協調的ベースラインに比べて時間とゴールを短縮することがわかった。
  論文  参考訳（メタデータ） (2025-11-15T02:11:31Z)
• Diagnose, Localize, Align: A Full-Stack Framework for Reliable LLM Multi-Agent Systems under Instruction Conflicts [75.20929587906228]
  LLM(Large Language Model)を利用したマルチエージェントシステム(MAS)は、複雑なタスクにおける協調推論、ツールの使用、役割特化調整を急速に進めている。 しかし、信頼性クリティカルなデプロイメントは、体系的な障害モード、すなわち命令の競合による階層的コンプライアンスによって妨げられている。
  論文  参考訳（メタデータ） (2025-09-27T08:43:34Z)
• MAGNNET: Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning [2.5022287664959446]
  本稿では,グラフニューラルネットワーク(GNN)を一元的トレーニングと分散実行(CTDE)パラダイムに統合する新しいフレームワークを提案する。 本手法により,無人航空機 (UAV) と無人地上車両 (UGV) は, 中央調整を必要とせず, 効率よくタスクを割り当てることができる。
  論文  参考訳（メタデータ） (2025-02-04T13:29:56Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
  本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。 コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。