論文の概要: GNN-based Multi-Agent Control of Traffic Shockwaves in Sparse Vehicular Ad-hoc Networks

• arxiv url: http://arxiv.org/abs/2607.23792v2
• Date: Fri, 31 Jul 2026 16:10:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 16:35:22.20186
• Title: GNN-based Multi-Agent Control of Traffic Shockwaves in Sparse Vehicular Ad-hoc Networks
• Title（参考訳）: GNNを用いた低周波アドホックネットワークにおける交通衝撃波のマルチエージェント制御
• Authors: Prachi Nandi, Madhuri Malakar, Sonakshi Satpathy, Pabitra Mohan Khilar,
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を統合した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。 その結果、GNNベースのMARLフレームワークは、車両の10%しか接続していない場合でも、交通衝撃波の伝搬を最大80%低減できることがわかった。
• 参考スコア（独自算出の注目度）: 0.09786690381850355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic shockwaves are stop-and-go waves that propagate upstream through the streams of vehicles and are one of the major causes of traffic congestion, fuel inefficiency, and increased accident rates in modern transportation systems. Although Connected and Autonomous Vehicles (CAVs) offer a promising opportunity to mitigate such shockwaves, most existing control strategies rely on global traffic state information, making them impractical for early-stage deployment of Vehicular Ad-hoc Networks (VANETs). In this paper, we propose a decentralized Multi-Agent Reinforcement Learning (MARL) framework that integrates a Graph Neural Network (GNN) to enhance the control architecture of connected and autonomous vehicles. The proposed approach enables vehicles to learn cooperative control policies using locally available information and interaction with neighboring vehicles. The effectiveness of the proposed scheme is evaluated using a scalable simulation environment under realistic highway traffic conditions. Simulation results show that the proposed GNN-based MARL framework can reduce the propagation of traffic shockwaves by up to 80%, even when only 10% of the vehicles are connected.
• Abstract（参考訳）: 交通衝撃波は、車両の流れを上流に伝播する停止波であり、交通渋滞、燃料不足、近代交通システムにおける事故率の増加の主な原因の1つである。 コネクテッド・アンド・オートマチック・ビークルズ(CAV)は、このような衝撃波を緩和する有望な機会を提供するが、既存の制御戦略のほとんどは、グローバルな交通状況情報に依存しており、Vehicular Ad-hoc Networks(VANETs)の初期段階展開には実用的ではない。 本稿では,グラフニューラルネットワーク(GNN)を統合した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。 提案手法により、車両はローカルで利用可能な情報と近隣車両とのインタラクションを用いて協調制御ポリシーを学習することができる。 提案手法の有効性を,現実的な高速道路交通条件下でのスケーラブルなシミュレーション環境を用いて評価した。 シミュレーションの結果、GNNベースのMARLフレームワークは、車両の10%しか接続していない場合でも、交通衝撃波の伝搬を最大80%低減できることがわかった。

関連論文リスト

• Self-Regulating Cars: Automating Traffic Control in Free Flow Road Networks [5.557442038265024]
  本稿では,車両の速度を動的に調整し,スループットを最適化し,混雑を防止することを目的とした,強化学習に基づく交通制御プロトコルである自己規制車を紹介する。 提案手法は,古典的交通流理論,ギャップ受容モデル,微視的シミュレーションを物理インフォームドRLフレームワークに統合する。 また、さまざまなトラフィックパターンをまたいで一般化しながら、スムーズで渋滞に強いフローを実現し、スケーラブルでML駆動のトラフィック管理の可能性を示している。
  論文  参考訳（メタデータ） (2025-06-13T17:31:23Z)
• Cooperative Cruising: Reinforcement Learning-Based Time-Headway Control for Increased Traffic Efficiency [4.982603129041808]
  本稿では,高速道路の交通効率を人的交通と比較して初めて向上させる新しいAIシステムを提案する。 私たちのアプローチの核心は、自動車両にタイムヘッドを通信する強化学習ベースのコントローラです。
  論文  参考訳（メタデータ） (2024-12-03T16:13:42Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• 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)

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。