論文の概要: SIGMA: Symmetry-aware, Intelligent, Geometric, Multi-objective Adaptive Control for Robust, Dependable Traffic Management
- arxiv url: http://arxiv.org/abs/2608.18263v1
- Date: Tue, 18 Aug 2026 19:25:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.195827
- Title: SIGMA: Symmetry-aware, Intelligent, Geometric, Multi-objective Adaptive Control for Robust, Dependable Traffic Management
- Title（参考訳）: SIGMA:ロバストで依存可能な交通管理のための対称性,知能,幾何学,多目的適応制御
- Abstract要約: SIGMA(Symmetry-aware, Intelligent, Geometric, Multi-objective Adaptive Traffic Control)を提案する。
SIGMAは、自然言語の緊急コマンドを、多目的アクタークリティカルコントローラのための優先度ベクトルに変換する。
本稿では, 緊急サービスレベル, LLMの故障による優雅な劣化, およびブートストラップ統計による需要感度の信頼性特性を定義した。
- 参考スコア（独自算出の注目度）: 0.055997926295092294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic signal control is a complex sequential decision-making problem requiring real-time adaptation and trade-offs among throughput, delay fairness, signal stability, and emergency vehicle priority. Existing RL methods often fix objectives, ignore dynamic priority changes, and fail to generalize across geometrically similar intersections.We propose SIGMA (Symmetry-aware, Intelligent, Geometric, Multi-objective Adaptive traffic control), an RL framework enhanced with a large language model (LLM) for adaptive objective tuning and orientation-invariant learning. SIGMA converts natural-language emergency commands into priority vectors for a multi-objective actor-critic controller, avoiding manual reward engineering. Rotational augmentation improves transferability across four-way intersections, while offline-to-online learning ensures stable initialization and gradual adaptation to changing traffic.We define reliability properties covering emergency service levels, graceful degradation under LLM failures, and demand sensitivity, validated via bootstrap statistics. Evaluated in SUMO on four Kolkata-based urban intersections against fixed-time, actuated, and DQN controllers, SIGMA reduces average/emergency waiting times and queue lengths, and boosts throughput. Ablation studies confirm robustness to component failures and geometric rotations. Overall, SIGMA offers a reliable, language-guided, multi-objective traffic control system with statistical reliability assurance.
- Abstract（参考訳）: 交通信号制御は、スループット、遅延公正性、信号安定性、緊急車両優先性の間のリアルタイム適応とトレードオフを必要とする複雑なシーケンシャルな意思決定問題である。
既存のRL手法は、しばしば目的の修正、動的優先度の変更の無視、幾何学的に類似した交差点の一般化に失敗し、適応的客観的チューニングと向き不変学習のための大規模言語モデル(LLM)で強化されたRLフレームワークであるSIGMA(Symmetry-aware, Intelligent, Geometric, Multi-objective Traffic Control)を提案する。
SIGMAは、自然言語の緊急コマンドを多目的アクタークリティカルコントローラの優先度ベクトルに変換し、手動報酬工学を避ける。
オフライン-オンライン学習は、トラフィックの変化に対して安定した初期化と段階的適応を保証し、緊急サービスレベル、LCMの故障による優雅な劣化、および需要感を考慮した信頼性特性を定義し、ブートストラップ統計を用いて検証した。
SIGMAは,コルカタをベースとした4つの都市交差点における固定時間,アクティベート,DQNコントローラの評価を行い,平均/緊急待ち時間と待ち行列長を削減し,スループットを向上する。
アブレーション研究は、部品の故障や幾何学的回転に対する堅牢性を確認している。
全体として、SIGMAは統計的信頼性を保証する言語誘導型多目的交通制御システムを提供している。
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) - Explainable Reinforcement Learning for Adaptive Traffic Signal Control [0.0]
適応的な信号制御のための強力なパラダイムとして強化学習(RL)が登場した。
この試みは、安全で透過的な信号制御のための、新しい、説明可能なエンティティ中心のRLフレームワークを導入している。
論文 参考訳（メタデータ） (2026-07-04T04:45:54Z) - LLM-Augmented Traffic Signal Control with LSTM-Based Traffic State Prediction and Safety-Constrained Decision Support [0.0]
本研究では,LSTMに基づく短期交通状態予測を統合したLLM拡張交通信号制御フレームワークを提案する。
提案手法は,特に動的かつ非再帰的な交通条件下での交通効率を向上する。
論文 参考訳（メタデータ） (2026-04-26T22:26:20Z) - Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。
潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。
提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
論文 参考訳（メタデータ） (2026-02-27T04:30:35Z) - Spatiotemporal Decision Transformer for Traffic Coordination [1.2099551931618155]
MADT(Multi-Agent Decision Transformer)は、シーケンスモデリング問題としてマルチエージェント信号制御を再構成する新しい手法である。
当社のアプローチでは,過去のトラフィックデータからオフラインで学習することが可能になる。
論文 参考訳（メタデータ） (2026-02-02T23:19:13Z) - Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations [5.784337914162491]
交通渋滞は、主に交差点の待ち行列によって引き起こされ、都市生活水準、安全性、環境品質、経済効率に大きな影響を及ぼす。
本研究では,地域適応型TSCのための新しい単エージェント強化学習フレームワークを提案する。
このフレームワークは堅牢な反ゆらぎ能力を示し、待ち時間を大幅に短縮する。
論文 参考訳（メタデータ） (2025-11-01T13:18:50Z) - Large Language Model-Empowered Decision Transformer for UAV-Enabled Data Collection [71.84636717632206]
空間分散デバイスからの信頼性とエネルギー効率のよいデータ収集のための無人航空機(UAV)は、IoT(Internet of Things)アプリケーションをサポートする上で大きな可能性を秘めている。
有効なUAV制御ポリシーを学習するための共同言語モデル(LLM)を提案する。
LLM-CRDTは、現在の最先端DTアプローチよりも最大36.7%高いエネルギー効率を達成し、オンラインおよびオフラインメソッドのベンチマークより優れている。
論文 参考訳（メタデータ） (2025-09-17T13:05:08Z) - Smart Traffic Signals: Comparing MARL and Fixed-Time Strategies [0.0]
都市交通渋滞、特に交差点での交通渋滞は、旅行時間、燃料消費および排出に大きな影響を及ぼす。
従来の固定時間信号制御システムは、動的トラフィックパターンを効果的に管理する適応性に欠けることが多い。
本研究では,複数交差点間の交通信号調整を最適化するためのマルチエージェント強化学習の適用について検討する。
論文 参考訳（メタデータ） (2025-05-20T15:59:44Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。
近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。
本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文 参考訳（メタデータ） (2021-01-04T03:06:08Z)
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。