論文の概要: Reinforcement Learning-Based Control of CAV Platoon Joining Maneuvers in Mixed Traffic

• arxiv url: http://arxiv.org/abs/2608.26860v1
• Date: Thu, 27 Aug 2026 09:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.327599
• Title: Reinforcement Learning-Based Control of CAV Platoon Joining Maneuvers in Mixed Traffic
• Title（参考訳）: 混合交通におけるCAVプラトン接合型マニキュレータの強化学習に基づく制御
• Abstract要約: コネクテッド・アンド・オートマチック・ビークル(CAV)小隊は、道路の安全と交通容量を改善するための有望なアプローチを提供する。 強化学習は制御問題に対処する可能性が強いが、その実践的展開は安全性と学習効率に関する課題を提起する。 本稿では,CAV小隊接合操作の汎用的モデリングとシミュレーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.455444813386932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Connected and automated vehicle (CAV) platooning offers a promising approach to improving road safety and traffic capacity. However, platoon control in real-world traffic is challenging due to uncertainty and heterogeneous driving behaviors. Reinforcement learning (RL) has strong potential for addressing such control problems, but its practical deployment raises challenges related to safety and learning efficiency. This paper proposes a generic modeling and simulation framework for investigating CAV platoon joining maneuvers and comparing deep reinforcement learning (DRL)-based control algorithms. The problem is particularly challenging in mixed-traffic environments, where CAVs coexist with human-driven vehicles exhibiting heterogeneous longitudinal and lateral behaviors. The objective is to achieve safe and efficient joining maneuvers by either incorporating penalties for risky behaviors into the learning process or using an external safety controller to constrain the learned policy. An agent-based modeling framework coupled with the Simulation of Urban MObility (SUMO) simulator is used to evaluate Deep Q-Network (DQN), Double Deep Q-Network (DDQN), and Proximal Policy Optimization (PPO). Results show that PPO outperforms DQN and DDQN, achieving a joining success rate of approximately 98 % and a collision rate below 1 %, largely due to risk-related penalties incorporated into the reward function. However, this improved performance requires more decision steps to complete the maneuver, revealing a trade-off between safety, joining effectiveness, and decision efficiency. An external safety controller effectively prevents collisions, although its interventions may reduce joining efficiency. The results highlight the importance of jointly considering safety and efficiency when designing RL-based controllers for CAV platoon joining in mixed traffic.
• Abstract（参考訳）: コネクテッド・アンド・オートマチック・ビークル(CAV)小隊は、道路の安全と交通容量を改善するための有望なアプローチを提供する。 しかし、現実の交通における小隊制御は不確実性や不均一な運転行動のために困難である。 強化学習(RL)はこのような制御問題に対処する可能性が高いが、その実践的展開は安全性と学習効率に関する課題を提起する。 本稿では,CAV小隊の接合操作を調査し,深部強化学習(DRL)に基づく制御アルゴリズムを比較するための汎用モデリングおよびシミュレーションフレームワークを提案する。 この問題は、CAVが不均一な縦方向と横方向の振る舞いを示す人間駆動車と共存する混成交通環境において特に困難である。 本研究の目的は,学習プロセスに危険行動に対する罰則を組み込んだり,学習方針を制約するために外部安全制御装置を使用したりすることで,安全かつ効率的な接合操作を実現することである。 シミュレーション・オブ・アーバン・モビリティ(SUMO)シミュレータと組み合わせたエージェント・ベース・モデリング・フレームワークを用いて、DQN(Deep Q-Network)、DDQN(Double Deep Q-Network)、PPO(Proximal Policy Optimization)を評価する。 その結果, PPO は DQN と DDQN より優れ, 約98 %, 衝突率は1 % 以下であった。 しかし、この改善されたパフォーマンスは、操作を完了するためのより多くの決定ステップを必要とし、安全性、結合効率、決定効率の間のトレードオフを明らかにします。 外部安全制御装置は衝突を効果的に防止するが、その介入は接合効率を低下させる可能性がある。 その結果,複合交通におけるCAV小隊接合のためのRL制御系の設計において,安全性と効率性を両立させることの重要性が浮き彫りとなった。

関連論文リスト

• Safe Reinforcement Learning of Autonomous Highway Driving: A Unified Framework for Safety and Efficiency [2.6655248034321724]
  我々は、安全な距離、報酬機(RM)、およびMix of-experts(MoE)を統合した統合型安全強化学習(SRL)フレームワークを提案する。 2車線の交通実験により、MoE-RM-SRLは最先端のベースラインよりも安全性と効率を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-06-12T16:32:22Z)
• Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
  道路交通事故は世界中の交通事故の主な原因である。 米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。 本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。 2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
  論文  参考訳（メタデータ） (2026-04-17T21:11:39Z)
• Deep reinforcement learning-based longitudinal control strategy for automated vehicles at signalised intersections [2.9398787168955116]
  本研究では,信号交差点における深部強化学習に基づく縦方向車両制御戦略を提案する。 総合的な報酬関数は、特に距離方向に基づく効率報酬に焦点を当てて定式化されている。 DDPG(Deep Deterministic Policy Gradient)とSAC(Soft-Actor Critic)という2つのDRLアルゴリズムが組み込まれている。
  論文  参考訳（メタデータ） (2025-05-13T18:38:42Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• A Conflicts-free, Speed-lossless KAN-based Reinforcement Learning Decision System for Interactive Driving in Roundabouts [16.714573474722282]
  本稿では,様々な交通状況における安全かつ効率的な運転を促進する学習に基づくアルゴリズムを提案する。 KAN(Kolmogorov-Arnold Network)は、AVの環境理解を改善する。 実験結果から,提案システムは最先端の手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T16:10:25Z)
• Communication-Aware Reinforcement Learning for Cooperative Adaptive Cruise Control [15.31488551912888]
  強化学習(RL)はCACCにおける複雑な意思決定プロセスの最適化に有効であることが証明されている。 MARLは、複数のCAV間で協調的な動作を可能にすることで、顕著な可能性を示している。 これらの課題に対処するために,コミュニケーション対応強化学習(CA-RL)を提案する。
  論文  参考訳（メタデータ） (2024-07-12T03:28:24Z)
• CIMRL: Combining IMitation and Reinforcement Learning for Safe Autonomous Driving [45.05135725542318]
  CIMRL(imitation and Reinforcement Learning)アプローチは、模倣動作の先行と安全性の制約を活用することで、シミュレーションにおける運転ポリシーのトレーニングを可能にする。 RLと模倣を組み合わせることで, クローズドループシミュレーションと実世界の運転ベンチマークにおいて, 最先端の結果が得られたことを実証する。
  論文  参考訳（メタデータ） (2024-06-13T07:31:29Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Runtime Stealthy Perception Attacks against DNN-based Adaptive Cruise Control Systems [8.561553195784017]
  本稿では,実行時認識攻撃下での深層ニューラルネットワークを用いたACCシステムのセキュリティ評価を行う。 攻撃を誘発する最も重要な時間を選択するための文脈認識戦略を提案する。 提案攻撃の有効性を,実車,公用運転データセット,現実的なシミュレーションプラットフォームを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-18T03:12:03Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Safety Correction from Baseline: Towards the Risk-aware Policy in Robotics via Dual-agent Reinforcement Learning [64.11013095004786]
  本稿では,ベースラインと安全エージェントからなる二重エージェント型安全強化学習戦略を提案する。 このような分離されたフレームワークは、RLベースの制御に対して高い柔軟性、データ効率、リスク認識を可能にする。 提案手法は,難易度の高いロボットの移動・操作作業において,最先端の安全RLアルゴリズムより優れる。
  論文  参考訳（メタデータ） (2022-12-14T03:11:25Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Leveraging the Capabilities of Connected and Autonomous Vehicles and Multi-Agent Reinforcement Learning to Mitigate Highway Bottleneck Congestion [2.0010674945048468]
  RLをベースとしたマルチエージェントCAV制御モデルを提案する。 その結果、CAVのシェアが10%以下である場合でも、CAVはハイウェイ交通のボトルネックを著しく軽減することができることが示唆された。
  論文  参考訳（メタデータ） (2020-10-12T03:52:10Z)

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。