論文の概要: Integrating Traffic Noise Emission Modelling into Variable Speed Limit Control
- arxiv url: http://arxiv.org/abs/2609.01339v1
- Date: Tue, 01 Sep 2026 14:50:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.776743
- Title: Integrating Traffic Noise Emission Modelling into Variable Speed Limit Control
- Title（参考訳）: 交通騒音放射モデルと可変速度制御の融合
- Authors: Jiawen Meng, John Pravin Arockiasamy, Alexey Vinel,
- Abstract要約: 道路交通騒音は依然として大きな環境問題である。
ほとんどの速度管理戦略は静的であり、交通騒音の短期的な変化には反応しない。
本稿では,CNOSSOS-EUをベースとした簡易なエミッションインジケータと,集約されたトラフィック状態推定を統合したノイズ対応VSL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）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road traffic noise remains a major environmental challenge, yet most speed management strategies are static and do not respond to short-term variations in traffic noise emissions. Although variable speed limit (VSL) systems are widely deployed for safety and congestion mitigation, traffic noise is rarely treated as an explicit operational control objective. This paper proposes a noise-aware VSL framework that integrates aggregated traffic-state estimation with a simplified CNOSSOS-EU-based emission indicator. A stage-based controller with time-varying reference thresholds dynamically adjusts discrete speed-limit levels in response to estimated emission conditions. The framework is evaluated using microscopic traffic simulation calibrated with empirical motorway data and replicated across multiple stochastic realisations. Over a 24-hour evaluation period, the adaptive strategy reduces the receiver-based equivalent sound level by 2.9 dB(A) relative to unrestricted traffic conditions, while maintaining an average vehicle speed approximately 11.3 km/h higher than a permanently imposed low-speed regime. Period-wise analysis shows that speed reductions are activated selectively when emission levels approach calibrated targets, rather than enforcing a constant intermediate limit. Traffic stability indicators reveal moderate increases in speed variability compared with unrestricted operation, but substantially lower braking intensity than under uniform low-speed enforcement. These results demonstrate the feasibility of integrating environmental performance indicators into operational speed control, providing a practical complement to conventional infrastructure-based noise mitigation measures.
- Abstract（参考訳）: 道路交通騒音は依然として大きな環境課題であるが、ほとんどの速度管理戦略は静的であり、交通騒音の短期的な変化に対応していない。
可変速度制限(VSL)システムは安全と混雑緩和のために広く展開されているが、交通騒音は明示的な運用制御の対象として扱われることは稀である。
本稿では,CNOSSOS-EUをベースとした簡易なエミッションインジケータと,集約されたトラフィック状態推定を統合したノイズ対応VSLフレームワークを提案する。
時間変化参照しきい値を持つステージベースコントローラは、推定放出条件に応じて離散速度限界レベルを動的に調整する。
このフレームワークは、経験的高速道路データで校正された微視的交通シミュレーションを用いて評価され、複数の確率的実現にまたがって複製される。
24時間にわたる評価期間において、適応戦略は、永久に課せられる低速体制よりも平均11.3km/h高い速度を維持しながら、未制限の交通条件に対してレシーバベースの等価音レベルを2.9dB(A)削減する。
周期的解析により、一定の中間限界を課すのではなく、放射レベルが調整対象に近づくと、速度低下が選択的に活性化されることが示された。
交通安定度指標は、制限のない運転に比べ、速度変動の適度な増加を示すが、均一な低速動作の場合に比べてブレーキ強度は著しく低い。
これらの結果から, 環境性能指標を運用速度制御に組み込むことが, 従来のインフラ型騒音低減対策の実践的補完となる可能性が示唆された。
関連論文リスト
- Virginia Tech Transportation Safety Index (VTTSI) [0.0]
Virginia Tech Transportation Safety Index (VTTSI)は、交差点安全のためのリアルタイムクラウドネイティブフレームワークである。
システムは、15分ごとに0-100スケールで解釈可能で露出調整された安全スコアを生成する。
論文 参考訳（メタデータ） (2026-06-19T06:46:16Z) - TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。
予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。
我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
論文 参考訳（メタデータ） (2026-06-04T17:59:40Z) - 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) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - HPTune: Hierarchical Proactive Tuning for Collision-Free Model Predictive Control [55.015741360766945]
本稿では,高速なチューニングと低速なチューニングを組み合わせた階層型プロアクティブチューニング(HPTune)フレームワークを提案する。
我々はHPTuneをドップラーLiDARと統合し、位置のみの測定とは別に障害物速度を提供し、運動予測を強化した。
安全でアジャイルな衝突回避戦略を定式化することにより,HPTuneは状況調整型動作計画を可能にする。
論文 参考訳（メタデータ） (2026-01-29T07:15:39Z) - Integrating Vehicle Acoustic Data for Enhanced Urban Traffic Management: A Study on Speed Classification in Suzhou [6.224884420568902]
車両騒音と駆動速度の結合をモデル化するディープ畳み込みニューラルネットワーク(BMCNN)を提案する。
BMCNNは、SZUR-Acousticデータセットで87.56%、パブリックIDMT-Trafficデータセットで96.28%の分類精度を達成した。
提案手法は,実時間騒音モニタリングと速度推定のためのスマートシティ交通管理システムに組み込むことができる。
論文 参考訳（メタデータ） (2025-06-26T13:53:22Z) - 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) - Large-scale Regional Traffic Signal Control Based on Single-Agent Reinforcement Learning [5.1129002613887105]
本稿では,単一エージェント強化学習(RL)に基づく地域交通信号制御モデルを提案する。
このモデルは、広域交通渋滞を緩和し、総走行時間を最小化することを目的として、広範囲にわたる交通信号を調整することができる。
SUMO交通シミュレーションソフトウェアを用いて実験を行った。
論文 参考訳（メタデータ） (2025-03-12T10:51:29Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z)
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。