論文の概要: A traffic management system for large and heterogeneous vehicles in narrow industrial environments
- arxiv url: http://arxiv.org/abs/2609.10400v1
- Date: Wed, 09 Sep 2026 16:20:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.108858
- Title: A traffic management system for large and heterogeneous vehicles in narrow industrial environments
- Title（参考訳）: 狭い産業環境における大型・異種車両の交通管理システム
- Abstract要約: 本稿では,L-MAPF(Lifelong Multi-Agent Path Finding)アルゴリズムに基づくAGVトラヒック管理システムを提案する。
提案フレームワークは, 境界水平衝突ベースサーチ(CBS)技術の改良版をローリング水平衝突解決戦略に統合する。
現実的な産業環境で得られた実験結果は,従来のルールベースの交通管理システムよりも最大11%のスループット向上を実現している。
- 参考スコア（独自算出の注目度）: 43.41789308196158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The coordination of Automated Guided Vehicles (AGVs) in high-density industrial environments represents a critical challenge within Logistics 4.0, as traditional traffic management methods often lead to inefficiencies caused by negotiation-based priority assignment. To overcome the resulting limitations, this paper presents an innovative AGV traffic management system based on a Lifelong Multi-Agent Path Finding (L-MAPF) algorithm operating on roadmaps generated with Non-Uniform Rational B-Splines (NURBS) curves. The approach guarantees locally optimal coordination and ensures safe operation of large and heterogeneous AGVs. Building on this concept, the proposed framework integrates a modified version of the Bounded Horizon Conflict Based Search (CBS) technique within a Rolling Horizon Conflict Resolution strategy, utilizing an extended time horizon for each agent to enable effective conflict resolution in corridors identified by a topological map. In contrast to state-of-the-art methods for AGV fleet traffic management, the proposed solution is designed for real-world, non-standardized (i.e., non-grid-like) industrial settings characterized by narrow bidirectional corridors and high-traffic density, where AGVs of various sizes and capabilities operate simultaneously. Key contributions include an anytime conflict resolution strategy with adaptive time horizon regulation, an execution layer for safe and standard-compliant interaction with real AGVs, and an advanced mechanism for deadlock detection and resolution. Experimental results obtained in realistic industrial environments demonstrate higher throughput, with improvements of up to 11% over a conventional rule-based traffic management system, a state-of-the-art industrial method, and a priority-based L-MAPF variant, while maintaining continuous operation and improved efficiency.
- Abstract（参考訳）: 高密度産業環境における自動誘導車両(AGV)の協調は、従来の交通管理手法が交渉に基づく優先課題による非効率化につながることがしばしばあるため、ロジスティックス4.0における重要な課題である。
この制約を克服するため,Non-Uniform Rational B-Splines (NURBS) 曲線で生成したロードマップに基づいて,ライフロングマルチエージェントパス探索(L-MAPF)アルゴリズムに基づくAGVトラヒック管理システムを提案する。
このアプローチは局所的最適調整を保証し、大規模で不均一なAGVの安全な操作を保証する。
この概念に基づいて、提案フレームワークは、ローリング・ホライズン・コンフリクト・コンフリクト・コンフリクト・コンフリクト・サーチ(CBS)手法の修正版をローリング・ホライズン・コンフリクト・コンフリクト・レゾリューション・ストラテジーに統合し、各エージェントの延長時間地平線を利用して、トポロジカル・マップで識別された廊下における効果的なコンフリクト・コンフリクト・コンフリクト・サーチを実現する。
AGVの交通管理における最先端の手法とは対照的に、提案手法は、様々な規模のAGVが同時に機能する、狭い双方向の廊下と高い交通密度を特徴とする、現実世界の非標準化(非グリッドのような)産業環境のために設計されている。
主要なコントリビューションには、アダプティブな時間的地平線規制を備えた、いつでもコンフリクト解決戦略、実際のAGVとの安全で標準に準拠したインタラクションのための実行層、デッドロック検出と解決のための高度なメカニズムが含まれる。
現実的な産業環境で得られた実験結果は,従来のルールベース交通管理システム,最先端産業方式,優先型L-MAPFよりも最大11%向上し,連続運転の維持と効率の向上を図った。
関連論文リスト
- 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) - Hierarchical Reinforcement Learning for Cooperative Air-Ground Delivery in Urban System [41.96919926267983]
本研究では,階層型強化学習フレームワークHRL4AGを提案する。
具体的には、HRL4AGは高レベルのマネージャを使用して、共同アクション空間を分解することでスケーラビリティのボトルネックに取り組む。
2つの実世界のデータセットと評価プラットフォームの実験は、HRL4AGが最先端のベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-02-13T13:19:59Z) - ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving [44.008287454538596]
視覚言語モデル(VLM)は、クロスモーダルな先行とコモンセンス推論を導入することで、このパラダイムを豊かにする。
現在のVLMベースのプランナは、(i) 個別のテキスト推論と継続的制御のミスマッチ、(ii) 自己回帰的連鎖のデコーディングからの高い遅延、(iii) リアルタイムデプロイメントを制限する非効率または非因果的なプランナである。
テキストから潜在空間へ推論を転送し,それを階層的並列軌道デコーダで結合する統合視覚言語アクションフレームワークColaVLAを提案する。
論文 参考訳（メタデータ） (2025-12-28T14:06:37Z) - QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。
本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
論文 参考訳（メタデータ） (2025-12-17T06:22:46Z) - Optimizing Multi-Lane Intersection Performance in Mixed Autonomy Environments [0.0]
本稿では,グラフ注意ネットワーク(GAT)とSoft Actor-Critic(SAC)強化学習を組み合わせた新しい交通信号制御フレームワークを提案する。
提案したSACは、エントロピー最適化決定による適応的な信号制御を可能にする頑健な非政治強化学習アルゴリズムである。
実験の結果,従来の手法と比較して平均遅延時間を24.1%削減し,トラフィック違反を29.2%減少させることにより,GAT-SACアプローチの有効性を示した。
論文 参考訳（メタデータ） (2025-11-04T03:10:47Z) - HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways [6.838130893718755]
コネクテッド・アンド・オートマチック・カーズ(CAV)に基づく協調制御戦略は,この問題に対する基本的な解決策である。
CAVは完全には普及していないが、異種交通流に対する階層的協調型オンランプマージ制御(HCOMC)フレームワークを提案する必要がある。
本稿では,修正仮想車両モデルに基づく階層的協調計画モデル,ゲーム理論に基づく離散車線変更モデル,マルチマインド最適化モデルからなるHCOMCフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-15T18:01:29Z) - Multi-residual Mixture of Experts Learning for Cooperative Control in Multi-vehicle Systems [5.5597941107270215]
ラグランジアン交通制御のためのMRMEL(Multi-Residual Mixture of Expert Learning)を提案する。
MRMELは、残留補正を学習することで、最適でない名目AV制御ポリシーを強化する。
アトランタ, ダラスフォートワース, ソルトレイクシティの信号化交差点における協調的エコドライブのケーススタディを用いて, MRMELの検証を行った。
論文 参考訳（メタデータ） (2025-07-14T00:17:12Z) - Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [49.03947018718156]
協調的な知覚の訓練と推論の段階で利用される統合されたドメイン一般化フレームワークを提案する。
また、システム内ドメインアライメント機構を導入し、コネクテッドおよび自律走行車間のドメインの差を減らし、潜在的に排除する。
論文 参考訳（メタデータ） (2023-11-28T12:52:49Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳（メタデータ） (2021-05-28T08:45:37Z)
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。