論文の概要: LLM-Enhanced Multi-Agent Reinforcement Learning for Unified Electric Vehicles-Charging Station-Grid Optimization in Public Charging Systems

• arxiv url: http://arxiv.org/abs/2609.13805v1
• Date: Sat, 12 Sep 2026 08:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.555946
• Title: LLM-Enhanced Multi-Agent Reinforcement Learning for Unified Electric Vehicles-Charging Station-Grid Optimization in Public Charging Systems
• Title（参考訳）: 統一電気自動車におけるLLM強化マルチエージェント強化学習-公共充電システムにおけるステーショングリッド最適化
• Abstract要約: MARL(Multi-Agent Reinforcement Learning)アプローチは、大規模なIoTセンシングデータと利害対立するステークホルダーによって生成される高次元状態空間に苦しむことが多い。 本稿では,統一ループ内のグリッド,EV,ステーションを同時に最適化するLLM拡張フレームワークを提案する。 我々のフレームワークは最先端のベースラインを著しく上回り、市場効率を向上し、トレーニング時間を70%以上削減しています。
• 参考スコア（独自算出の注目度）: 11.390254836910977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the era of the Internet of Things (IoT), coordinating connected electric vehicle (EV) charging scheduling to balance EV charging satisfaction, station profitability, and smart grid stability presents a complex multi-objective challenge. Existing Multi-Agent Reinforcement Learning (MARL) approaches often struggle with high-dimensional state spaces generated by massive IoT sensing data and conflicting stakeholder interests. This paper proposes a novel LLM-enhanced MARL framework that, for the first time, simultaneously optimizes the Grid, EVs, and Stations within a unified loop. By integrating Large Language Model (LLM), we address two critical bottlenecks: interpretable feature selection and adaptive multi-objective balancing. The LLM analyzes real-time IoT-collected environmental states to extract physically significant features and dynamically assigns weights to conflicting objectives-including profit, user satisfaction, and grid load-using semantic reasoning instead of complex manual tuning. Extensive experiments demonstrate that our framework significantly outperforms state-of-the-art baselines, achieving superior market efficiency while reducing training time by over 70%. This approach offers a scalable, transparent solution for efficient and sustainable IoT-enabled urban charging infrastructure management.
• Abstract（参考訳）: モノのインターネット(IoT)時代には、EV充電満足度、ステーション利益性、スマートグリッド安定性のバランスをとるために、接続電気自動車(EV)充電スケジューリングをコーディネートすることが、複雑な多目的課題である。 既存のMARL(Multi-Agent Reinforcement Learning)アプローチは、大規模なIoTセンシングデータと利害対立するステークホルダーによって生成される高次元のステートスペースと苦労することが多い。 本稿では,Grid,EVs,Stationsを統一ループ内で同時に最適化するLLM強化MARLフレームワークを提案する。 LLM(Large Language Model)を統合することで、解釈可能な特徴選択と適応型多目的バランスの2つの重要なボトルネックに対処する。 LLMは、リアルタイムのIoTコンパイルされた環境状態を分析して、物理的に重要な特徴を抽出し、複雑な手動チューニングではなく、利益、ユーザ満足度、グリッド負荷を用いたセマンティック推論を含む、競合する目標に動的に重みを割り当てる。 大規模な実験により、我々のフレームワークは最先端のベースラインを著しく上回り、市場効率を向上し、トレーニング時間を70%以上短縮することを示した。 このアプローチは、効率的で持続可能なIoT対応の都市充電インフラストラクチャ管理のための、スケーラブルで透明なソリューションを提供する。

関連論文リスト

• Large Language Model Enhanced Differentiable Trajectory Planning for IoT-Enabled Autonomous Driving [26.33691640001489]
  本稿では,IoT 対応自動運転のための大規模言語モデル (LLM) 拡張型微分可能軌道計画フレームワークを提案する。 本研究では,サラウンドエージェントトラジェクトリを新たな計画監督として再編成するために,周辺エージェント中心のデータ拡張戦略を導入する。 また、シーン関連高レベルなセマンティック特徴を抽出するために、LLMをベースとした複雑なアシン・アシン・シン・同期のセマンティック・エンハンスメントモジュールを設計する。
  論文  参考訳（メタデータ） (2026-07-11T18:43:14Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
  CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。 CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。 トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-09-24T07:54:01Z)
• Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks [5.034703123469061]
  インターネット・オブ・ビークルズ(IoV)システムでは、クライアントの移動性、異種資源、断続接続性のために、効率的な低遅延マルチタスク適応を実現することが困難である。 本稿では,道路側ユニット(RSU)と車両を協調し,動的IoVシナリオをまたいだ資源認識および移動性学習を支援する階層的なファインチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-13T06:29:00Z)
• SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
  SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。 提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
  論文  参考訳（メタデータ） (2025-05-22T15:44:30Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Open-Source LLM-Driven Federated Transformer for Predictive IoV Management [1.8024397171920885]
  Federated Prompt-d Traffic Transformer (FPoTT)は、オープンソースのLarge Language Modelsを利用して予測IoV管理を行う新しいフレームワークである。 FPoTTは動的プロンプト最適化機構を導入し、テキストプロンプトを反復的に洗練して軌道予測を強化する。 このアーキテクチャは、リアルタイム推論のための軽量エッジモデルと、グローバルインテリジェンスを維持するためのクラウドベースのLLMを組み合わせた、二重層フェデレーション学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2025-05-01T16:54:21Z)
• Intelligent Task Offloading in VANETs: A Hybrid AI-Driven Approach for Low-Latency and Energy Efficiency [2.1877558143992184]
  Vehicular Ad-hoc Networks (VANETs) はインテリジェントトランスポートシステムに不可欠なネットワークである。 VANETは、車両が計算タスクを近くのロードサイドユニット(RSU)とリアルタイム処理のためにモバイルエッジコンピューティング(MEC)サーバーにオフロードすることを可能にする。 本研究は、インテリジェントタスクオフロードとリソースアロケーションのための教師付き学習、強化学習、パーティクルスワーム最適化(PSO)を統合したハイブリッドAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-29T13:20:02Z)
• Smooth Handovers via Smoothed Online Learning [48.953313950521746]
  まず、欧州の商用モバイルネットワークオペレータ(MNO)から4000万人以上のユーザを対象に、HOに対する重要な特徴とパフォーマンスへの影響を理解し、明らかにするために、広範なデータセットを分析した。 本研究は, HO故障/遅延と無線セルとエンドユーザーデバイスの特徴の相関関係を明らかにする。 本稿では,HO最適化にデバイスとセルの機能を組み込むことで,既存のアプローチを拡張したスムーズで高精度なHOのための現実的なシステムモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-14T13:16:33Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging Scheduling in Large-scale Networked Facilities [5.78463306498655]
  電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。 現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。 ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
  論文  参考訳（メタデータ） (2023-05-18T14:03:47Z)

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。