論文の概要: OpenHail: An Event-Driven Gymnasium Environment for Electric Ride-Hailing Fleet Control

• arxiv url: http://arxiv.org/abs/2609.30628v1
• Date: Thu, 24 Sep 2026 23:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.15747
• Title: OpenHail: An Event-Driven Gymnasium Environment for Electric Ride-Hailing Fleet Control
• Title（参考訳）: OpenHail: 電動ライディングフリートコントロールのためのイベント駆動型体育館環境
• Abstract要約: 我々は、電動配車車両のジョイントコントロールのためのオープンソースの体育館環境であるOpenHailを紹介する。 その固定サイズ観察・アクションインターフェースは、リクエストの割り当て、再配置、課金を単一のポリシーに公開する。 決定エポックメカニズムは、内部シミュレータイベントとポリシーインタラクションを分離する。
• 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: Machine-learning policies have attracted increasing interest for ride-hailing fleet control in recent years. Reinforcement learning, in particular, requires a structured simulation environment that specifies observations, actions, rewards, and decision epochs for training and evaluation. For electric fleets, this environment must also capture the interaction among stochastic demand, vehicle operations, and capacitated charging infrastructure. We present OpenHail, an open-source Gymnasium environment for joint control of electric ride-hailing fleets. Its fixed-size observation--action interface exposes request assignment, repositioning, and charging to a single policy. The event-driven simulator represents requests with pickup deadlines, vehicle job queues, battery dynamics, and finite-capacity charging facilities with first-in--first-out queues. A configurable decision-epoch mechanism separates internal simulator events from policy interactions, supporting event-driven, periodic, hybrid, and policy-requested control within the same operational model. The software provides seeded instances, feasible-action utilities, evaluation tools, operational metrics, and baseline policies. The source code is available at https://github.com/tommaso-schettini/openhail.
• Abstract（参考訳）: 機械学習政策は近年、配車サービスへの関心が高まっている。 強化学習は特に、トレーニングと評価のために観察、行動、報酬、決定のエポックを規定する構造化されたシミュレーション環境を必要とする。 電気車両にとって、この環境は、確率的需要、車両の運用、静電容量化のインフラ間の相互作用を捉える必要がある。 我々は、電動配車車両のジョイントコントロールのためのオープンソースの体育館環境であるOpenHailを紹介する。 その固定サイズ観察-アクションインターフェースは、リクエストの割り当て、再配置、課金を単一のポリシーに公開する。 イベント駆動シミュレータは、ピックアップ期限、車両ジョブキュー、バッテリダイナミックス、ファースト・イン・ファースト・アウトキューを備えた有限容量充電設備を含むリクエストを表現します。 構成可能な決定エポックメカニズムは、内部シミュレータイベントとポリシーインタラクションを分離し、同じ運用モデル内でイベント駆動、周期的、ハイブリッド、ポリシー要求制御をサポートする。 このソフトウェアはシードインスタンス、実行可能なアクションユーティリティ、評価ツール、運用メトリクス、ベースラインポリシーを提供する。 ソースコードはhttps://github.com/tommaso-schettini/openhail.comで公開されている。

関連論文リスト

• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• Beyond Self-Play and Scale: A Behavior Benchmark for Generalization in Autonomous Driving [8.06426702612716]
  最近の自律運転(AD)研究は、政策推進のための訓練戦略として強化学習(RL)を大規模に解き放たれた。 しかし、これらのポリシーは確立されたベンチマークから切り離されたままであり、標準化された評価を駆動するための大規模RLの性能は未知のままである。 評価、複雑さ、振る舞いの多様性という3つの軸に沿って、このギャップを埋める包括的なテストスイートであるBehaviorBenchを紹介します。
  論文  参考訳（メタデータ） (2026-05-11T05:59:49Z)
• Federated Learning for Early Prediction of EV Charging Demand [0.0]
  本研究では、プラグイン時間と充電開始後1分で利用可能な情報のみを用いて、セッションの総エネルギーを推定する充電需要の早期予測問題について検討する。 本稿では,アダプティブ充電ネットワーク(ACN)からセッションレベルのデータセットを構築し,セッションメタデータと初期ウィンドウ充電測定を組み合わせた。 我々は,最小限のデータでセッションの初期段階で信頼性の高い需要推定値を得ることができ,EV充電ネットワークのスケーラブルでプライバシに配慮した分析への実践的な経路を提供することを示した。
  論文  参考訳（メタデータ） (2026-05-06T14:53:23Z)
• A Grid-Aware Agent-Based Model for Analyzing Electric Vehicle Charging Systems [0.5872014229110213]
  このモデルは、異種EVの挙動、充電列の制約、およびアグリゲート電力割り当てを制御する共有エナジーサンドボックスを統合する。 このアプローチは、さまざまなシステムサイズ、チャージャー構成、スケジューリング戦略にわたる、スケーラブルでイベント駆動のシミュレーションをサポートする。
  論文  参考訳（メタデータ） (2026-04-30T13:33:23Z)
• Learning to Route Electric Trucks Under Operational Uncertainty [15.257859768945707]
  電気トラックの運転には、限られたバッテリー範囲、長時間の充電時間、旅行とエネルギー消費、および共有充電インフラの競争で実現可能な経路決定が必要である。 本稿では,充電制約と運転不確実性を考慮した電気トラックルーティングのための学習型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T11:52:00Z)
• VehicleWorld: A Highly Integrated Multi-Device Environment for Intelligent Vehicle Interaction [78.34534983766973]
  VehicleWorldは、30のモジュール、250のAPI、680のプロパティを備えた、自動車ドメインのための最初の包括的な環境である。 本研究では,システム状態認識を明示的に維持し,目標条件を達成するために直接状態遷移を実装する新しい手法であるState-based Function Call (SFC)を提案する。
  論文  参考訳（メタデータ） (2025-09-08T14:28:25Z)
• Robot Fleet Learning via Policy Merging [58.5086287737653]
  我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。 本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。 合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
  論文  参考訳（メタデータ） (2023-10-02T17:23:51Z)
• CARLA Real Traffic Scenarios -- novel training ground and benchmark for autonomous driving [8.287331387095545]
  本研究では,実世界のトラフィックに基づくCARLAシミュレータにおけるインタラクティブな交通シナリオについて紹介する。 我々は数秒間続く戦術的タスクに集中しており、これは現在の制御方法では特に困難である。 CARLA Real Traffic Scenarios(CRTS)は、自動運転システムのトレーニングとテストの場になることを意図しています。
  論文  参考訳（メタデータ） (2020-12-16T13:20:39Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。