論文の概要: Prediction is Better than Detection: Traffic Congestion Control using Drones

• arxiv url: http://arxiv.org/abs/2609.39637v1
• Date: Wed, 30 Sep 2026 12:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.783103
• Title: Prediction is Better than Detection: Traffic Congestion Control using Drones
• Title（参考訳）: 予測は検出より優れている:ドローンによる交通渋滞制御
• Abstract要約: タスクパフォーマンスが艦隊規模でどのようにスケールするかという問題について検討する。 監視対象のジャンクション数を近似した艦隊規模の性能指標を示す。 さらに、検出されたジャムではなく予測されたジャムに信号を適用すると、結果として発生するジャム時間の約2倍になる。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central question in deploying teams of mobile robots for persistent monitoring is how task performance scales with fleet size, and whether this scaling holds once sensing drives downstream action rather than mere observation. We study this question for a team of drones performing traffic-jam detection and prediction in a simulated road network, whose reports drive an adaptive traffic-signal controller in closed loop. We build a multi-agent simulation, with vehicles following Nagel-Schreckenberg cellular-automaton dynamics and drones patrolling junctions via a round-robin policy, and sweep fleet size, traffic level, and network size to evaluate detection rate, detection delay, and prediction rate. We show how performance plateaus for fleet size approximating the number of junctions being monitored, and offer a general fleet-provisioning rule for persistent-monitoring deployments. More significantly, adapting the signal on a predicted jam, rather than a detected one, roughly doubles the resulting reduction in jam duration, showing that the value of onboard prediction in a sensing-to-action pipeline can exceed the value of adding more robots. Prediction accuracy, not sensing coverage, is now the binding constraint on further improvement, pointing to onboard inference, not fleet size, as the more promising direction for future work.
• Abstract（参考訳）: 永続的な監視のためにモバイルロボットのチームをデプロイする際の中心的な疑問は、タスクパフォーマンスがフリートサイズにどのようにスケールするか、このスケーリングが単なる観察ではなく、下流でのアクションを一度検知するかどうかである。 本研究では,道路網を模擬した道路網において,交通ジャムの検出と予測を行うドローンのチームに対して,この課題を考察する。 我々は,Nagel-Schreckenberg セル-オートマトン力学とドローンがラウンドロビンポリシを介して接合部をパトロールし,車両のサイズ,交通量,ネットワークサイズを網羅し,検出率,検出遅延,予測速度を評価するマルチエージェントシミュレーションを構築した。 我々は、監視対象のジャンクション数を近似する艦隊規模のパフォーマンス指標を示し、永続的な監視デプロイメントのための一般的な艦隊計画ルールを提供する。 さらに、検出されたジャムではなく予測されたジャムに信号を適用すると、ジャム期間の短縮が約2倍になり、センサー・ツー・アクション・パイプラインにおけるオンボード予測の価値が、より多くのロボットを追加する価値を上回ることが示される。 予測精度は、検知範囲ではなく、現在、さらなる改善の束縛となり、将来の作業にとってより有望な方向として、船上推論ではなく、船上推論を指している。

関連論文リスト

• RoboSense: Leveraging Robotaxi Fleets as Drive-by Sensors for Urban Traffic Monitoring [12.625504268294378]
  ロボット軸の展開が進むと、ネットワークレベルのトラフィック監視の新たな機会が生まれる。 本稿では,交通監視タスクを目的として明示的に組み込んだ新しい動的ロボタクシールーティングフレームワークを提案する。 目的関数に時間的ネットワークカバレッジを組み込むことで,トラヒック監視性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2026-09-06T20:12:36Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Traffic Flow Prediction via Variational Bayesian Inference-based Encoder-Decoder Framework [1.181206257787103]
  本稿では,変分ベイズ推定に基づくディープエンコーダ・デコーダ予測フレームワークを提案する。 ベイズニューラルネットワークは、変分推論とゲートリカレントユニット(GRU)を組み合わせて構築され、エンコーダ・デコーダフレームワークのディープニューラルネットワークユニットとして使用される。 提案手法は, 広州市の都市交通フローデータセットにおいて, ベンチマークよりも優れた予測性能を実現する。
  論文  参考訳（メタデータ） (2022-12-14T12:39:47Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。