論文の概要: Reinforcement Learning for Adaptive Crowd Flow Control Using Dynamic Barriers

• arxiv url: http://arxiv.org/abs/2610.34163v1
• Date: Sun, 25 Oct 2026 08:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.54976
• Title: Reinforcement Learning for Adaptive Crowd Flow Control Using Dynamic Barriers
• Title（参考訳）: 動的バリアを用いた適応的群流制御のための強化学習
• Abstract要約: 群衆の障壁は、巡礼などの大規模な公共イベントにおける歩行者の移動を規制するために広く使用されている。 特定の群衆シーンに最適なバリア配置を提供するデータセットがないため、より良いバリア構成を見つけることは難しい。 ラベル付きトレーニングデータを必要とせずにバリア構成を学習するシミュレーション駆動強化学習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）: 5.642828382339469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowd barriers are widely used to regulate pedestrian movement during large public events such as pilgrimages. However, fixed barrier layouts often create unnecessary stopping and local congestion even when they successfully control the overall crowd flow. Finding better barrier configurations is difficult because there is no dataset that provides the best barrier placement for a given crowd scene. We address this challenge by introducing a simulation-driven reinforcement learning framework that learns barrier configurations without requiring labelled training data. Starting from a segmented crowd scene, we construct a realistic simulation environment that reproduces the observed pedestrian distribution. This environment is then used to train a Soft Actor-Critic (SAC) agent that continuously adjusts barrier positions to improve pedestrian movement. Unlike supervised approaches the proposed framework allows the agent to explore barrier configurations that have never been observed in real data. We evaluate the learned policy under unseen numbers of pedestrians. The learned policy consistently outperforms the existing manually designed barrier configuration by reducing pedestrian stops while maintaining effective flow regulation. These results demonstrate that combining computer vision crowd simulation and reinforcement learning provides an effective framework for optimizing crowd control infrastructure.
• Abstract（参考訳）: 群衆の障壁は、巡礼などの大規模な公共イベントにおける歩行者の移動を規制するために広く使用されている。 しかしながら、固定されたバリア配置は、群衆全体の流れをうまく制御できたとしても、不要な停止と局所的な混雑を引き起こすことが多い。 特定の群衆シーンに最適なバリア配置を提供するデータセットがないため、より良いバリア構成を見つけることは難しい。 ラベル付きトレーニングデータを必要とせずにバリア構成を学習するシミュレーション駆動強化学習フレームワークを導入することで、この問題に対処する。 セグメント化された群集シーンから,観測された歩行者分布を再現する現実的なシミュレーション環境を構築する。 この環境は、歩行者の動きを改善するために障壁位置を継続的に調整するソフトアクター・クリティカル(SAC)エージェントの訓練に使用される。 教師付きアプローチとは異なり、提案されたフレームワークは、エージェントが実際のデータで観測されたことのないバリア構成を探索することを可能にする。 未確認の歩行者数で学習方針を評価する。 学習ポリシは、効果的なフロー規制を維持しながら、歩行者停止を減らすことで、既存の手作業によるバリア構成を一貫して上回る。 これらの結果は,コンピュータビジョンの群集シミュレーションと強化学習を組み合わせることで,群集制御インフラの最適化に有効なフレームワークを提供することを示す。

関連論文リスト

• End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
  E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。 微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。 E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
  論文  参考訳（メタデータ） (2026-07-21T02:13:25Z)
• ParkingWorld: End-to-End Autonomous Parking Reinforcement Learning from Corrective Experience in 3DGS Simulation [10.525967236174223]
  本稿では、終端自動駐車のためのループ内サンプル効率強化学習フレームワークを提案する。 実際のシーンの高忠実度デジタル再構成を可能にする3Dガウススプラッティング(3DGS)駐車シミュレーターで完全に訓練されている。 本手法は, 各種シナリオにおける駐車成功率, 運転効率, 安全性能の大幅な向上を実現する。
  論文  参考訳（メタデータ） (2026-05-24T12:09:53Z)
• 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)
• Adapting Reinforcement Learning for Path Planning in Constrained Parking Scenarios [6.734318562862061]
  駐車場におけるリアルタイム経路計画のためのDeep Reinforcement Learningフレームワークを提案する。 古典的なプランナーとは異なり、我々の解は理想的で構造化された知覚を必要としない。 テスト時には、ポリシーは各ステップで1つのフォワードパスを通じてアクションを生成します。
  論文  参考訳（メタデータ） (2026-01-30T04:35:49Z)
• Mastering Diverse, Unknown, and Cluttered Tracks for Robust Vision-Based Drone Racing [22.63301233637327]
  ドローンレースの目標を固定した障害物のないトラックの強化学習手法のほとんどは、未知の乱雑な環境に一般化を残したままであった。 この課題は、レース速度と衝突回避のバランスをとる必要があること、限られた実現可能な空間が、訓練中に地元のオプティマに閉じ込められた政策探索を引き起こすことに起因している。 高速飛行のための政策探索を継続する初期ソフトコリデーショントレーニングフェーズと、堅牢な障害物回避を強制するハードコリデーション改善フェーズの2段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-10T12:02:48Z)
• A General Infrastructure and Workflow for Quadrotor Deep Reinforcement Learning and Reality Deployment [48.90852123901697]
  本稿では, エンドツーエンドの深層強化学習(DRL)ポリシーを四元数へシームレスに移行できるプラットフォームを提案する。 本プラットフォームは, ホバリング, 動的障害物回避, 軌道追尾, 気球打上げ, 未知環境における計画など, 多様な環境を提供する。
  論文  参考訳（メタデータ） (2025-04-21T14:25:23Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Trace and Pace: Controllable Pedestrian Animation via Guided Trajectory Diffusion [83.88829943619656]
  本研究では,現実的な歩行者軌跡生成手法と,ユーザ定義目標を達成するために制御可能なフルボディアニメーションを提案する。 我々のガイド付き拡散モデルでは,対象とする経路,速度,特定社会集団による軌道の制約が可能である。 本稿では,アニメーションコントローラのRLトレーニング中に学習した値関数を用いて,拡散を誘導し,特定のシナリオに適した軌道を生成することを提案する。
  論文  参考訳（メタデータ） (2023-04-04T15:46:42Z)
• Decoding pedestrian and automated vehicle interactions using immersive virtual reality and interpretable deep learning [6.982614422666432]
  本研究では,自動走行車の存在による影響が期待される都市動態の重要な要素として,歩行者の横断行動について検討する。 歩行者の待ち時間はデータ駆動のCox Proportional Hazards(CPH)モデルを用いて分析される。 その結果,道路上の自動走行車の存在,広い車線幅,道路上の高密度化,観光距離の制限,歩行習慣の欠如が待ち時間の主な要因であることが示唆された。
  論文  参考訳（メタデータ） (2020-02-18T01:30:29Z)

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。