論文の概要: IntNet: A Communication-Driven Multi-Agent Reinforcement Learning Framework for Cooperative Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.34466v1
- Date: Sun, 25 Oct 2026 17:38:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.619478
- Title: IntNet: A Communication-Driven Multi-Agent Reinforcement Learning Framework for Cooperative Autonomous Driving
- Title（参考訳）: IntNet: 協調自動運転のためのコミュニケーション駆動型マルチエージェント強化学習フレームワーク
- Abstract要約: マルチエージェント強化学習(MARL: Multi-Agent Reinforcement Learning)は、非定常性、部分観測可能性、エージェント間の効果的な協調の必要性により、重要かつ困難な課題である。
IntNetは、車両意図の伝達と適応的な通信スケジューリングを統一的なエンドツーエンド学習パラダイムに組み込むことで安全性を高める新しいMARLフレームワークである。
我々はIntNetを、自動運転車と人間運転車の両方の複雑な都市環境における最先端の通信MARL法と比較し、コーディネーションの改善、衝突率の低減、通信努力の最大60%削減を実現した。
- 参考スコア（独自算出の注目度）: 4.712992136008675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving safety in autonomous driving through Multi-Agent Reinforcement Learning (MARL) is a critical yet challenging task due to non-stationarity, partial observability, and the need for effective coordination among agents. Although earlier cooperative MARL methods have aimed to improve coordination by sharing encoded state observations, we find these strategies are insufficient in safety-critical scenarios. To address this gap, we present IntNet, a novel MARL framework that enhances safety by incorporating the transmission of vehicle intent and adaptive communication scheduling into a unified end-to-end learning paradigm, jointly optimising all components for safe coordination. Central to our approach is an observation prediction module that enables agents to forecast subsequent policy outputs, which they can then share across a vehicle-to-vehicle network. Our model-free architecture employs a Graph Attention Network to process incoming messages and a scheduler component to dynamically optimise the communication graph for bandwidth efficiency. We compare IntNet against state-of-the-art communicative MARL methods in complex urban environments with both autonomous and human-operated vehicles, achieving improved coordination, lower collision rates, and reducing communication efforts by up to 60\%. Through extensive experiments, we assess the framework's learning efficiency, scalability, and the balance between information sharing and bandwidth usage for collision-free trajectories.
- Abstract（参考訳）: MARL(Multi-Agent Reinforcement Learning)による自動運転の安全性向上は、非定常性、部分観測可能性、エージェント間の効果的な協調の必要性により、重要かつ困難な課題である。
従来の協調的MARL法は、符号化された状態観測を共有することで協調性を向上することを目的としていたが、これらの戦略は安全クリティカルなシナリオでは不十分である。
このギャップに対処するために,車両意図の伝達と適応通信スケジューリングを統一的なエンドツーエンド学習パラダイムに組み込むことで安全性を高める新しいMARLフレームワークであるIntNetを提案する。
我々のアプローチの中心は、エージェントがその後のポリシー出力を予測し、車間ネットワーク間で共有できる観察予測モジュールである。
モデルレスアーキテクチャでは、受信メッセージを処理するグラフアテンションネットワークとスケジューラコンポーネントを用いて、通信グラフを動的に最適化し、帯域幅効率を向上する。
IntNetと複雑な都市環境における最先端のMARL法を、自律車と人力車の両方で比較し、コーディネーションの改善、衝突率の低減、通信努力の最大60倍の削減を実現した。
大規模な実験を通じて、衝突のない軌道の学習効率、スケーラビリティ、および情報共有と帯域幅利用のバランスを評価する。
関連論文リスト
- Multi-Agent Embodied Autonomous Driving: From V2X Information Exchange to Shared World Models [16.06080006560829]
自律運転は、孤立した車両の知性から、不確実性の下で知覚、推論意図、協調行動を共有するマルチエージェント・エンボディシステムへとシフトしている。
車両間通信(V2X)、協調認識、エージェント間認知、協調計画、エンドツーエンド協調運転、クローズドループ検証のためのシミュレーションとデータエンジンを含む380以上の出版物をレビューする。
論文 参考訳（メタデータ） (2026-06-11T19:10:13Z) - SCALE-COMM: Shared, Contrastively-Aligned Latent Embeddings for MARL Communication [0.0]
本稿では,コンパクトで安定なコミュニケーション表現を学習するための自己教師型フレームワークを提案する。
学習した通信空間は, 政策微調整による安定性, サンプル効率, スループットの向上を図っている。
論文 参考訳（メタデータ） (2026-05-26T18:06:19Z) - CoordLight: Learning Decentralized Coordination for Network-Wide Traffic Signal Control [15.468107943726617]
CoordLightは、個々のジャンクション(エージェント)における意思決定を強化することによって、近隣のトラフィックを改善するために設計されたフレームワークである。
我々は,隣接エージェント間の状態と行動依存性を識別するアテンション機構を統合した,Neighbor-aware Policy Optimization (NAPO) という高度なMARLアルゴリズムを提案する。
我々は、CoordLightが、様々なトラフィックフローを持つ多様なトラフィックネットワークにおいて、一貫して優れた性能を示すことを実証的に示す。
論文 参考訳（メタデータ） (2026-03-25T14:46:31Z) - Dual-Interaction-Aware Cooperative Control Strategy for Alleviating Mixed Traffic Congestion [36.780597614300504]
コネクテッド・アンド・オートマチック・ビークル(CAV)は、協調戦略による交通渋滞を著しく低減することが期待されている。
混在交通環境における人間適応型人間駆動車(HDV)の挙動の不確かさと多様性は、CAV協力にとって大きな課題である。
本稿では、局所的およびグローバルな相互作用知覚を両立させるDIACC(Dual-Interaction-Aware Cooperative Control)戦略を提案する。
論文 参考訳（メタデータ） (2026-03-04T09:00:49Z) - Learning to Interact in World Latent for Team Coordination [53.51290193631586]
本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。
コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。
私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
論文 参考訳（メタデータ） (2025-09-29T22:13:39Z) - 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) - Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。
周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。
我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-29T08:53:26Z) - Learning to Help Emergency Vehicles Arrive Faster: A Cooperative
Vehicle-Road Scheduling Approach [24.505687255063986]
車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。
道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。
本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
論文 参考訳（メタデータ） (2022-02-20T10:25:15Z) - 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。