論文の概要: Joint Dynamic Lane Reversal and Variable Speed Limit Control: A Graphormer-Based Approach

• arxiv url: http://arxiv.org/abs/2610.35070v1
• Date: Mon, 26 Oct 2026 09:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.806978
• Title: Joint Dynamic Lane Reversal and Variable Speed Limit Control: A Graphormer-Based Approach
• Title（参考訳）: 動的車線反転制御と可変速度制限制御の併用:グラフマーに基づくアプローチ
• Abstract要約: ネットワーク全体の動的レーン割り当てと方向速度制限制御を一方通行道路で定式化し, 逆転前にレーンをクリアし, ナビゲート可能なグラフを常に強く接続した。 グラフ配向理論に基づく行動分解アルゴリズムは、ネットワークが強く結びついている場合のみ、方向を閉じる提案を認める。
• 参考スコア（独自算出の注目度）: 2.714583452862024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Connected and automated vehicles could allow reassigning lane directions and speed limits on every road frequently, but the benefit hinges on how traffic reroutes, and one-way roads can isolate junctions. We formulate network-wide dynamic lane allocation and directional speed limit control with one-way roads, lane clearing before each reversal, and a navigable graph kept strongly connected at all times. An action-resolution algorithm grounded in graph orientation theory admits a proposal closing a direction only if the network stays strongly connected and otherwise relaxes or reverts it, keeping all junctions mutually reachable within the model, even during clearing. All road controllers share one transformer whose attention, Global Endpoint Relation-Aware Spatio-Temporal Self-Attention (GERASTSA), spans all road-time tokens, biased by the endpoint relations between roads. It is pretrained on action-conditioned traffic forecasting and fine-tuned with per-road proximal policy optimization under a mixed reward that also credits neighboring roads and the network. On a 6 x 6 grid with commuter rush hours, the learned policy makes about two thirds of roads one-way in the peak direction and cuts daily delay by 90% against the initial configuration held fixed and by 85% against a tuned two-way load balancer. Restricted to two-way roads at test time, it gains only about as much as this balancer, whereas its learned speed limits add delay. Pretraining roughly halves the updates needed to surpass the fixed configuration. Of the ablations, only removing the relational bias or the spatial embedding clearly matters, multiplying delay about fivefold.
• Abstract（参考訳）: 接続された自動車両は、すべての道路の車線方向や速度制限を頻繁に割り当てることができるが、その利点は、交通のルート変更や、一方通行の道路がジャンクションを分離することにある。 ネットワーク全体の動的レーン割り当てと方向速度制限制御を一方通行道路で定式化し, 逆転前にレーンをクリアし, ナビゲート可能なグラフを常に強く接続した。 グラフ配向理論に基づくアクションレゾリューションアルゴリズムは、ネットワークが強く接続されたままで、それ以外は緩和あるいは復帰した場合のみ、方向を閉じる提案を認め、クリア化中であっても、すべてのジャンクションをモデル内で相互に到達できるようにする。 全ての道路制御装置は、道路間のエンドポイント関係に偏った全ての道路時間トークンにまたがるGERASTSA(Global Endpoint Relation-Aware Spatio-Temporal Self-Attention)という、1つのトランスフォーマーを共有している。 行動条件付き交通予報を予習し、道路ごとのポリシー最適化を微調整し、近隣の道路やネットワークを信用する混合報酬を課している。 通勤ラッシュ時の6×6グリッドでは、学習方針はピーク方向の道路の約3分の2を一方通行とし、固定された初期配置に対して毎日の遅延を90%削減し、調整された双方向ロードバランサに対して85%削減する。 テスト時に2方向の道路に制限されるため、このバランサの約1倍の速度しか得られないが、学習速度の制限は遅延を増す。 事前トレーニングは、固定された設定を超えるのに必要なアップデートをほぼ半分にする。 アブレーションのうち、リレーショナルバイアスや空間埋め込みを除去することだけが明らかに重要であり、約5倍の遅延を乗算する。

関連論文リスト

• TopoStreamer: Temporal Lane Segment Topology Reasoning in Autonomous Driving [70.85436371436184]
  TopoStreamerは、レーンセグメントトポロジー推論のためのエンドツーエンドの時間知覚モデルである。 TopoStreamerは、ストリーミング属性制約、動的レーン境界位置エンコーディング、およびレーンセグメントのデノイングという3つの重要な改善点を紹介している。 Open-Lane-V2データセットでは、TopoStreamerが最先端のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-07-01T12:10:46Z)
• What Matters to Enhance Traffic Rule Compliance of Imitation Learning for End-to-End Autonomous Driving [10.191916541924813]
  そこで我々は,P-CSGを提案する。P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG。 本稿では,赤信号,停止標識,曲率速度ペナルティという3つの罰則を導入し,エージェントが交通規則に敏感になるようにした。 FGSMやDot攻撃などの敵攻撃に対するロバストネス評価を行ったところ,他のベースラインモデルと比較してロバストネスが著しく増加した。
  論文  参考訳（メタデータ） (2023-09-14T15:54:56Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Learning to Control and Coordinate Mixed Traffic Through Robot Vehicles at Complex and Unsignalized Intersections [33.0086333735748]
  本稿では,実世界の複雑な交差点におけるRVによる混在トラフィックの制御と調整のためのマルチエージェント強化学習手法を提案する。 本手法は,1時間あたり700台の車両の現実的な交通需要の下で,わずか5%のRVを経由した渋滞発生を防止する。 提案手法は,ブラックアウトイベント,突然のRVパーセンテージ低下,V2V通信エラーに対して堅牢である。
  論文  参考訳（メタデータ） (2023-01-12T21:09:58Z)
• Dynamic Conditional Imitation Learning for Autonomous Driving [0.966840768820136]
  条件模倣学習(CIL)は、ディープニューラルネットワークをエンドツーエンドで訓練し、人間の運転を模倣する。 このアプローチは、道路をたどったり、障害物を避けたり、交差点で特定の曲がり角をたどって目的地にたどり着く際に、適切な車両制御を示す。 しかし、目に見えない環境に展開すると性能が劇的に低下し、様々な気象条件に不整合である。 本稿では,これらの欠陥に対する解決策を提案する。まず,レーザスキャナと通常のカメラストリームを特徴レベルで融合させて,一般化と一貫性の課題を克服する。
  論文  参考訳（メタデータ） (2022-11-17T01:52:12Z)
• Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention [5.23886447414886]
  本研究では,道路セグメントレベルにおいて,人気のあるモビリティシミュレータSUMOが生成する交通流データにグラフモデリングを適用した。 提案手法を用いて,車線変更検出の性能評価を行った。 実験の結果,提案したレーン-GNNは運転者の車線変更意図を90秒以内に99.42%の精度で検出できることがわかった。
  論文  参考訳（メタデータ） (2022-07-02T12:53:56Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)

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。