論文の概要: Optimization-based lane-changing trajectory planning in mixed traffic with embedded input convex neural networks

• arxiv url: http://arxiv.org/abs/2610.38939v1
• Date: Wed, 28 Oct 2026 21:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.421819
• Title: Optimization-based lane-changing trajectory planning in mixed traffic with embedded input convex neural networks
• Title（参考訳）: 入力凸ニューラルネットワークを用いた混在交通における最適化に基づく車線変化軌道計画
• Abstract要約: 車線変更(LC)の操作は、交通安全と効率に重大な影響を及ぼす、非常に困難な車両間相互作用である。 本研究では,Bézier曲線に基づく軌道プランナ内に,ニューラルネットワーク(NN)サロゲートを組み込んだデータ駆動型最適化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）: 12.013299267517468
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lane-changing (LC) maneuvers are highly challenging vehicle interactions, with substantial implications for traffic safety and efficiency. Developing effective LC strategies for connected and automated vehicles in mixed traffic is complicated by the uncertainty associated with surrounding-vehicle behavior and the computational burden of embedding realistic prediction models within optimization schemes. To capture these complex interactions while retaining tractability, this study proposes a data-driven optimization framework that embeds neural network (NN) surrogates for safety and lateral comfort within a Bézier-curve-based trajectory planner. Specifically, the safety cost during the LC process is quantified via a surrogate composed of an input convex recurrent neural network (ICRNN) encoding the planned trajectory, a fully input convex neural network (FICNN) embedding the LC duration, and a partially input convex neural network (PICNN) decoder fusing them with historical traffic states; separately, another FICNN surrogate approximates the optimal lateral comfort cost as a function of the LC duration. Both surrogates are embedded via linear programming (LP) formulations, avoiding the binary variables required by conventional mixed-integer programming (MIP) approaches for NN-embedded optimization. We further theoretically establish their exactness at optimality and extend the framework to problems with additional analytical objective terms and multiple surrogates. Experiments on a hybrid dataset combining real-world and simulated trajectories demonstrate that the proposed method achieves surrogate accuracy competitive with unconstrained baselines while substantially improving optimization efficiency over conventional MIPs. Closed-loop simulations further show that the proposed planners markedly reduce the weighted planning cost and consistently outperform baseline methods.
• Abstract（参考訳）: 車線変更(LC)の操作は、交通安全と効率に重大な影響を及ぼす、非常に困難な車両間相互作用である。 混合交通における連結車両と自動車両の効率的なLC戦略の開発は、周辺車両の挙動と、最適化スキーム内に現実的な予測モデルを埋め込む際の計算負担に関する不確実性によって複雑である。 トラクタビリティを保ちながらこれらの複雑な相互作用をキャプチャするために、ベジエ曲線に基づく軌道プランナ内にニューラルネットワーク(NN)サロゲートを組み込むデータ駆動最適化フレームワークを提案する。 具体的には、LCプロセス中の安全性コストを、計画された軌道を符号化する入力凸リカレントニューラルネットワーク(ICRNN)と、LC期間を埋め込んだ完全入力凸ニューラルネットワーク(FICNN)と、これらを歴史的な交通状況と融合させる部分入力凸ニューラルネットワーク(PICNN)デコーダとからなるサロゲートを介して定量化し、別のFICNNサロゲートはLC期間の関数として最適側方快適コストを近似する。 どちらのサロゲートも線形プログラミング(LP)の定式化によって埋め込まれ、NN組み込み最適化のために従来の混合整数プログラミング(MIP)アプローチで必要とされるバイナリ変数を避ける。 さらに理論的には、最適性においてそれらの正確性を確立し、追加の分析目的項と複数のサロゲートを持つ問題にフレームワークを拡張します。 実世界とシミュレートされた軌跡を組み合わせたハイブリッドデータセット実験により,提案手法は従来のMIPの最適化効率を大幅に向上しつつ,制約のないベースラインと競合するサロゲート精度を実現することを示した。 閉ループシミュレーションにより、提案したプランナーは、重み付けされた計画コストを著しく低減し、ベースライン法を一貫して上回ることを示した。

関連論文リスト

• Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions [1.3299507495084417]
  本稿では,無人航空機(UAV)と無人地上航空機(UGV)のハンドオーバミッションのための学習用軌道計画フレームワークを提案する。 本稿では,デカップリング型エンコーダ・デコーダ長短期メモリ(LSTM)ネットワークを用いたニューラルサロゲートプランナを提案する。 ベンチマーク評価は、学習強化計画フレームワークが3倍以上のスピードアップと100%の最適化成功率を達成することを示した。
  論文  参考訳（メタデータ） (2026-05-19T09:07:59Z)
• Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems [52.842088497389746]
  この手紙は、悪意のあるジャマーの存在下での、アンチジャミングの協調推論システムに焦点を当てている。 まず、ジャミングとDNNパーティショニングがデータ回帰による推測精度に与える影響を解析する。 問題を3つのサブプロブレムに分解する,効率的な交互最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-03T03:52:52Z)
• Learning to Approximate Uniform Facility Location via Graph Neural Networks [45.627700504265086]
  近似アルゴリズムの原理を組み込んだ完全微分可能なMPNNモデルを開発した。 提案手法は,ソリューションの品質の観点から,標準的な非学習近似アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-13T18:08:23Z)
• Adaptive Pareto-Optimal Token Merging for Edge Transformer Models in Semantic Communication [27.78647101651565]
  大規模トランスモデルはセマンティック通信システムのための強力なツールとして登場してきた。 本稿では,事前学習型視覚変換器における適応トークンマージのためのトレーニングフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-11T06:05:35Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Efficient Split Federated Learning for Large Language Models over Communication Networks [45.02252893286613]
  分散方式で訓練済みの大規模言語モデル(LLM)を微調整することで、リソース制約のあるエッジネットワークにおいて大きな課題が生じる。 本稿では,分割フェデレーション学習とパラメータ効率のよい微調整技術を統合する新しいフレームワークであるSflLLMを提案する。 モデル分割とローランク適応(LoRA)を活用することにより、SflLLMはエッジデバイスの計算負担を軽減する。
  論文  参考訳（メタデータ） (2025-04-20T16:16:54Z)
• Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
  移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。 深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
  論文  参考訳（メタデータ） (2024-12-21T10:18:55Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。