論文の概要: HALight: Heterogeneous Multi-Agent Reinforcement Learning for Traffic Signal Control under Lane-Level Missing Observations
- arxiv url: http://arxiv.org/abs/2611.16574v1
- Date: Thu, 12 Nov 2026 10:02:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.440047
- Title: HALight: Heterogeneous Multi-Agent Reinforcement Learning for Traffic Signal Control under Lane-Level Missing Observations
- Title(参考訳): HALight:レーンレベルミス観測による交通信号制御のための異種マルチエージェント強化学習
- Abstract要約: HALightは交通信号制御のための通信強化ヘテロジニアス多エージェント強化学習フレームワークである。
異種交点に対応するために、異種交点固有の観察と行動モデリングをサポートする。
軽量なワンホップ近傍通信モジュールを組み込んで、車線レベルの観測が部分的には利用できない場合の空間的コンテキストを豊かにする。
- 参考スコア(独自算出の注目度): 13.029193405770494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent reinforcement learning has shown great promise for traffic signal control. However, most existing methods rely on two key assumptions: (i) agents are assumed to be homogeneous with unified observation/action spaces; (ii) full and reliable lane-level traffic observations are available to all agents. In practice, urban road networks exhibit substantial structural heterogeneity (e.g., lane configurations and phase designs), while sensor failures and incomplete detector coverage often result in missing incoming lane measurements. Such issues can severely impair coordination and destabilize learning. To address these challenges, we propose HALight, a communication-enhanced heterogeneous multi-agent reinforcement learning framework for traffic signal control under lane-level missing observations. HALight supports intersection-specific observation and action modeling to accommodate heterogeneous intersections, and incorporates a lightweight one-hop neighborhood communication module to enrich spatial context when lane-level observations are partially unavailable. Moreover, HALight adopts a sequential policy update scheme to improve coordination among heterogeneous agents. Experimental results on two real-world road networks demonstrate that HALight outperforms representative homogeneous and heterogeneous baselines in terms of traffic efficiency and convergence behavior. The code and datasets used in this work are available at https://github.com/Huchenkaii/HALight.
- Abstract(参考訳): マルチエージェント強化学習は交通信号制御に大きな可能性を示している。
しかし、既存のほとんどのメソッドは2つの重要な仮定に依存している。
i) エージェントは,統一された観察・行動空間に同質であると仮定される。
(II)全エージェントに完全かつ信頼性の高いレーンレベルの交通観測が利用可能である。
実際には、都市道路網は実質的な構造的不均一性(車線配置や位相設計など)を示すが、センサの故障と不完全な検知範囲は、しばしば車線測定の欠如をもたらす。
このような問題は、調整を困難にし、学習を不安定にする可能性がある。
これらの課題に対処するために、車線レベルの欠落した観測下での交通信号制御のための通信強化多エージェント強化学習フレームワークHALightを提案する。
HALightは、異種交差点に対応するために、交差点固有の観測と行動モデリングをサポートし、レーンレベルの観測が部分的に利用できない場合に、空間的コンテキストを豊かにする軽量なワンホップ通信モジュールを組み込んでいる。
さらに、HALightは、異種エージェント間のコーディネーションを改善するためのシーケンシャルポリシー更新スキームを採用している。
2つの実世界の道路ネットワークの実験結果から、HALightは交通効率と収束挙動の点で、同質および異質のベースラインよりも優れていることが示された。
この作業で使用されるコードとデータセットはhttps://github.com/Huchenkaii/HALight.orgで公開されている。
関連論文リスト
- Squeeze-Aware-YOLO: Early Channel Recalibration and Multi-Scale Fusion for Real-Time Traffic Sign Detection [2.8988539381054905]
交通標識検出はインテリジェント交通システムにおいて重要な役割を担い、運転支援システムや自動運転車を支援している。
本研究では,異なるサイズの畳み込みカーネルとSqueeze-and-Excitation機構を組み合わせた軽量な信号信号検出フレームワークであるSqueeze-Aware-YOLOを提案する。
提案手法は,バングラデシュ交通信号検出データセット,中国交通信号検出ベンチマーク2021,ドイツ交通信号検出ベンチマークを用いて評価し,それぞれ74.7%,79.4%,84.0%のmAP@0.5スコアを得た。
論文 参考訳(メタデータ) (2026-10-11T13:28:25Z) - V2XCrafter: Learning to Generate Driving Scene Across Agents [52.22336670088219]
協調運転システムは、運転安全性を高めるために、車両間通信(V2X)を利用して協調認識を行う。
エージェントのカメラビューにまたがって制御可能で現実的な協調運転シーンを生成するための最初のフレームワークであるV2XCrafterを提案する。
実験により,V2XCrafterはエージェント間の整合性を持った高忠実かつ制御可能なストリートビューを生成できることがわかった。
論文 参考訳(メタデータ) (2026-05-28T07:03:51Z) - Federated Hierarchical Reinforcement Learning for Adaptive Traffic Signal Control [5.570882985800125]
マルチエージェント強化学習(MARL)は、適応的な交通信号制御(ATSC)を約束している。
MARLは広範なデータ共有と通信要求のために制約に直面している。
我々はATSCのための階層型統合強化学習(HFRL)を提案する。
論文 参考訳(メタデータ) (2025-04-07T23:02:59Z) - CityLight: A Neighborhood-inclusive Universal Model for Coordinated City-scale Traffic Signal Control [23.5766158697276]
CityLightは、2つの主要なモジュールで得られた表現に基づいて普遍的なポリシーを学ぶ。
97から13,952の交差点を含む5つの都市規模のデータセットの実験により、CityLightの有効性が確認された。
論文 参考訳(メタデータ) (2024-06-04T09:10:14Z) - 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) - Reinforcement Learning Approaches for Traffic Signal Control under
Missing Data [5.896742981602458]
現実世界の都市では、センサーの欠如により交通状態の観察が欠如することがある。
本稿では, 適応制御を実現するために, トラフィック状態をインプットし, 適応制御とRLエージェントの訓練を可能にするために, 状態と報酬の両方をインプットする2つの方法を提案する。
論文 参考訳(メタデータ) (2023-04-21T03:26:33Z) - 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) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳(メタデータ) (2021-04-19T11:48:13Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。
近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。
本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文 参考訳(メタデータ) (2021-01-04T03:06:08Z)
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。