文献

J-GLOBAL ID：202102279422263273   整理番号：21A1023651

深層強化学習による自動運転車両の円滑な追い越しの実現

著者 (7件)： 西佑希 (北大 工) ,  横山想一郎 (北大 大学院情報科学院) ,  山下倫央 (北大 大学院情報科学院) ,  川村秀憲 (北大 大学院情報科学院) ,  蕨野貴之 (KDDI総合研究所) ,  大岸智彦 (KDDI総合研究所) ,  田中英明 (KDDI総合研究所)
資料名： 情報処理学会研究報告(Web)  (IPSJ Technical Report (Web))
巻： 2021  号： ICS-201  ページ： Vol.2021-ICS-201,No.4,1-8 (WEB ONLY)  発行年： 2021年03月02日 
JST資料番号： U0451A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本研究では,追い越し場面での渋滞を緩和して,交通流量を増加させるための車両同士の協調行動を獲得するために,ソフトウェアシミュレーション上で深層強化学習を行い走行実験を行う.追い越し車の追い越し行動の獲得のために,動的パスプランニング手法であるFrenet Optimal Trajectoryを使用し,追い越しを実現した.対向車を強化学習対象として追い越し車を譲る行動を学習させることで,追い越し車とのインタラクションを実現した.ルールベースでの走行と深層強化学習後の走行とで,車両全体の走行距離を測定・比較し,交通流量の増加を確認した.(著者抄録)

シソーラス用語： 強化学習 ,  機械学習 ,  自動運転 ,  追越し ,  交通流 ,  *交通量 ,  交通混雑 ,  シミュレーション ,  走行試験 ,  経路探索 ,  ルールベース ,  エージェント ,  道路交通 ,  自動運転車 ,  交通混雑緩和
準シソーラス用語： 自動運転車両 ,  *交通流量 ,  渋滞緩和 ,  ソフトウェアシミュレーション ,  走行実験 ,  動的パスプランニング

分類 (2件)： 交通調査  (TB01031B) ,  人工知能  (JE08000Z)

引用文献 (18件)：

• 国土交通省道路局. 道路交通センサスから見た道路交通の現状,推移(データ集). https://www.mlit.go.jp/road/ir/ir-data/data_shu.html.
• 国土交通省. 効果的な渋滞対策の推進. https://www.mlit.go.jp/road/ir/ir-perform/h18/07.pdf.
• 国土交通省. 高速道路の利用状況. https://www.mlit.go.jp/road/ir/ir-council/highway/4pdf/22.pdf.
• Pythonで学ぶ強化学習: 入門から実践まで. 機械学習スタートアップシリーズ. 講談社, 2019.
• Du X. Wang G. Liang, X. and Z Han. Deep reinforcement learning for traffic light control in vehicular networks, 2018.

タイトルに関連する用語 (3件)： 深層強化学習 ,  自動運転車両 ,  追い越し