arXiv:2407.16200

MCTS Based Dispatch of Autonomous Vehicles under Operational Constraints for Continuous Transportation

Milan Tomy, Konstantin M. Seiler, Andrew J. Hill

제출 2024-07-23

원문 초록

Continuous transportation of material in the mining industry is achieved by the dispatch of autonomous haul-trucks with discrete haulage capacities. Recently, Monte Carlo Tree Search (MCTS) was successfully deployed in tackling challenges of long-run optimality, scalability and adaptability in haul-truck dispatch. Typically, operational constraints imposed on the mine site are satisfied by heuristic controllers or human operators independent of the dispatch planning. This article incorporates operational constraint satisfaction into the dispatch planning by utilising the MCTS based dispatch planner Flow-Achieving Scheduling Tree (FAST). Operational constraint violation and satisfaction are modelled as opportunity costs in the combinatorial optimisation problem of dispatch. Explicit cost formulations are avoided by utilising MCTS generator models to derive opportunity costs. Experimental studies with four types of operational constraints demonstrate the success of utilising opportunity costs for constraint satisfaction, and the effectiveness of integrating constraints into dispatch planning.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.22654v1cs.AI공통 태그 Autonomous Vehicles, Scheduling

MINT-V2X: 예측적 자원 관리를 위한 이동성 통합 네트워크 궤적 데이터셋

MINT-V2X: A Mobility-Integrated Network Trajectory Dataset for Predictive Resource Management

V2X(Vehicle-to-Everything) 통신 시스템은 차량 궤적 데이터뿐만 아니라 현실적인 수준의 충실도를 갖춘 무선 네트워크 매개변수도 포함하는 데이터셋을 기반으로 하며, 이를 통해 예측 및 최적화 모델의 구축이 가능하다. 오늘날 매우 중요한 연구 인프라 공백이 존재하며, 공개적으로 이용 가능한 데이터셋은 이동성 또는 네트워크 매개변수 중 하나에 국한되는 경우가 많고, 두 가지를 결합한 단일의 통합적 시각을 제공하는 경우는 드물다. 본 논문은 SUMO 교통 역학과 OMNeT++/Simu5G 네트워크 시뮬레이션을 결합하여 생성된 포괄적 데이터셋인 MINT-V2X를 소개한다. 검증 프레임워크는 3GPP Release 14(C-V2X), ETSI 표준 및 Shannon 용량 이론을 기반으로 한 14개의 표준화된 테스트로 구성된다. 결과 데이터셋은 3시간의 도시 교통 시뮬레이션 동안 15개 RSU(roadside unit)로부터 1,386대 차량의 987만 개 동기화된 데이터 포인트를 포함한다. 네트워크 지표 상관관계(CQI-SINR: 0.993; SINR-PDR: 0.946)를 통해 엄격한 알고리즘적 일관성을 입증한다. 마지막으로 RSU 부하 예측 사례 연구를 수행하여 데이터셋의 가치를 입증하며, 궤적 데이터를 사용할 경우 네트워크 이력만을 사용하는 베이스라인보다 더 나은 예측 성능을 달성함을 보인다. 데이터셋, 실험, 및 전체 SUMO 구성 파일은 대체 시뮬레이션 스택에서의 재현을 용이하게 하기 위해 GitHub 저장소에서 제공된다.

arXiv:2607.24336v1cs.AI공통 태그 Autonomous Vehicles, Scheduling

불평등한 여행, 불평등한 장소: 자율주행 차량 플릿 조율에서 지연 불평등의 진단과 완화

Unequal Trips, Unequal Places: Diagnosing and Mitigating Delay Inequity in Autonomous Vehicle Fleet Coordination

도시 규모 자율주행 차량 플릿 코디네이터는 통상 총 여행 시간을 최적화하도록 설계되지만, 플릿 평균은 지연이 여행과 지역에 걸쳐 어떻게 분포되는지를 가린다. 우리는 맨하튼, 시카고, 샌프란시스코의 세 실제 도시 도로망 및 택시 수요 데이터셋에 대해 분포 감사를 수행한다. 이 감사는 도시와 코디네이터에 따라 방향이 달라지는 만연한 여행 길이 불평등을 드러낸다. 여행 길이를 통제한 뒤에는 공간적 불평등이 수요 증가에 따라 더 두드러지며, 여행을 목적지가 아닌 출발지 기준으로 묶을 때 일관되게 더 강해진다. 이러한 결과는 지연된 차량에 제한된 재계획 용량을 할당하고 최근 관측된 대기 압력을 이용해 이들을 우회하는 예산 제약 온라인 조율 프레임워크인 SPatially Aware RErouting(SPARE)을 제안하게 한다. SPARE는 재검토(per-review)마다 의사결정 보장을 제공하며 온라인 경로 갱신을 명시적으로 상한으로 제한한다. 세 데이터셋 모두에서 여섯 개의 대표 베이스라인과 비교한 실험에서 SPARE는 도시 규모 확장성을 유지하면서 효율-공정성 결합 성능이 가장 우수하다. 결과는 상한이 있는 혼잡 반응형 우회가 전체 플릿 재계획 없이도 성능과 형평성을 개선함을 보여준다.

arXiv:2607.08391v1cs.RO공통 태그 Autonomous Vehicles, Scheduling

LiDAR 객체 검출을 위한 애니타임 입력 해상도 스케일링 탐구

On Exploring Input Resolution Scaling For Anytime LiDAR Object Detection

동적 운영 요구사항에 적응하기 위해 실행 지연 시간과 결과 유용성 사이의 트레이드오프를 조율하는 애니타임 컴퓨팅(anytime computing)은 사이버-물리 시스템의 성능을 향상시키는 것으로 알려져 있다. 본 연구에서는 3D 객체 검출을 위해 LiDAR 포인트 클라우드를 처리하는 심층 신경망(DNN)에 애니타임 컴퓨팅을 적용하는 방법을 연구한다. 우리는 포인트 클라우드를 필라(pillar) 또는 복셀(voxel) 형태로 처리하는 모델에 대해 다중 해상도 추론을 가능하게 하는 새로운 방법을 제안하며, 이를 통해 타이밍 요구사항을 충족하는 데 필요한 해상도로 입력을 동적으로 스케일링하여 처리할 수 있다. 특히, 메모리 효율적인 우리의 접근 방식은 단일 DNN 모델만 배포하면 되므로, 서로 다른 입력 해상도로 각각 학습된 여러 모델을 배포할 필요가 없다. 또한, LiDAR 포인트 클라우드의 불규칙성으로 인해 어렵지만, 런타임에 가능한 모든 해상도에 대한 실행 시간을 정확하게 예측하여 주어진 입력에 대해 가능한 가장 높은 해상도를 선택하는 데드라인 인식 스케줄러(deadline-aware scheduler)를 도입한다. nuScenes 자율주행 데이터셋에 대한 실험 결과, 우리의 방법이 LiDAR 객체 검출을 위한 기존 애니타임 컴퓨팅 접근 방식을 크게 능가함을 보인다. 마지막으로, 시뮬레이션된 자율주행 시스템에 우리의 접근 방식을 배포하였으며, 환경적 복잡성으로 인한 불필요한 지연을 방지하면서 지속적으로 충돌 없는 주행을 가능하게 함을 확인한다.

arXiv:2607.02137v5cs.LG공통 태그 Scheduling

점수 기반 확산 샘플링을 위한 적응적 재매개변수화 시간

Adaptive Reparametrized Time for Score-Based Diffusion Sampling

본 논문은 학습된 역시간 동역학을 유한한 격자에서 이산화하는 점수 기반 확산 샘플링의 시간 간격 할당을 연구한다. 균일 스케줄과 수작업 스케줄이 표준으로 쓰이지만, 이들의 고정적이고 임의적인 규정은 최적이 아닐 수 있다. 본 논문은 샘플링 시계의 속도를 제어로 취급하여 시간 변환을 학습하는 연속시간 제어 정식화인 적응적 재매개변수화 시간(ART)을 제안한다. 학습된 시계에서의 균일 격자는 확산 시간에서 적응적인 시간 간격을 유도하며, 오일러 오차의 최저차 대리 지표가 할당 목적함수를 정의한다. 그 결과로 얻어지는 고차원 결정론적 제어 문제를 풀기 위해, 스케줄 학습을 연속시간 강화학습으로 전환하는 보조적 무작위 가우시안 정책 정식화인 ART-RL을 도입한다. 최적에서 ART-RL이 ART와 동등함을, 즉 최적 가우시안 정책의 평균이 ART를 푼다는 것을 증명한다. 또한 정책 평가와 정책 개선의 특성화를 확립하고, 구현 가능한 액터-크리틱 갱신을 이끄는 궤적 기반 모멘트 항등식을 유도한다. 통제된 저차원 설정부터 이미지 생성에 이르는 실험은, ART로 학습된 스케줄을 시간 격자만 바꾸어 기존 샘플러에 적용했을 때 동일한 예산에서 강력한 기준선보다 샘플 품질이 일관되게 향상됨을 보여준다. 학습된 스케줄은 또한 재학습 없이 샘플링 예산, 데이터셋, 솔버, 파이프라인, 표현 공간 전반으로 전이되는 폭넓은 일반화 능력을 보인다.

arXiv:2607.12818v3cs.CV공통 태그 Autonomous Vehicles

데자뷔 깨기: 시각-언어 추론을 통한 시각적 장소 인식의 독립적 감사

Breaking D\'ej\`a Vu: Independent Auditing of Visual Place Recognition through Vision-Language Reasoning

시각적 장소 인식(VPR)은 동시 위치추정 및 지도작성(SLAM)을 위한 루프 클로저 탐지와 같이 로봇 공학 응용에서 정확한 위치 추정과 장기 자율 주행을 가능하게 하는 핵심 기술이다. 그러나 실제 환경에서의 VPR 배포는 정밀도와 재현율의 균형을 맞추는 이미지 매칭 임계값 선택에 의존한다. 이러한 임계값은 일반적으로 라벨이 붙은 검증 데이터로 조정된 뒤 배포 시 고정되므로, 정답(ground truth)을 사용할 수 없는 환경 변화 하에서는 신뢰할 수 없다. 이는 거짓 루프 클로저를 수용하면 추정 궤적과 지도가 손상될 수 있는 안전이 중요한 로봇 공학에서 특히 문제가 된다. 본 연구에서는 쿼리 이미지와 후보 이미지에 대해 공동으로 추론하여 검색된 매칭을 평가하기 위해 비전-언어 모델(VLM)을 활용하는, 검색 후 독립 검증 프레임워크인 Visual Place Recognition Auditing을 제안한다. 기존 검증 방법과 달리, 본 접근법은 아키텍처별 신뢰도 측정, 데이터셋 의존적 임계값, 또는 배포 환경에 대한 사전 지식 없이 인스턴스 수준 검증을 수행한다. 우리는 5가지 최신 VPR 방법과 4개의 VLM을 사용하여 6개 벤치마크 데이터셋에서 방법을 평가했다. 결과는 VLM 기반 감사가 최신 방법 대비 평균 recall@1을 13.6% 향상시키면서 거짓 수용률을 12%로 낮추고, 정밀도 95% 이상과 커버리지 75% 이상을 유지함을 보여준다.

arXiv:2607.23132v2cs.CV공통 태그 Autonomous Vehicles

DispatchRAG: 교통사고 영상으로부터 실세계 프로토콜에 기반한 긴급 출동 결정의 그라운딩

DispatchRAG: Grounding Emergency Dispatch Decisions in Real-World Protocols from Traffic Accident Video

교통사고 상황의 심각도를 평가하는 것은 어떤 응급 서비스를 출동시킬지 결정하는 데 중요하다. 보행자 사고에서 구급차 출동을 놓치는 것은 사망으로 이어질 수 있는 치명적인 문제이다. 최근 시각-언어 모델(VLM)은 사고 추론을 위한 유망한 도구이나, 많은 VLM이 실제 사고 대응 프로토콜에 기반하지 않아 사고 심각도 평가에 그대로 사용하기 어렵다. 본 논문은 실제 일본의 교통사고 대응 프로토콜에 기반한 의사결정 지원 프레임워크 DispatchRAG를 제안하며, 이는 응급 상황에서 VLM을 사용해 적절한 응급 대응 권고를 생성함으로써 응급 출동 요원을 지원하도록 설계되었다. RAG 기반 검색 메커니즘으로 가장 관련성 높은 사고 프로토콜을 검색하고, LLM 기반 추론기로 가장 적절한 대응을 제안한다. 평가를 지원하기 위해, MM-AU 데이터셋을 바탕으로 일본의 사고 대응 프로토콜에 따른 사고 평가와 응급 대응을 담은 포괄적 데이터셋인 Accident Dispatch Dataset을 소개한다. 이 데이터셋에서 프레임워크를 검증한 결과, 기준 VLM과 비교하여 다양한 사고 시나리오 전반에서 강한 성능을 보였으며, 이는 자율주행차와 인간 출동 요원이 자신과 인근의 사고에 더 빠르게 대응하도록 도울 수 있는 의사결정 지원 도구의 가능성을 시사한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.