Road Planning for Slums via Deep Reinforcement Learning

要約

スラム街の道路インフラが不十分なため、何百万人ものスラム居住者が都市サービスへのアクセスが悪く苦しんでおり、スラム街の道路計画は都市の持続可能な発展にとって極めて重要です。
既存の再ブロックまたはヒューリスティック手法は時間がかかり、さまざまなスラム街に一般化できないか、アクセシビリティと建設コストの点で次善の道路計画が得られます。
この論文では、スラム街の道路を自動的にレイアウトする深層強化学習ベースのアプローチを紹介します。
我々は、スラム街の位相構造を捉えるための一般的なグラフ モデルを提案し、計画された道路の位置を選択するための新しいグラフ ニューラル ネットワークを考案しました。
私たちのモデルは、マスクされたポリシーの最適化を通じて、最小限の建設コストでスラム街の場所を接続する道路計画を生成できます。
さまざまな国の現実世界のスラム街での大規模な実験により、既存のベースライン手法と比較してアクセシビリティを 14.3% 大幅に改善できるモデルの有効性が検証されました。
さまざまなタスク間の移行に関するさらなる調査により、私たちのモデルが単純なシナリオで道路計画スキルを習得し、それをより複雑なシナリオに適応できることが実証され、現実世界のスラム街の改善に私たちのモデルを適用できる可能性が示されました。

要約(オリジナル)

Millions of slum dwellers suffer from poor accessibility to urban services due to inadequate road infrastructure within slums, and road planning for slums is critical to the sustainable development of cities. Existing re-blocking or heuristic methods are either time-consuming which cannot generalize to different slums, or yield sub-optimal road plans in terms of accessibility and construction costs. In this paper, we present a deep reinforcement learning based approach to automatically layout roads for slums. We propose a generic graph model to capture the topological structure of a slum, and devise a novel graph neural network to select locations for the planned roads. Through masked policy optimization, our model can generate road plans that connect places in a slum at minimal construction costs. Extensive experiments on real-world slums in different countries verify the effectiveness of our model, which can significantly improve accessibility by 14.3% against existing baseline methods. Further investigations on transferring across different tasks demonstrate that our model can master road planning skills in simple scenarios and adapt them to much more complicated ones, indicating the potential of applying our model in real-world slum upgrading.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google