A Reinforcement Learning Approach to Quiet and Safe UAM Traffic Management

要約

アーバン エア モビリティ (UAM) は、都市環境でさまざまな小型航空機を運用し、都市交通を再構築する革新的なシステムです。
ただし、UAM を既存の都市環境に統合するには、さまざまな複雑な課題が生じます。
UAM の運用上の制約に関する最近の分析では、航空機の騒音とシステムの安全性が UAM システム導入の主要な障害であることが浮き彫りになっています。
将来の UAM 航空交通管理スキームでは、システムが静かで安全であることを保証する必要があります。
垂直分離の保証とノイズ軽減の両方を目的として、UAM トラフィックを管理するためのマルチエージェント強化学習アプローチを提案します。
強化学習エージェントは、広範なトレーニングを通じて、多層 UAM ネットワークで高度調整を採用することで 2 つの主な目的のバランスを取る方法を学習します。
その結果、騒音の影響、交通渋滞、分離の間のトレードオフが明らかになりました。
全体として、私たちの調査結果は、高度調整を使用して安全な分離を維持しながら、UAM の騒音の影響を軽減する強化学習の可能性を示しています。

要約(オリジナル)

Urban air mobility (UAM) is a transformative system that operates various small aerial vehicles in urban environments to reshape urban transportation. However, integrating UAM into existing urban environments presents a variety of complex challenges. Recent analyses of UAM’s operational constraints highlight aircraft noise and system safety as key hurdles to UAM system implementation. Future UAM air traffic management schemes must ensure that the system is both quiet and safe. We propose a multi-agent reinforcement learning approach to manage UAM traffic, aiming at both vertical separation assurance and noise mitigation. Through extensive training, the reinforcement learning agent learns to balance the two primary objectives by employing altitude adjustments in a multi-layer UAM network. The results reveal the tradeoffs among noise impact, traffic congestion, and separation. Overall, our findings demonstrate the potential of reinforcement learning in mitigating UAM’s noise impact while maintaining safe separation using altitude adjustments

arxiv情報

提供元, 利用サービス

arxiv.jp, Google