DynamicRouteGPT: A Real-Time Multi-Vehicle Dynamic Navigation Framework Based on Large Language Models

要約

複雑な交通環境におけるリアルタイムの動的な経路計画には、交通量や信号待ち時間の変化などの課題が伴います。
ダイクストラや A* などの従来の静的ルーティング アルゴリズムは最短パスを計算しますが、動的条件下では失敗することがよくあります。
最近の強化学習 (RL) アプローチは改善をもたらしますが、局所最適化に重点を置く傾向があり、行き止まりや境界問題の危険にさらされています。
この論文では、グローバルとローカルの最適性のバランスをとりながら、リアルタイムの動的パス プランニングのための因果推論に基づく新しいアプローチを提案します。
まず静的ダイクストラ アルゴリズムを使用して、全体的に最適なベースライン パスを計算します。
その後、分散制御戦略が車両をこの経路に沿って誘導します。
交差点では、DynamicRouteGPT は、リアルタイムの交通状況、運転の好み、予期せぬイベントを考慮して、ローカル パスの選択に関するリアルタイムの意思決定を実行します。
DynamicRouteGPT は、マルコフ チェーン、ベイズ推論、Llama3 8B などの大規模な事前トレーニング済み言語モデルを統合して、効率的なパス プランニング ソリューションを提供します。
交通シナリオやドライバーの好みに動的に調整し、事前トレーニングを必要とせず、道路網全体に幅広い適用性を提供します。
重要な革新は、反事実推論のための因果グラフの構築であり、経路決定を最適化します。
実験結果は、私たちの方法が、説明可能な経路選択を提供しながら、複数の車両のリアルタイムの動的経路計画において最先端のパフォーマンスを達成し、複雑な交通環境に斬新で効率的なソリューションを提供することを示しています。

要約(オリジナル)

Real-time dynamic path planning in complex traffic environments presents challenges, such as varying traffic volumes and signal wait times. Traditional static routing algorithms like Dijkstra and A* compute shortest paths but often fail under dynamic conditions. Recent Reinforcement Learning (RL) approaches offer improvements but tend to focus on local optima, risking dead-ends or boundary issues. This paper proposes a novel approach based on causal inference for real-time dynamic path planning, balancing global and local optimality. We first use the static Dijkstra algorithm to compute a globally optimal baseline path. A distributed control strategy then guides vehicles along this path. At intersections, DynamicRouteGPT performs real-time decision-making for local path selection, considering real-time traffic, driving preferences, and unexpected events. DynamicRouteGPT integrates Markov chains, Bayesian inference, and large-scale pretrained language models like Llama3 8B to provide an efficient path planning solution. It dynamically adjusts to traffic scenarios and driver preferences and requires no pre-training, offering broad applicability across road networks. A key innovation is the construction of causal graphs for counterfactual reasoning, optimizing path decisions. Experimental results show that our method achieves state-of-the-art performance in real-time dynamic path planning for multiple vehicles while providing explainable path selections, offering a novel and efficient solution for complex traffic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google