Editorial ilmu komputer
Open AccessOA2026
Kendali Multi-Agen Berbasis GNN terhadap Gelombang Kejut Lalu Lintas di Jaringan Ad-hoc Kendaraan yang Sparse
Kerangka MARL terdesentralisasi dengan Graph Neural Network menekan propagasi gelombang stop-and-go hingga 80% pada penetrasi CAV hanya 10%
Prachi Nandi; Madhuri Malakar; Sonakshi Satpathy; Pabitra Mohan Khilar· 2026· DOI 10.48550/arXiv.2607.23792
Masalah inti
Gelombang kejut lalu lintas adalah gelombang stop-and-go yang merambat ke arah hulu melalui arus kendaraan dan menjadi penyebab utama kemacetan, inefisiensi bahan bakar, serta peningkatan angka kecelakaan pada sistem transportasi modern. Connected and Autonomous Vehicles (CAV) menawarkan peluang menjanjikan untuk meredam gelombang kejut tersebut, tetapi sebagian besar strategi kendali yang ada bergantung pada informasi keadaan lalu lintas global. Ketergantungan ini membuatnya tidak praktis untuk penerapan awal Vehicular Ad-hoc Networks (VANET), yang konektivitasnya sparse dan informasi globalnya tidak tersedia. Penulis mengatasi kesenjangan ini dengan mengusulkan kerangka Multi-Agent Reinforcement Learning (MARL) terdesentralisasi yang mengintegrasikan Graph Neural Network (GNN) untuk meningkatkan arsitektur kendali kendaraan terhubung dan otonom. Pendekatan ini memungkinkan kendaraan mempelajari kebijakan kendali kooperatif menggunakan informasi yang tersedia secara lokal dan interaksi dengan kendaraan tetangga, sehingga cocok untuk kondisi VANET yang realistis dan sparse.
Inovasi
Hasil simulasi menunjukkan bahwa kerangka MARL berbasis GNN yang diusulkan dapat menurunkan propagasi gelombang kejut lalu lintas hingga 80%, bahkan ketika hanya 10% kendaraan yang terhubung. Penurunan signifikan ini dicapai tanpa bergantung pada informasi keadaan lalu lintas global, yang menunjukkan ketangguhan pendekatan terdesentralisasi pada skenario VANET yang sparse. Eksperimen dilakukan pada kondisi lalu lintas jalan raya yang realistis, dan lingkungan simulasi yang skalabel memungkinkan pengujian dengan tingkat penetrasi kendaraan terhubung yang bervariasi. Temuan kuantitatif utamanya adalah penurunan 80% propagasi gelombang kejut pada tingkat penetrasi CAV 10%, yang menyoroti potensi metode ini untuk penerapan tahap awal ketika konektivitas terbatas.
Gelombang kejut lalu lintas adalah gelombang stop-and-go yang merambat ke arah hulu melalui arus kendaraan dan menjadi penyebab utama kemacetan, inefisiensi bahan bakar, serta peningkatan angka kecelakaan pada sistem transportasi modern. Connected and Autonomous Vehicles (CAV) menawarkan peluang menjanjikan untuk meredam gelombang kejut tersebut, tetapi sebagian besar strategi kendali yang ada bergantung pada informasi keadaan lalu lintas global. Ketergantungan ini membuatnya tidak praktis untuk penerapan awal Vehicular Ad-hoc Networks (VANET), yang konektivitasnya sparse dan informasi globalnya tidak tersedia. Penulis mengatasi kesenjangan ini dengan mengusulkan kerangka Multi-Agent Reinforcement Learning (MARL) terdesentralisasi yang mengintegrasikan Graph Neural Network (GNN) untuk meningkatkan arsitektur kendali kendaraan terhubung dan otonom. Pendekatan ini memungkinkan kendaraan mempelajari kebijakan kendali kooperatif menggunakan informasi yang tersedia secara lokal dan interaksi dengan kendaraan tetangga, sehingga cocok untuk kondisi VANET yang realistis dan sparse.
Kerangka yang diusulkan menggabungkan MARL dengan GNN untuk memungkinkan kendali terdesentralisasi. Setiap kendaraan bertindak sebagai agen yang mengamati informasi keadaan lokal dan berkomunikasi dengan kendaraan tetangga dalam jangkauan komunikasinya. GNN mengagregasi informasi dari kendaraan tetangga untuk menghasilkan graph embedding yang menangkap topologi lalu lintas lokal. Embedding ini kemudian digunakan oleh kebijakan MARL untuk memilih aksi kendali (misalnya, akselerasi atau deselerasi) yang meredam propagasi gelombang kejut. Arsitektur ini dapat direpresentasikan sebagai graf dengan node berupa kendaraan dan edge berupa tautan komunikasi. GNN melakukan message passing:
Mengapa penting
Hasil menunjukkan bahwa pengintegrasian GNN dengan MARL memungkinkan kendali kooperatif yang efektif hanya dengan informasi lokal, mengatasi keterbatasan strategi terpusat yang memerlukan pengetahuan keadaan lalu lintas global. Representasi berbasis graf memungkinkan kendaraan mempelajari topologi lalu lintas secara implisit dan berkoordinasi dengan tetangga, yang krusial pada VANET sparse ketika tautan komunikasi bersifat intermiten. Penurunan 80% pada penetrasi 10% menunjukkan bahwa bahkan sebagian kecil kendaraan terhubung dapat secara signifikan meredam gelombang kejut jika dikendalikan secara cerdas. Namun, studi ini bergantung pada simulasi; penerapan di dunia nyata dapat menghadapi tantangan seperti penundaan komunikasi, kehilangan paket, dan dinamika kendaraan yang heterogen. Penelitian selanjutnya dapat mengeksplorasi ketangguhan terhadap faktor-faktor tersebut dan memperluas kerangka ini ke lalu lintas campuran dengan kendaraan yang dikemudikan manusia. Secara keseluruhan, makalah ini menyajikan solusi terdesentralisasi yang menjanjikan untuk kendali gelombang kejut lalu lintas pada VANET tahap awal.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…