論文の概要: Study on State-of-the-art Cloud Services Integration Capabilities with
Autonomous Ground Vehicles
- arxiv url: http://arxiv.org/abs/2008.04853v1
- Date: Tue, 11 Aug 2020 16:56:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-06 13:49:03.627642
- Title: Study on State-of-the-art Cloud Services Integration Capabilities with
Autonomous Ground Vehicles
- Title（参考訳）: 自動運転車による最先端クラウドサービス統合機能に関する研究
- Authors: Praveen Damacharla, Dhwani Mehta, Ahmad Y Javaid, Vijay K.
Devabhaktuni
- Abstract要約: この研究は、AGVオペレーションにおける主要なクラウドサービスプロバイダの適用性に関する洞察を得るために、定性的な分析を必要とする。
この調査は、最も適切なクラウドサービスを特定するための根拠を決定するのに必要なAGV技術要件の簡単なレビューから始まる。
我々の結論は、汎用AGVアーキテクチャは最先端のクラウドサービスによってサポートできるが、プライマリコンピューティングとセカンダリコンピューティングの明確な分離線があるはずだ。
- 参考スコア（独自算出の注目度）: 1.0323063834827415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computing and intelligence are substantial requirements for the accurate
performance of autonomous ground vehicles (AGVs). In this context, the use of
cloud services in addition to onboard computers enhances computing and
intelligence capabilities of AGVs. In addition, the vast amount of data
processed in a cloud system contributes to overall performance and capabilities
of the onboard system. This research study entails a qualitative analysis to
gather insights on the applicability of the leading cloud service providers in
AGV operations. These services include Google Cloud, Microsoft Azure, Amazon
AWS, and IBM Cloud. The study begins with a brief review of AGV technical
requirements that are necessary to determine the rationale for identifying the
most suitable cloud service. The qualitative analysis studies and addresses the
applicability of the cloud service over the proposed generalized AGV's
architecture integration, performance, and manageability. Our findings conclude
that a generalized AGV architecture can be supported by state-of-the-art cloud
service, but there should be a clear line of separation between the primary and
secondary computing needs. Moreover, our results show significant lags while
using cloud services and preventing their use in real-time AGV operation.
- Abstract（参考訳）: コンピュータとインテリジェンスは、自律地上車両(AGV)の正確な性能に必要な重要な要件である。
この文脈では、オンボードコンピュータに加えてクラウドサービスを使用することで、AGVのコンピューティングとインテリジェンス能力が向上する。
さらに、クラウドシステムで処理される膨大なデータ量は、オンボードシステム全体のパフォーマンスと能力に寄与します。
本研究は、AGV運用における主要なクラウドサービスプロバイダの適用性に関する洞察を得るために、定性的な分析を必要とする。
これらのサービスには、Google Cloud、Microsoft Azure、Amazon AWS、IBM Cloudが含まれる。
この調査は、最も適切なクラウドサービスを特定するための根拠を決定するのに必要なAGV技術要件の簡単なレビューから始まる。
この定性的な分析は、提案された汎用AGVのアーキテクチャ統合、パフォーマンス、管理可能性に対するクラウドサービスの適用性に対処する。
結論として,一般のagvアーキテクチャは最先端のクラウドサービスによってサポートされるが,プライマリとセカンダリのコンピューティングニーズの間には明確な分離線が存在するはずである。
さらに,クラウドサービスの利用と,リアルタイムAGV運用における利用防止において,大きな遅れがみられた。
関連論文リスト
- An Open API Architecture to Discover the Trustworthy Explanation of Cloud AI Services [11.170826645382661]
この記事では、クラウドAIサービスのための機能コントリビューション説明を提供するために、オープンAPIベースの説明可能なAI(XAI)サービスの設計について説明する。
我々は、XAI操作をクラウドAIサービスアセスメントに統合するために、XAI操作がオープンAPIとしてアクセス可能であることを論じる。
論文 参考訳（メタデータ） (2024-11-05T16:52:22Z) - A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。
我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
論文 参考訳（メタデータ） (2024-03-29T12:46:07Z) - Scalable, Distributed AI Frameworks: Leveraging Cloud Computing for
Enhanced Deep Learning Performance and Efficiency [0.0]
近年、人工知能(AI)とクラウドコンピューティングの統合は、AIアプリケーションの計算要求の増加に対処するための有望な道として現れている。
本稿では,クラウドコンピューティングを活用したスケーラブルな分散AIフレームワークの総合的研究を行い,ディープラーニングの性能向上と効率化について述べる。
論文 参考訳（メタデータ） (2023-04-26T15:38:00Z) - CWD: A Machine Learning based Approach to Detect Unknown Cloud Workloads [3.523208537466129]
我々は、クラウド環境で実行されるワークロードを特徴付け、プロファイルし、予測する機械学習ベースの技術を開発した。
また,モデルの性能をスタンドアローンで解析する手法も開発している。
論文 参考訳（メタデータ） (2022-11-28T19:41:56Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳（メタデータ） (2021-08-30T08:03:29Z) - Machine Learning Algorithms for Active Monitoring of High Performance
Computing as a Service (HPCaaS) Cloud Environments [0.0]
本稿では,HPCプラットフォームとして構成されたクラウドインフラストラクチャ上で動作するエンジニアリングアプリケーションの実用性について検討する。
この研究で考慮された工学的応用としては、ロスアラモス国立研究所が開発した放射線輸送コードMCNP6、オープンソースの計算流体力学コードOpenFOAM、素数分解に使用される一般数場シーブアルゴリズムCADONFSなどがある。
論文 参考訳（メタデータ） (2020-09-26T01:29:19Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳（メタデータ） (2020-03-30T15:12:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。