論文の概要: A Lane Merge Coordination Model for a V2X Scenario

• arxiv url: http://arxiv.org/abs/2010.10426v1
• Date: Tue, 20 Oct 2020 16:36:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 07:32:29.330764
• Title: A Lane Merge Coordination Model for a V2X Scenario
• Title（参考訳）: V2Xシナリオのためのレーンマージ座標モデル
• Authors: Luis Sequeira, Adam Szefer, Jamie Slome and Toktam Mahmoodi
• Abstract要約: 本稿では,集中型システムに基づく車線マージコーディネーションのコネクテッドカーへの応用について述べる。 アプリケーションは、トラフィックオーケストレータをメインコンポーネントとして構成する。 車両が車線マージの協調操作を成功させるかどうかを予測するため,機械学習とデータ解析を適用した。
• 参考スコア（独自算出の注目度）: 1.2387676601792896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative driving using connectivity services has been a promising avenue for autonomous vehicles, with the low latency and further reliability support provided by 5th Generation Mobile Network (5G). In this paper, we present an application for lane merge coordination based on a centralised system, for connected cars. This application delivers trajectory recommendations to the connected vehicles on the road. The application comprises of a Traffic Orchestrator as the main component. We apply machine learning and data analysis to predict whether a connected vehicle can successfully complete the cooperative manoeuvre of a lane merge. Furthermore, the acceleration and heading parameters that are necessary for the completion of a safe merge are elaborated. The results demonstrate the performance of several existing algorithms and how their main parameters were selected to avoid over-fitting.
• Abstract（参考訳）: コネクティビティサービスを使った協調運転は自動運転車にとって有望な道であり、低レイテンシと第5世代モバイルネットワーク(5g)によるさらなる信頼性サポートが提供されている。 本稿では,連系車に対する集中型システムに基づくレーンマージコーディネーションの応用について述べる。 このアプリケーションは道路上の連結車両に軌道レコメンデーションを提供する。 アプリケーションは、トラフィックオーケストレータを主コンポーネントとして構成する。 本研究では,機械学習とデータ解析を用いて,車線合流時の協調運転を成功させることができるかを予測する。 さらに、安全なマージの完了に必要な加速度パラメータと方向パラメータを詳述する。 その結果,既存のアルゴリズムの性能と,その主要パラメータがオーバーフィッティングを避けるためにどのように選択されたかが示された。

関連論文リスト

• WHALES: A Multi-agent Scheduling Dataset for Enhanced Cooperation in Autonomous Driving [54.365702251769456]
  我々は、駆動シーケンス当たり平均8.4エージェントのデータセットを提示する。 自律運転データセットの中で最大のエージェントと視点を提供するだけでなく、WHALESはエージェントの振る舞いを記録する。 エージェントスケジューリングタスクにおいて,エゴエージェントが複数の候補エージェントの1つを選択して協調する実験を行う。
  論文  参考訳（メタデータ） (2024-11-20T14:12:34Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Separated RoadTopoFormer [13.304343390479191]
  分離されたRoadTopoFormerは、レーン中心線とトラフィック要素を推論関係で検出するエンドツーエンドフレームワークである。 最終提出は0.445 OLSで、これはサブタスクと組み合わせたスコアの両方で競い合っています。
  論文  参考訳（メタデータ） (2023-07-04T08:21:39Z)
• Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks [0.5801044612920815]
  接続された自動運転は、都市交通効率を大幅に改善する可能性がある。 協調行動計画(cooperative behavior planning)は、複数の車両の動作を協調的に最適化するために用いられる。 本研究は,協調型マルチエージェント計画における強化学習とグラフに基づくシーン表現を活用することを提案する。
  論文  参考訳（メタデータ） (2023-01-30T08:21:18Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset [103.35624417260541]
  分散車両調整は、未整備の道路環境において有用である。 我々はバークレーのDeepDrive Droneデータセットを収集し、近くのドライバーが観察する暗黙の「社会的エチケット」を研究する。 このデータセットは、人間のドライバーが採用する分散マルチエージェント計画と、リモートセンシング設定におけるコンピュータビジョンの研究に主に関心がある。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Real-time Cooperative Vehicle Coordination at Unsignalized Road Intersections [7.860567520771493]
  信号のない道路交差点での協調作業は、連結車両と自動車両の安全運転交通スループットを向上させることを目的としている。 我々はモデルフリーなマルコフ決定プロセス(MDP)を導入し、深層強化学習フレームワークにおける双遅延Deep Deterministic Policy(TD3)に基づく戦略によりそれに取り組む。 提案手法は, 準定常調整シナリオにおいて, ほぼ最適性能を達成し, 現実的な連続流れの制御を大幅に改善できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-03T02:56:02Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• The Role of Machine Learning for Trajectory Prediction in Cooperative Driving [1.6447597767676654]
  協調運転において機械学習が果たす役割について検討する。 本稿では,異なる機械学習技術を用いた軌道の正確な時間的予測について検討する。
  論文  参考訳（メタデータ） (2020-10-21T09:25:17Z)
• Deep Reinforcement Learning in Lane Merge Coordination for Connected Vehicles [1.2387676601792896]
  このフレームワークは、Traffic OrchestratorとData Fusionをベースとしている。 深い強化学習とデータ分析は、連結車両の軌道推奨を予測するために使用される。 この結果は、Dueling Deep Q-Networkを目に見えない現実世界のマージシナリオで使用する場合、Traffic Orchestratorの適応性を強調します。
  論文  参考訳（メタデータ） (2020-10-20T19:01:51Z)

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。