論文の概要: $\pi$-ROAD: a Learn-as-You-Go Framework for On-Demand Emergency Slices
in V2X Scenarios
- arxiv url: http://arxiv.org/abs/2012.06208v1
- Date: Fri, 11 Dec 2020 09:35:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 13:48:46.373895
- Title: $\pi$-ROAD: a Learn-as-You-Go Framework for On-Demand Emergency Slices
in V2X Scenarios
- Title（参考訳）: $\pi$-ROAD: V2Xシナリオにおけるオンデマンド緊急スライスのための学習用フレームワーク
- Authors: Armin Okic, Lanfranco Zanzi, Vincenzo Sciancalepore, Alessandro
Redondi, Xavier Costa-Perez
- Abstract要約: $pi$-roadは、道路沿いの通常のモバイルトラフィックパターンを自動的に学習し、定期的でないイベントを検出し、重大度で分類するフレームワークである。
この結果から,$pi$-ROADは未発生の道路イベントの検出と分類に成功し,すでに稼働しているサービスに対するENSの影響を最大30%削減できることがわかった。
- 参考スコア（独自算出の注目度）: 68.33556559127011
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicle-to-everything (V2X) is expected to become one of the main drivers of
5G business in the near future. Dedicated \emph{network slices} are envisioned
to satisfy the stringent requirements of advanced V2X services, such as
autonomous driving, aimed at drastically reducing road casualties. However, as
V2X services become more mission-critical, new solutions need to be devised to
guarantee their successful service delivery even in exceptional situations,
e.g. road accidents, congestion, etc. In this context, we propose $\pi$-ROAD, a
\emph{deep learning} framework to automatically learn regular mobile traffic
patterns along roads, detect non-recurring events and classify them by severity
level. $\pi$-ROAD enables operators to \emph{proactively} instantiate dedicated
\emph{Emergency Network Slices (ENS)} as needed while re-dimensioning the
existing slices according to their service criticality level. Our framework is
validated by means of real mobile network traces collected within $400~km$ of a
highway in Europe and augmented with publicly available information on related
road events. Our results show that $\pi$-ROAD successfully detects and
classifies non-recurring road events and reduces up to $30\%$ the impact of ENS
on already running services.
- Abstract（参考訳）: vehicle-to-everything(v2x)は、近い将来、5gビジネスのメインドライバーの1つになるだろう。
自動運転など先進的なV2Xサービスの厳格な要件を満たすため、道路の被害を劇的に減らすことが想定されている。
しかし、v2xサービスがよりミッションクリティカルになるにつれて、例外的な状況でもサービスデリバリを成功させるための新しいソリューションが考案される必要がある。
交通事故、渋滞など
この文脈では,道路沿いの通常の移動トラフィックパターンを自動的に学習し,非再帰事象を検出し,重大度で分類する,emph{deep learning}フレームワークである$\pi$-ROADを提案する。
$\pi$-ROADにより、オペレータは、サービス臨界度レベルに応じて既存のスライスを再分割しながら、必要に応じて専用の \emph{Emergency Network Slices (ENS) をインスタンス化できる。
本フレームワークは,欧州の高速道路の400〜kmで収集された実際の移動ネットワークトレースを用いて検証し,関連する道路イベントに関する情報を公開して拡張する。
その結果、$\pi$-ROADは未発生の道路イベントの検出と分類に成功し、すでに稼働しているサービスに対するENSの影響を最大30\%まで低減できることがわかった。
関連論文リスト
- Does End-to-End Autonomous Driving Really Need Perception Tasks? [0.0]
SSRは16個のナビゲーション誘導トークンのみをスパースシーン表現として利用する新しいフレームワークである。
本手法では,教師付きサブタスクの必要性を排除し,ナビゲーションインテントに係わる重要な要素に計算資源を集中させることができる。
SSRは、nuScenesデータセットの最先端の計画性能を達成し、L2エラーが27.2%減少し、主要なE2EAD法であるUniADとの衝突速度が51.6%低下したことを示す。
論文 参考訳（メタデータ） (2024-09-26T23:30:48Z) - GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。
我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文 参考訳（メタデータ） (2024-06-30T04:21:46Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention [5.23886447414886]
本研究では,道路セグメントレベルにおいて,人気のあるモビリティシミュレータSUMOが生成する交通流データにグラフモデリングを適用した。
提案手法を用いて,車線変更検出の性能評価を行った。
実験の結果,提案したレーン-GNNは運転者の車線変更意図を90秒以内に99.42%の精度で検出できることがわかった。
論文 参考訳（メタデータ） (2022-07-02T12:53:56Z) - Towards Real-time Traffic Sign and Traffic Light Detection on Embedded
Systems [0.6143225301480709]
本稿では,交通標識や交通信号検出に固有の課題に対処する,シンプルなディープラーニングに基づくエンドツーエンド検出フレームワークを提案する。
システム全体では毎秒63フレームの高速な推論速度を実現し,リアルタイムに実行可能であることを示す。
CeyRoは、スリランカにおける最初の大規模交通標識と交通信号検出データセットである。
論文 参考訳（メタデータ） (2022-05-05T03:46:19Z) - A-Eye: Driving with the Eyes of AI for Corner Case Generation [0.6445605125467573]
この作業の全体的な目標は、いわゆるコーナーケースによる自動運転のためのトレーニングデータを強化することだ。
本稿では,人為的ループ手法を用いて合成コーナーケースを生成するテストリグの設計について述べる。
論文 参考訳（メタデータ） (2022-02-22T10:42:23Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic
Scenarios with Graph Neural Networks [26.558394047144006]
大規模交通シナリオを処理可能なスケーラブルな自動運転を実現するために,グラフベースのディープネットワークを提案する。
高忠実度運転シミュレータで7000km以上の評価を行う。
本手法は交通規制に従えば,都市,農村,高速道路など多種多様な環境下で安全に走行することができる。
論文 参考訳（メタデータ） (2020-11-13T06:13:28Z)
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。