論文の概要: Vision-based Vehicle Speed Estimation for ITS: A Survey
- arxiv url: http://arxiv.org/abs/2101.06159v1
- Date: Fri, 15 Jan 2021 15:07:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 11:23:59.992702
- Title: Vision-based Vehicle Speed Estimation for ITS: A Survey
- Title（参考訳）: ビジョンに基づくITSの速度推定:サーベイ
- Authors: David Fern\'andez Llorca, Antonio Hern\'andez Mart\'inez, Iv\'an
Garc\'ia Daza
- Abstract要約: 近年は世界中に設置されるスピードカメラの数が増えている。
道路網における交通監視と予測は, スマートシティにおける交通, 排出, エネルギー消費の促進に不可欠な役割を担っている。
ビジョンベースのシステムの使用は、解決すべき大きな課題をもたらしますが、潜在的な大きな利点もあります。
- 参考スコア（独自算出の注目度）: 0.47248250311484113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The need to accurately estimate the speed of road vehicles is becoming
increasingly important for at least two main reasons. First, the number of
speed cameras installed worldwide has been growing in recent years, as the
introduction and enforcement of appropriate speed limits is considered one of
the most effective means to increase the road safety. Second, traffic
monitoring and forecasting in road networks plays a fundamental role to enhance
traffic, emissions and energy consumption in smart cities, being the speed of
the vehicles one of the most relevant parameters of the traffic state. Among
the technologies available for the accurate detection of vehicle speed, the use
of vision-based systems brings great challenges to be solved, but also great
potential advantages, such as the drastic reduction of costs due to the absence
of expensive range sensors, and the possibility of identifying vehicles
accurately. This paper provides a review of vision-based vehicle speed
estimation. We describe the terminology, the application domains, and propose a
complete taxonomy of a large selection of works that categorizes all stages
involved. An overview of performance evaluation metrics and available datasets
is provided. Finally, we discuss current limitations and future directions.
- Abstract（参考訳）: 少なくとも2つの主な理由から、車両の速度を正確に推定する必要性がますます重要になっている。
スピード制限の導入・実施は道路の安全性向上に最も有効な手段の1つと考えられるため、世界規模で設置されるスピードカメラの数は近年増加している。
第2に、道路ネットワークにおける交通の監視と予測は、スマートシティにおける交通、排出、エネルギー消費を増大させる基本的な役割を担っており、自動車の速度は交通状態の最も関連するパラメータの1つである。
車両の速度を正確に検出する技術の中には、視覚ベースのシステムを使用することで解決すべき大きな課題が伴うが、高価な距離センサーの欠如によるコストの大幅な削減や、車両の正確な識別の可能性など、潜在的なメリットもある。
本稿では,視覚に基づく車両速度推定について概観する。
我々は、アプリケーションドメインという用語を説明し、関連するすべての段階を分類する多数の作品の完全な分類法を提案する。
パフォーマンス評価指標と利用可能なデータセットの概要を提供する。
最後に,現在の限界と今後の方向性について論じる。
関連論文リスト
- Vehicle Speed Detection System Utilizing YOLOv8: Enhancing Road Safety and Traffic Management for Metropolitan Areas [0.0]
バングラデシュでは道路事故が主要な死因の1つとなっている。
YOLOv8モデルは、密接な監督の下で訓練されたときに、より高速で精度の高いビデオ中の車を認識、追跡することができる。
論文 参考訳（メタデータ） (2024-06-11T20:45:40Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳（メタデータ） (2023-10-08T21:32:30Z) - Deep Reinforcement Learning for the Joint Control of Traffic Light
Signaling and Vehicle Speed Advice [8.506271224735029]
本稿では,交通信号制御と車両速度アドバイスの両方の制御を共同で学習する試みを提案する。
実験では,11のベンチマークシナリオ中8つのシナリオにおいて,共同制御手法により平均走行遅延を低減し,信号機のみを制御する。
論文 参考訳（メタデータ） (2023-09-18T15:45:22Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive
Cruise Control in Urban and Highway Scenarios [0.5161531917413706]
典型的な自動車追従シナリオでは、目標車両の速度変動はホスト車両の外部障害として作用し、そのエネルギー消費に影響を与える。
本研究では,長寿命メモリ(LSTM)とゲートリカレントユニット(GRU)を用いたディープリカレントニューラルネットワークに基づく車両速度予測について検討した。
提案した速度予測モデルは、目標車両の将来の速度の長期予測(最大10秒)に対して評価される。
論文 参考訳（メタデータ） (2022-11-30T22:50:43Z) - A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State
Estimation [20.716261308570555]
本稿では,革新的なトラフィック状態推定フレームワークを提案する。
入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。
実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
論文 参考訳（メタデータ） (2022-02-01T06:04:18Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Two-Stream Networks for Lane-Change Prediction of Surrounding Vehicles [8.828423067460644]
高速道路のシナリオでは、人間のドライバーは視覚的手がかりのみを使用して車両を取り巻く早期の切り込みと切り抜きの操作を予想する。
周囲車両の車線変化認識と予測に対処するため,ビデオカメラからの視覚的手がかりを積み重ねることで,行動認識・予測問題としてこの問題を提起する。
2ストリーム畳み込みネットワークと乗算器ネットワークという2つのビデオアクション認識アプローチが分析されている。
論文 参考訳（メタデータ） (2020-08-25T07:59:15Z)
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。