論文の概要: Vehicle to Vehicle (V2V) Communication Protocol: Components, Benefits,
Challenges, Safety and Machine Learning Applications
- arxiv url: http://arxiv.org/abs/2102.07306v1
- Date: Mon, 15 Feb 2021 02:24:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:20:34.447862
- Title: Vehicle to Vehicle (V2V) Communication Protocol: Components, Benefits,
Challenges, Safety and Machine Learning Applications
- Title(参考訳): vehicle to vehicle (v2v) communication protocol: components, benefit, challenges, safety and machine learning applications
- Authors: Ramya Daddanala, Vekata Mannava, Lo'ai Tawlbeh, Mohammad Al-Ramahi
- Abstract要約: 車両と車両の通信は、道路上の車両が交通、事故を減らし、人々の安全を確保するために互いに通信できるようにする新しい技術です。
本研究は,車両間通信のプロセス,メリット,および車両間通信を実現する上での課題について解説する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicle to vehicle communication is a new technology that enables vehicles on
roads to communicate with each other to reduce traffic, accidents and ensure
the safety of people. The main objective of vehicle-to-vehicle communication
protocol is to create an effective communication system for intelligent
transport systems. The advancement in technology made vehicle industries to
develop automatic vehicles that can share real-time information and protect
each other from accidents. This research paper gives an explanation about the
vehicle-to-vehicle communication process, benefits, and the challenges in
enabling vehicle-to-vehicle communication as well as safety and machine
learning applications.
- Abstract(参考訳): 車両と車両の通信は、道路上の車両が交通、事故を減らし、人々の安全を確保するために互いに通信できるようにする新しい技術です。
車両間通信プロトコルの主な目的は、インテリジェントトランスポートシステムのための効果的な通信システムを作ることである。
技術の進歩により、自動車産業はリアルタイム情報を共有し、事故からお互いを保護できる自動車両を開発するようになった。
本稿では,車両間通信のプロセス,メリット,車両間通信を可能にする上での課題,安全性と機械学習の応用について解説する。
関連論文リスト
- 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) - Shared Information-Based Safe And Efficient Behavior Planning For
Connected Autonomous Vehicles [6.896682830421197]
我々は、連結自動運転車のための統合情報共有と安全なマルチエージェント強化学習フレームワークを設計する。
まず、重畳畳み込み畳み込みニューラルネットワーク(CNN)を用いて、生画像とポイントクラウドのLIDARデータを各自動運転車でローカルに処理する。
次に、車両の局部観測とV2V通信を介して受信した情報の両方を利用する安全なアクター批判アルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-02-08T20:31:41Z) - 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) - Intelligent Perception System for Vehicle-Road Cooperation [0.0]
自動車と道路の協調自動運転技術は、車両の認識範囲を広げ、視覚障害領域を補完し、知覚精度を向上させることができる。
このプロジェクトでは主にライダーを用いて、車両と道路機器データの共有と組み合わせを実現し、動的目標の検出と追跡を実現するためにデータ融合スキームを開発する。
論文 参考訳(メタデータ) (2022-08-30T08:10:34Z) - 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) - Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。
小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。
本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文 参考訳(メタデータ) (2021-11-23T20:14:02Z) - Modelling and Reasoning Techniques for Context Aware Computing in
Intelligent Transportation System [0.0]
インテリジェントトランスポーテーションシステムにおける生データ生成の量は膨大です。
この生データは、文脈情報を推測するために処理される。
本稿では,インテリジェントトランスポーテーションシステムにおける文脈認識の研究を目的とする。
論文 参考訳(メタデータ) (2021-07-29T23:47:52Z) - AI in Smart Cities: Challenges and approaches to enable road vehicle
automation and smart traffic control [56.73750387509709]
SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。
本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
論文 参考訳(メタデータ) (2021-04-07T14:31:08Z) - Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。
車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。
その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文 参考訳(メタデータ) (2020-12-07T02:09:15Z) - Cooperative Perception with Deep Reinforcement Learning for Connected
Vehicles [7.7003495898919265]
本研究では, 周辺物体の検出精度を高めるために, 深層強化学習を用いた協調認識方式を提案する。
本手法は、車両通信網におけるネットワーク負荷を軽減し、通信信頼性を高める。
論文 参考訳(メタデータ) (2020-04-23T01:44:12Z)
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。