Fugu-MT 論文翻訳(概要): Vehicle to Vehicle (V2V) Communication Protocol: Components, Benefits, Challenges, Safety and Machine Learning Applications

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

Joint Channel Selection using FedDRL in V2X [20.96900576250422]
車両間通信技術(V2X)は、車両、デバイス、インフラ間の通信を可能にすることで、輸送に革命をもたらしている。本稿では,異なる技術を持つ車両が1つ以上のアクセスポイント(AP)を選択してネットワーク上でメッセージを送信する,共同チャネル選択の問題について検討する。本稿では,フェデレートディープ強化学習(Federated Deep Reinforcement Learning, FedDRL)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-10-03T14:04:08Z)
Enhancing Vehicle Environmental Awareness via Federated Learning and Automatic Labeling [0.4051523221722474]
本稿では、画像データと車車間通信データの統合に焦点を当てる。私たちのゴールは、画像内のメッセージを送信する車両の位置を特定することです。車両識別問題に対処するために,教師付き学習モデルを用いる。
論文参考訳（メタデータ） (2024-08-23T00:03:59Z)
Differentiated Security Architecture for Secure and Efficient Infotainment Data Communication in IoV Networks [55.340315838742015]
IoVネットワークにおけるインフォテインメントデータ通信の安全性の欠如は、社会的エンジニアリング攻撃の容易なアクセスポイントを意図せずに開放することができる。特に、まずIoVネットワークでデータ通信を分類し、各データ通信のセキュリティ焦点を調べ、その後、ファイル間通信でセキュリティ保護を提供するための異なるセキュリティアーキテクチャを開発する。
論文参考訳（メタデータ） (2024-03-29T12:01:31Z)
Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning [2.5499055723658097]
本稿では,交通流と安全を向上する車両小隊方式を提案する。 Unity 3Dゲームエンジンで深層強化学習を用いて開発されている。提案した小隊モデルは、スケーラビリティ、分散化、ポジティブな協力の促進に重点を置いている。
論文参考訳（メタデータ） (2023-12-11T22:04:38Z)
Learning Driver Models for Automated Vehicles via Knowledge Sharing and Personalization [2.07180164747172]
本稿では,自動車間の知識共有とパーソナライゼーションを通じて,自動走行車(AV)ドライバモデルを学習するためのフレームワークについて述べる。インテリジェントな輸送システム、交通管理、車両間通信など、輸送工学にまたがるいくつかの応用を見出している。
論文参考訳（メタデータ） (2023-08-31T17:18:15Z)
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)
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)

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。