Fugu-MT 論文翻訳(概要): Traffic Forecasting using Vehicle-to-Vehicle Communication

論文の概要: Traffic Forecasting using Vehicle-to-Vehicle Communication

arxiv url: http://arxiv.org/abs/2104.05528v1
Date: Mon, 12 Apr 2021 14:56:11 GMT
ステータス: 処理完了
システム内更新日: 2021-04-13 14:00:26.577171
Title: Traffic Forecasting using Vehicle-to-Vehicle Communication
Title（参考訳）: 車車間通信による交通予測
Authors: Steven Wong, Lejun Jiang, Robin Walters, Tam\'as G. Moln\'ar, G\'abor Orosz, Rose Yu
Abstract要約: 車両間通信(V2V)による車載交通予測のリアルタイム化に向けた第一歩を踏み出す。実世界のV2V通信データを最大限活用するために,第一原理モデルと深層学習を統合した。私達のアプローチは改善された正確さとの未来の1分まで個々の車の速度を予測できます。
参考スコア（独自算出の注目度）: 7.696532936012316
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We take the first step in using vehicle-to-vehicle (V2V) communication to provide real-time on-board traffic predictions. In order to best utilize real-world V2V communication data, we integrate first principle models with deep learning. Specifically, we train recurrent neural networks to improve the predictions given by first principle models. Our approach is able to predict the velocity of individual vehicles up to a minute into the future with improved accuracy over first principle-based baselines. We conduct a comprehensive study to evaluate different methods of integrating first principle models with deep learning techniques. The source code for our models is available at https://github.com/Rose-STL-Lab/V2V-traffic-forecast .
Abstract（参考訳）: 車両間通信(V2V)による車載交通予測のリアルタイム化に向けた第一歩を踏み出す。実世界のV2V通信データを最大限活用するために,第一原理モデルと深層学習を統合する。具体的には、第1原理モデルによる予測を改善するために、繰り返しニューラルネットワークを訓練する。提案手法では,各車両の走行速度を1分以内で予測し,第1原理に基づくベースラインよりも精度が向上する。第一原理モデルと深層学習手法を統合するための様々な方法を評価するための総合的な研究を行う。私たちのモデルのソースコードはhttps://github.com/rose-stl-lab/v2v-traffic-forecastで入手できます。

関連論文リスト

MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文参考訳（メタデータ） (2024-06-23T15:30:40Z)
Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
論文参考訳（メタデータ） (2024-01-08T12:04:39Z)
Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文参考訳（メタデータ） (2023-09-18T19:49:22Z)
Inverting the Fundamental Diagram and Forecasting Boundary Conditions: How Machine Learning Can Improve Macroscopic Models for Traffic Flow [0.0]
高速道路を走行する車両のフラックスと速度のデータを,固定センサで収集し,車線および車種別に分類したデータセットについて検討する。 1) 渋滞がセンサの下に現れる場合, 2) 今後センサの下に通過する車両の総量を推定する。これらの情報片は、センサ間のトラフィックフローのダイナミクスを記述したLWRベースの1次1次マルチクラスモデルの精度を向上させるために使用される。
論文参考訳（メタデータ） (2023-03-21T11:07:19Z)
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)
Benchmarking Detection Transfer Learning with Vision Transformers [60.97703494764904]
オブジェクト検出メソッドの複雑さは、ViT(Vision Transformer)モデルのような新しいアーキテクチャが到着するときに、ベンチマークを非簡単にする。本研究では,これらの課題を克服し,標準的なVTモデルをMask R-CNNのバックボーンとして活用する訓練手法を提案する。その結果,最近のマスキングに基づく教師なし学習手法は,COCOにおける説得力のあるトランスファー学習改善をもたらす可能性が示唆された。
論文参考訳（メタデータ） (2021-11-22T18:59:15Z)
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)
Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文参考訳（メタデータ） (2021-03-08T16:03:09Z)
Incorporating Kinematic Wave Theory into a Deep Learning Method for High-Resolution Traffic Speed Estimation [3.0969191504482243]
本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
論文参考訳（メタデータ） (2021-02-04T21:51:25Z)
The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文参考訳（メタデータ） (2020-09-30T20:00:11Z)
Vehicle Route Prediction through Multiple Sensors Data Fusion [0.0]
フレームワークは2つのモジュールで構成される。ディープラーニングを用いて車両ナンバーの認識を行うフレームワークの最初のモジュール。機械学習の教師付き学習アルゴリズムを用いた第2モジュールは、車両の経路を予測する。
論文参考訳（メタデータ） (2020-08-30T08:14:11Z)

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。