論文の概要: Online and Adaptive Parking Availability Mapping: An Uncertainty-Aware Active Sensing Approach for Connected Vehicles

• arxiv url: http://arxiv.org/abs/2105.00246v1
• Date: Sat, 1 May 2021 13:35:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 07:39:13.845764
• Title: Online and Adaptive Parking Availability Mapping: An Uncertainty-Aware Active Sensing Approach for Connected Vehicles
• Title（参考訳）: オンラインおよび適応型パーキングアベイラビリティマッピング:コネクテッドカーにおける不確実性認識型アクティブセンシングアプローチ
• Authors: Luca Varotto, Angelo Cenedese
• Abstract要約: パーキングアベイラビリティマッピングのためのオンライン・アダプティブ・スキームを提案します。 具体的には,入力データを選択するための情報探索型アクティブセンシング手法を採用し,オンボードストレージと処理リソースを保存できる。 提案アルゴリズムといくつかのベースラインを比較し, 写像収束速度と適応能力の点で性能が劣ることを示した。
• 参考スコア（独自算出の注目度）: 1.7259824817932292
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Research on connected vehicles represents a continuously evolving technological domain, fostered by the emerging Internet of Things (IoT) paradigm and the recent advances in intelligent transportation systems. Nowadays, vehicles are platforms capable of generating, receiving and automatically act based on large amount of data. In the context of assisted driving, connected vehicle technology provides real-time information about the surrounding traffic conditions. Such information is expected to improve drivers' quality of life, for example, by adopting decision making strategies according to the current parking availability status. In this context, we propose an online and adaptive scheme for parking availability mapping. Specifically, we adopt an information-seeking active sensing approach to select the incoming data, thus preserving the onboard storage and processing resources; then, we estimate the parking availability through Gaussian Process Regression. We compare the proposed algorithm with several baselines, which attain inferior performance in terms of mapping convergence speed and adaptivity capabilities; moreover, the proposed approach comes at the cost of a very small computational demand.
• Abstract（参考訳）: コネクテッドカーの研究は、モノのインターネット(IoT)パラダイムと近年のインテリジェントトランスポートシステムの進歩によって育まれている、継続的な進化する技術領域を表している。 現在、車両は大量のデータに基づいて生成、受信、自動動作が可能なプラットフォームである。 運転支援の分野では、コネクテッドカー技術は周囲の交通状況に関するリアルタイム情報を提供する。 このような情報は、例えば、現在の駐車状況に応じて意思決定戦略を採用することにより、運転者の生活の質を向上させることが期待されている。 そこで本稿では,駐車状況の地図作成のためのオンラインかつ適応的な手法を提案する。 具体的には,入力データを選択するための情報探索型アクティブセンシング手法を採用し,車載ストレージと処理リソースを保存した上で,ガウス過程回帰による駐車可能量の推定を行った。 提案したアルゴリズムといくつかのベースラインを比較し, マッピング収束速度と適応能力の点で性能が劣るが, さらに, 提案手法は計算要求の少ないコストで実現可能である。

関連論文リスト

• SPformer: A Transformer Based DRL Decision Making Method for Connected Automated Vehicles [9.840325772591024]
  本稿ではトランスフォーマーと強化学習アルゴリズムに基づくCAV意思決定アーキテクチャを提案する。 学習可能なポリシートークンは、多車連携ポリシーの学習媒体として使用される。 我々のモデルは交通シナリオにおける車両の全ての状態情報をうまく活用することができる。
  論文  参考訳（メタデータ） (2024-09-23T15:16:35Z)
• Eco-Driving Control of Connected and Automated Vehicles using Neural Network based Rollout [0.0]
  接続された自動運転車は、エネルギー消費を最小化する可能性がある。 既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。 本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T23:13:51Z)
• Trip Planning for Autonomous Vehicles with Wireless Data Transfer Needs Using Reinforcement Learning [7.23389716633927]
  車両データ転送要求を満たすために,高帯域道路を優先する新しい強化学習ソリューションを提案する。 我々は、この手法をトラフィックを意識しないベースラインや帯域幅を意識しないベースラインと比較し、不均一なトラフィック下での処理性能を示す。
  論文  参考訳（メタデータ） (2023-09-21T23:19:16Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• 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)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Learning to Help Emergency Vehicles Arrive Faster: A Cooperative Vehicle-Road Scheduling Approach [24.505687255063986]
  車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。 道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。 本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
  論文  参考訳（メタデータ） (2022-02-20T10:25:15Z)
• 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)
• 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)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• Leveraging Personal Navigation Assistant Systems Using Automated Social Media Traffic Reporting [1.552282932199974]
  自然言語処理(NLP)に基づく自動交通警報システムの開発 本稿では,変換器(BERT)言語埋め込みモデルを用いて,関連するトラフィック情報をソーシャルメディアからフィルタリングする。 開発したアプローチは,リアルタイムに交通関連情報を抽出し,ナビゲーション支援アプリケーションのためのアラートに自動的に変換する方法について述べる。
  論文  参考訳（メタデータ） (2020-04-21T02:26:06Z)

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。