論文の概要: Highly accurate digital traffic recording as a basis for future mobility research: Methods and concepts of the research project HDV-Mess

• arxiv url: http://arxiv.org/abs/2106.04175v1
• Date: Tue, 8 Jun 2021 08:28:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 15:54:59.944372
• Title: Highly accurate digital traffic recording as a basis for future mobility research: Methods and concepts of the research project HDV-Mess
• Title（参考訳）: 未来の移動研究の基礎としての高精度デジタルトラヒック記録:研究プロジェクトHDV-Messの手法と概念
• Authors: Laurent Kloeker, Fabian Thomsen, Lutz Eckstein, Philip Trettner, Tim Elsner, Julius Nehring-Wirxel, Kersten Schuster, Leif Kobbelt, Michael Hoesch
• Abstract要約: HDV-Messは、公道におけるコネクテッドおよび自動走行の分野における重要な課題に対処することを目的としている。 目標は、さまざまな場所の交通イベントを高精度に記録し、実際の交通データを収集することである。 移動モジュール型インテリジェントトランスポートシステムステーション(ITS-Ss)を用いた交通検知概念について述べる。
• 参考スコア（独自算出の注目度）: 7.25543014364421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The research project HDV-Mess aims at a currently missing, but very crucial component for addressing important challenges in the field of connected and automated driving on public roads. The goal is to record traffic events at various relevant locations with high accuracy and to collect real traffic data as a basis for the development and validation of current and future sensor technologies as well as automated driving functions. For this purpose, it is necessary to develop a concept for a mobile modular system of measuring stations for highly accurate traffic data acquisition, which enables a temporary installation of a sensor and communication infrastructure at different locations. Within this paper, we first discuss the project goals before we present our traffic detection concept using mobile modular intelligent transport systems stations (ITS-Ss). We then explain the approaches for data processing of sensor raw data to refined trajectories, data communication, and data validation.
• Abstract（参考訳）: 研究プロジェクトhdv-messは、現在欠けているが、公道における接続および自動走行の分野における重要な課題に取り組む上で非常に重要な要素を狙っている。 目標は、現在および将来のセンサ技術および自動運転機能の開発と検証の基盤として、各所の交通イベントを高精度に記録し、実際の交通データを収集することである。 この目的のためには,高精度なトラヒックデータ取得のための駅計測のためのモバイルモジュールシステムの概念を開発し,センサと通信インフラを複数箇所に一時的に設置することが必要である。 本稿では,移動式モジュール型インテリジェントトランスポートシステムステーション(ITS-Ss)を用いた交通検知の概念を提示する前に,まずプロジェクト目標について論じる。 次に, センサ生データのデータ処理手法について, 改良された軌跡, データ通信, データ検証について解説する。

関連論文リスト

• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• MSMA: Multi-agent Trajectory Prediction in Connected and Autonomous Vehicle Environment with Multi-source Data Integration [4.2371435508360085]
  本研究では,コネクテッド・自律走行車(CAV)が中心的エージェントとなるシナリオに着目した。 我々の軌道予測タスクは、検出された周辺車両すべてを対象としている。 センサと通信技術の両方のマルチソースデータを効果的に統合するために,MSMAと呼ばれるディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-31T03:26:14Z)
• Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
  交通流推定(TFE)はインテリジェント交通システムにおいて重要である。 本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。 このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
  論文  参考訳（メタデータ） (2024-07-10T20:26:04Z)
• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation [0.0]
  この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。 第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。 第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。 最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
  論文  参考訳（メタデータ） (2022-10-13T11:45:30Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)

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。