論文の概要: DIT4BEARs Smart Roads Internship
- arxiv url: http://arxiv.org/abs/2107.06755v1
- Date: Wed, 14 Jul 2021 15:09:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 17:33:28.647301
- Title: DIT4BEARs Smart Roads Internship
- Title（参考訳）: DIT4BEARがスマートロードインターンシップを開始
- Authors: Md. Abrar Jahin and Andrii Krutsylo
- Abstract要約: 州を分類する深層学習モデルを開発し,実装した。
重要な部分は、摩擦に基づく事故率と州に基づく事故率の積である安全基準を定義することである。
センサデータ,オープンストリートマップデータ,天気データを用いてパスフィニングアルゴリズムを設計した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The research internship at UiT - The Arctic University of Norway was offered
for our team being the winner of the 'Smart Roads - Winter Road Maintenance
2021' Hackathon. The internship commenced on 3 May 2021 and ended on 21 May
2021 with meetings happening twice each week. In spite of having different
nationalities and educational backgrounds, we both interns tried to collaborate
as a team as much as possible. The most alluring part was working on this
project made us realize the critical conditions faced by the arctic people,
where it was hard to gain such a unique experience from our residence. We
developed and implemented several deep learning models to classify the states
(dry, moist, wet, icy, snowy, slushy). Depending upon the best model, the
weather forecast app will predict the state taking the Ta, Tsurf, Height,
Speed, Water, etc. into consideration. The crucial part was to define a safety
metric which is the product of the accident rates based on friction and the
accident rates based on states. We developed a regressor that will predict the
safety metric depending upon the state obtained from the classifier and the
friction obtained from the sensor data. A pathfinding algorithm has been
designed using the sensor data, open street map data, weather data.
- Abstract（参考訳）: uit(ノルウェー北極大学)の研究インターンシップは、私たちのチームが'smart roads - winter road maintenance 2021'ハッカソンの勝者になるために提供されました。
インターンシップは2021年5月3日に始まり、2021年5月21日に終了した。
国籍や学歴が異なるにも関わらず、インターンはチームとして可能な限り協力しようとしました。
このプロジェクトでもっとも順調な部分は、北極圏の人々が直面している重要な状況に気付きました。
状態を分類するためのディープラーニングモデル(乾燥,湿潤,湿潤,氷,雪,スラッシュ)を開発し,実装した。
天気予報アプリでは、最良のモデルによって、Ta、Turf、Height、Speed、Waterなどの状況を予測する。
考慮に入れます
重要な部分は、摩擦に基づく事故率と状態に基づく事故率の積である安全基準を定義することであった。
我々は,センサデータから得られた分類器の状態と摩擦に応じて,安全度を予測できる回帰器を開発した。
パス探索アルゴリズムは、センサーデータ、オープンストリートマップデータ、気象データを用いて設計されている。
関連論文リスト
- Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Dynamic Conditional Imitation Learning for Autonomous Driving [0.966840768820136]
条件模倣学習(CIL)は、ディープニューラルネットワークをエンドツーエンドで訓練し、人間の運転を模倣する。
このアプローチは、道路をたどったり、障害物を避けたり、交差点で特定の曲がり角をたどって目的地にたどり着く際に、適切な車両制御を示す。
しかし、目に見えない環境に展開すると性能が劇的に低下し、様々な気象条件に不整合である。
本稿では,これらの欠陥に対する解決策を提案する。まず,レーザスキャナと通常のカメラストリームを特徴レベルで融合させて,一般化と一貫性の課題を克服する。
論文 参考訳（メタデータ） (2022-11-17T01:52:12Z) - Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts [3.2230833657560503]
我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
論文 参考訳（メタデータ） (2022-11-03T20:16:24Z) - Ithaca365: Dataset and Driving Perception under Repeated and Challenging
Weather Conditions [0.0]
我々は、新しいデータ収集プロセスを通じて、堅牢な自律運転を可能にする新しいデータセットを提案する。
データセットには、高精度GPS/INSとともに、カメラとLiDARセンサーからの画像と点雲が含まれている。
道路・オブジェクトのアモーダルセグメンテーションにおけるベースラインの性能を解析することにより,このデータセットの特異性を実証する。
論文 参考訳（メタデータ） (2022-08-01T22:55:32Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - TENT: Tensorized Encoder Transformer for Temperature Forecasting [3.498371632913735]
天気予報のためのトランスフォーマーアーキテクチャに基づく新しいモデルを提案する。
元の変換器と3D畳み込みニューラルネットワークと比較して、提案したTENTモデルは、気象データの基本となる複雑なパターンをより良くモデル化できることを示す。
2つの実生活気象データセットの実験を行う。
論文 参考訳（メタデータ） (2021-06-28T14:17:22Z) - 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) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z) - Design of Efficient Deep Learning models for Determining Road Surface
Condition from Roadside Camera Images and Weather Data [2.8904578737516764]
冬期における道路の整備は、安全と資源を要求される作業である。
その重要な活動の1つは、道路を優先し、耕作や製塩などの清掃作業を行うために、道路表面の状態(RSC)を決定することである。
RSCを決定するための2つの従来のアプローチは、訓練された職員による道路カメラ画像の視覚的検査と、現場での検査を行うために道路をパトロールすることである。
論文 参考訳（メタデータ） (2020-09-22T02:30:32Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z)
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。