論文の概要: Optimal Placement of Roadside Infrastructure Sensors towards Safer Autonomous Vehicle Deployments

• arxiv url: http://arxiv.org/abs/2110.01251v1
• Date: Mon, 4 Oct 2021 08:37:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:15:41.613536
• Title: Optimal Placement of Roadside Infrastructure Sensors towards Safer Autonomous Vehicle Deployments
• Title（参考訳）: 自動車の安全確保に向けた道路側インフラセンサの最適配置
• Authors: Roshan Vijay, Jim Cherian, Rachid Riah, Niels de Boer and Apratim Choudhury
• Abstract要約: 本稿では,V2X(Vehicle-to-Allything)インフラストラクチャセンサの最適配置を実現するための新しい手法を提案する。 我々は、レイキャストと線形最適化文学の最新の進歩を組み合わせることで、都市計画者のためのツールを提供する。
• 参考スコア（独自算出の注目度）: 1.181206257787103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicles with driving automation are increasingly being developed for deployment across the world. However, the onboard sensing and perception capabilities of such automated or autonomous vehicles (AV) may not be sufficient to ensure safety under all scenarios and contexts. Infrastructure-augmented environment perception using roadside infrastructure sensors can be considered as an effective solution, at least for selected regions of interest such as urban road intersections or curved roads that present occlusions to the AV. However, they incur significant costs for procurement, installation and maintenance. Therefore these sensors must be placed strategically and optimally to yield maximum benefits in terms of the overall safety of road users. In this paper, we propose a novel methodology towards obtaining an optimal placement of V2X (Vehicle-to-everything) infrastructure sensors, which is particularly attractive to urban AV deployments, with various considerations including costs, coverage and redundancy. We combine the latest advances made in raycasting and linear optimization literature to deliver a tool for urban city planners, traffic analysis and AV deployment operators. Through experimental evaluation in representative environments, we prove the benefits and practicality of our approach.
• Abstract（参考訳）: 自動運転車は、世界中に展開するためにますます開発されている。 しかし、このような自動または自律走行車(AV)の車載検知と認識能力は、あらゆるシナリオや状況下での安全性を確保するには不十分かもしれない。 道路インフラストラクチャーセンサを用いたインフラ拡張環境認識は,少なくとも都市道路交差点や湾曲道路など,AVに介在する特定の地域を対象として,有効なソリューションとみなすことができる。 しかし、調達、設置、維持にはかなりのコストがかかる。 したがって、これらのセンサは、道路利用者の全体的な安全の観点から最大限の利益を得るために、戦略的かつ最適に配置されなければならない。 本稿では,V2X(Vehicle-to-everything)インフラストラクチャセンサの最適配置を実現するための新しい手法を提案する。 我々は,レイキャスティングにおける最近の進歩と線形最適化文献を組み合わせることで,都市都市計画者,交通分析,av展開運用者のためのツールを提供する。 代表環境における実験的な評価を通じて,本手法の利点と実用性を証明する。

関連論文リスト

• Comprehensive Autonomous Vehicle Optimal Routing With Dynamic Heuristics [0.0]
  AVユーザエクスペリエンスを改善するために提案されたモデルは、複数の連結自動運転車のハイブリッドAVネットワークを使用する。 この問題の真の最適解決策は、AVネットワークにおける車両の自動誘導システムを開発することである。 結果は分析され、解の有効性を評価し、ギャップと将来の拡張を識別するために比較される。
  論文  参考訳（メタデータ） (2024-03-17T18:21:56Z)
• Optimizing Fault-Tolerant Quality-Guaranteed Sensor Deployments for UAV Localization in Critical Areas via Computational Geometry [0.6445605125467574]
  小型の無人航空機(UAV)は、空港、発電所、政府や軍事施設などの重要な地域に深刻な脅威をもたらす。 本稿では,UAVローカライゼーションのための三角センサの展開を計算し,複数のセンサ品質レベルのカバレッジ,コスト効率,耐故障性などの指標を最適化する。 我々は,2つの大きな3D臨界領域,ローマレオナルド・ダ・ヴィンチ国際空港(FCO)とウィーン国際空港(VIC)におけるUAVローカライゼーションのための最適なセンサ配置を計算し,我々のアプローチの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-12-05T17:58:22Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Connected Autonomous Vehicle Motion Planning with Video Predictions from Smart, Self-Supervised Infrastructure [26.688202106917576]
  Self-Supervised Traffic Advisor (SSTA)は,道路ユーザの有用なビデオ予測の生成とブロードキャストを行うための,スマートセンサのフレームワークである。 本研究では,SSTA予測を生ビデオの代わりに将来の占有率を予測するように修正し,放送予測のデータフットプリントを削減する。 結果として得られた予測は、計画フレームワーク内で使用され、この設計がCAVモーションプランニングを効果的に支援できることを実証する。
  論文  参考訳（メタデータ） (2023-09-14T08:15:31Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• 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)
• Route Optimization via Environment-Aware Deep Network and Reinforcement Learning [7.063811319445716]
  車両サービス提供者(タクシー運転手など)の収益性を最大化するモバイルシーケンシャルレコメンデーションシステムを開発する。 顧客ピックアップポイント監視のための自己チェック機構とディープニューラルネットワークを統合することにより,この問題に対処するための強化学習フレームワークを提案する。 新型コロナウイルスの感染拡大前後のニューヨーク市における黄色いタクシーデータをもとに,本手法の有効性を評価するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2021-11-16T02:19:13Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。

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。