論文の概要: SenseMag: Enabling Low-Cost Traffic Monitoring using Non-invasive Magnetic Sensing

• arxiv url: http://arxiv.org/abs/2110.12377v1
• Date: Sun, 24 Oct 2021 07:47:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 18:28:23.625934
• Title: SenseMag: Enabling Low-Cost Traffic Monitoring using Non-invasive Magnetic Sensing
• Title（参考訳）: SenseMag:非侵襲磁気センシングによる低コストトラフィックモニタリングの実現
• Authors: Kafeng Wang and Haoyi Xiong and Jie Zhang and Hongyang Chen and Dejing Dou and Cheng-Zhong Xu
• Abstract要約: そこで本稿では, 直線道路上に展開する2つの非侵襲型磁気センサを用いて, 車両の車体型を認識するための低コストなSenseMagを提案する。 SenseMagは、車両がすべてのセンサーノードから到着または出発する正確な時間ポイントによって、受信したノイズとセグメントをフィルタリングする。 フィールド実験の結果,SenseMagは車種分類精度が90%以上,車両長分類誤差が5%未満であることが確認された。
• 参考スコア（独自算出の注目度）: 40.55828486246774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The operation and management of intelligent transportation systems (ITS), such as traffic monitoring, relies on real-time data aggregation of vehicular traffic information, including vehicular types (e.g., cars, trucks, and buses), in the critical roads and highways. While traditional approaches based on vehicular-embedded GPS sensors or camera networks would either invade drivers' privacy or require high deployment cost, this paper introduces a low-cost method, namely SenseMag, to recognize the vehicular type using a pair of non-invasive magnetic sensors deployed on the straight road section. SenseMag filters out noises and segments received magnetic signals by the exact time points that the vehicle arrives or departs from every sensor node. Further, SenseMag adopts a hierarchical recognition model to first estimate the speed/velocity, then identify the length of vehicle using the predicted speed, sampling cycles, and the distance between the sensor nodes. With the vehicle length identified and the temporal/spectral features extracted from the magnetic signals, SenseMag classify the types of vehicles accordingly. Some semi-automated learning techniques have been adopted for the design of filters, features, and the choice of hyper-parameters. Extensive experiment based on real-word field deployment (on the highways in Shenzhen, China) shows that SenseMag significantly outperforms the existing methods in both classification accuracy and the granularity of vehicle types (i.e., 7 types by SenseMag versus 4 types by the existing work in comparisons). To be specific, our field experiment results validate that SenseMag is with at least $90\%$ vehicle type classification accuracy and less than 5\% vehicle length classification error.
• Abstract（参考訳）: 交通監視などのインテリジェントな交通システム(its)の運用と管理は、重要な道路や高速道路における車両種別(車、トラック、バスなど)を含む車両交通情報のリアルタイムデータ集約に依存している。 車両内蔵型GPSセンサやカメラネットワークに基づく従来のアプローチでは、運転者のプライバシに侵入するか、高いデプロイメントコストを必要とするが、本研究では、直線道路上に展開された2つの非侵襲型磁気センサを用いて、車両のタイプを認識するための低コストな手法であるSenseMagを提案する。 sensemagは、受信した磁気信号のノイズやセグメントを、車両が各センサノードから到着または出発する正確なタイミングでフィルターする。 さらに、SenseMagは階層的認識モデルを採用し、まず速度/速度を推定し、予測速度、サンプリングサイクル、センサノード間の距離を用いて車両の長さを特定する。 車両長を識別し、磁気信号から抽出した時間/スペクトルの特徴により、センスマグは車両の種類を分類する。 いくつかの半自動学習技術がフィルタの設計や特徴、ハイパーパラメータの選択に採用されている。 実単語のフィールド配置(中国深センの高速道路)に基づく大規模な実験により、senseimagは、分類精度と車両の粒度の両方において、既存の方法を大きく上回っている(すなわち、senseimagによる7種と既存の作業による4種)。 具体的には,SenseMagは車種別分類精度が90 %以上,車種長分類誤差が5 %未満であることが確認された。

関連論文リスト

• Low-cost modular devices for on-road vehicle detection and characterisation [0.0]
  本稿では,モジュール型デバイスをベースとしたシステムについて紹介する。 デバイスは超音波センサーを使って車両の速度と長さを検知する。 測定精度は、デバイスモジュールの協調により向上する。
  論文  参考訳（メタデータ） (2024-01-26T16:42:51Z)
• G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
  我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。 次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。 その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• Learning Position From Vehicle Vibration Using an Inertial Measurement Unit [2.1213500139850012]
  本稿では,グローバルナビゲーション衛星システム(GNSS)に依存しない車両位置決め手法を提案する。 従来のアプローチは特定の環境での干渉に弱いため、都市キャニオンやフライオーバーや低受信エリアなどの状況では信頼性が低い。 本研究では,慣性計測ユニット(IMU)センサで得られた加速度計およびジャイロスコープ測定から道路信号の学習に基づく車両位置決め手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T18:55:00Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• A Machine Learning Smartphone-based Sensing for Driver Behavior Classification [1.552282932199974]
  我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。 第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
  論文  参考訳（メタデータ） (2022-02-01T10:12:36Z)
• Turning Traffic Monitoring Cameras into Intelligent Sensors for Traffic Density Estimation [9.096163152559054]
  本稿では,4L特性の未校正交通監視カメラを用いて,交通密度を推定するためのフレームワークを提案する。 提案するフレームワークは,カメラキャリブレーションと車両検出という2つの主要コンポーネントで構成されている。 その結果, カメラキャリブレーションにおける平均絶対誤差 (MAE) は6m中0.2m未満であり, 各種条件下での車両検出精度は約90%であった。
  論文  参考訳（メタデータ） (2021-10-29T15:39:06Z)
• 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)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)
• Extraction and Assessment of Naturalistic Human Driving Trajectories from Infrastructure Camera and Radar Sensors [0.0]
  本稿では,インフラセンサを用いた交通物体の軌跡抽出手法を提案する。 私たちのビジョンパイプラインは、オブジェクトを正確に検出し、カメラとレーダーを融合させ、時間とともに追跡します。 センサ融合アプローチは、カメラとレーダー検出の利点をうまく組み合わせ、いずれのセンサよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-02T22:28:29Z)

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。