Fugu-MT 論文翻訳(概要): FedParking: A Federated Learning based Parking Space Estimation with Parked Vehicle assisted Edge Computing

論文の概要: FedParking: A Federated Learning based Parking Space Estimation with Parked Vehicle assisted Edge Computing

arxiv url: http://arxiv.org/abs/2110.12876v1
Date: Tue, 19 Oct 2021 10:55:33 GMT
ステータス: 処理完了
システム内更新日: 2021-10-31 08:50:56.990018
Title: FedParking: A Federated Learning based Parking Space Estimation with Parked Vehicle assisted Edge Computing
Title（参考訳）: FedParking: 駐車車両支援エッジコンピューティングによるフェデレーション学習に基づくパーキング空間の推定
Authors: Xumin Huang, Peichun Li, Rong Yu, Yuan Wu, Kan Xie, Shengli Xie
Abstract要約: 分散学習アプローチとして、フェデレーション付き学習は、トレーニングデータのプライバシを保持しながら、分散データセット上で共有学習モデルをトレーニングする。我々は、駐車場管理へのフェデレートラーニングの適用を拡大し、FedParkingを導入し、Parking Lot Operators(PLO)が協力して、生データを交換することなく、駐車空間推定のための長期記憶モデルを訓練する。
参考スコア（独自算出の注目度）: 23.943759396364
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a distributed learning approach, federated learning trains a shared learning model over distributed datasets while preserving the training data privacy. We extend the application of federated learning to parking management and introduce FedParking in which Parking Lot Operators (PLOs) collaborate to train a long short-term memory model for parking space estimation without exchanging the raw data. Furthermore, we investigate the management of Parked Vehicle assisted Edge Computing (PVEC) by FedParking. In PVEC, different PLOs recruit PVs as edge computing nodes for offloading services through an incentive mechanism, which is designed according to the computation demand and parking capacity constraints derived from FedParking. We formulate the interactions among the PLOs and vehicles as a multi-lead multi-follower Stackelberg game. Considering the dynamic arrivals of the vehicles and time-varying parking capacity constraints, we present a multi-agent deep reinforcement learning approach to gradually reach the Stackelberg equilibrium in a distributed yet privacy-preserving manner. Finally, numerical results are provided to demonstrate the effectiveness and efficiency of our scheme.
Abstract（参考訳）: 分散学習アプローチとして、フェデレーション学習は、トレーニングデータのプライバシを維持しながら、分散データセット上の共有学習モデルをトレーニングする。我々は、駐車場管理へのフェデレートラーニングの適用を拡張し、FedParkingを導入し、Parking Lot Operators(PLO)が協力して、生データを交換することなく、駐車空間推定のための長期記憶モデルを訓練する。さらに,FedParking による PVEC (Parked Vehicle Assisted Edge Computing) の管理について検討した。 PVECでは、異なるPLOが、FedParkingの計算要求と駐車容量制約に基づいて設計されたインセンティブメカニズムを通じて、サービスをオフロードするためのエッジコンピューティングノードとしてPVを採用する。 PLOと車両間の相互作用をマルチリードマルチフォローのStackelbergゲームとして定式化する。車両の動的到着と時変駐車能力の制約を考慮すると、分散したプライバシ保存方式でスタックルバーグ均衡に徐々に到達するマルチエージェントの深層強化学習手法を提案する。最後に,提案手法の有効性と有効性を示す数値的な結果を提供する。

関連論文リスト

Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction [4.672121078249809]
本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。実世界の実証データを用いて,提案手法の有効性を検証した。
論文参考訳（メタデータ） (2024-05-02T07:28:27Z)
Shared learning of powertrain control policies for vehicle fleets [3.9325957466009203]
深部強化学習(DRL)は、燃料経済やその他のパフォーマンス指標を最適化するパワートレイン制御ポリシーを現場で学習することを目的としている。本稿では, 蒸留グループ政策を用いて, 車両群間で共有学習を行うための新しい枠組みを提案する。ベースラインに比べて燃料経済は平均8.5%改善している。
論文参考訳（メタデータ） (2024-04-27T13:01:05Z)
Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
論文参考訳（メタデータ） (2024-01-23T17:14:01Z)
Deep Single Models vs. Ensembles: Insights for a Fast Deployment of Parking Monitoring Systems [3.00363876980149]
多くのアプローチでは大量のデータの収集とラベル付けを行うため、インテリジェントな駐車監視は依然として課題である。本研究の目的は,公用ラベル付き駐車場画像を用いて訓練されたグローバルなフレームワーク構築の課題を明らかにすることである。その結果、多様なデータセットでトレーニングされたモデルは、目標駐車場におけるデータアノテーションやモデルトレーニングの負担を伴わずに95%の精度を達成できることがわかった。
論文参考訳（メタデータ） (2023-09-28T14:59:53Z)
SHINE: Deep Learning-Based Accessible Parking Management System [1.7109513360384465]
自家用車の増加により、障害者の駐車スペースが乱用されている。従来のライセンスプレート認識(LPR)システムは、そのような問題にリアルタイムで対処する上で非効率であることが証明されている。我々は,深層学習に基づく物体検出アルゴリズムを用いて車両を検知するシステム,Shineを提案する。
論文参考訳（メタデータ） (2023-02-02T02:46:52Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文参考訳（メタデータ） (2021-06-22T15:40:21Z)
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)
Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文参考訳（メタデータ） (2020-12-07T02:09:15Z)
Reinforcement Learning for Autonomous Driving with Latent State Inference and Spatial-Temporal Relationships [46.965260791099986]
強化学習フレームワークにおける潜伏状態の明示的に推測と空間的時間的関係の符号化は,この課題に対処する上で有効であることを示す。我々は、強化学習者と教師付き学習者を組み合わせた枠組みにより、他の運転者の潜伏状態に関する事前知識を符号化する。提案手法は,最先端のベースラインアプローチと比較して,T区間のナビゲーションにおける性能を著しく向上させる。
論文参考訳（メタデータ） (2020-11-09T08:55:12Z)
ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。