Fugu-MT 論文翻訳(概要): A GIS Data Realistic Road Generation Approach for Traffic Simulation

論文の概要: A GIS Data Realistic Road Generation Approach for Traffic Simulation

arxiv url: http://arxiv.org/abs/2110.15814v1
Date: Thu, 28 Oct 2021 09:50:10 GMT
ステータス: 処理完了
システム内更新日: 2021-11-02 01:58:09.982075
Title: A GIS Data Realistic Road Generation Approach for Traffic Simulation
Title（参考訳）: 交通シミュレーションのためのGISデータリアル道路生成手法
Authors: Yacine Amara, Abdenour Amamra, Yasmine Daheur, Lamia Saichi
Abstract要約: 道路網は、GISデータベース内の属性を持つポリラインの形で存在する。本稿では,生GISデータをリアルタイム道路交通シミュレーションのための実運用モデルに変換する手法を提案する。
参考スコア（独自算出の注目度）: 0.7373617024876725
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Road networks exist in the form of polylines with attributes within the GIS databases. Such a representation renders the geographic data impracticable for 3D road traffic simulation. In this work, we propose a method to transform raw GIS data into a realistic, operational model for real-time road traffic simulation. For instance, the proposed raw to simulation ready data transformation is achieved through several curvature estimation, interpolation/approximation, and clustering schemes. The obtained results show the performance of our approach and prove its adequacy to real traffic simulation scenario as can be seen in this video 1 .
Abstract（参考訳）: 道路網はGISデータベース内の属性を持つポリラインの形で存在する。このような表現は、3次元道路交通シミュレーションでは実現不可能な地理データを描画する。本研究では,生GISデータをリアルタイム道路交通シミュレーションのための実運用モデルに変換する手法を提案する。例えば、提案した生からシミュレーション可能なデータ変換は、いくつかの曲率推定、補間/近似、クラスタリングスキームによって達成される。その結果,本手法の性能が示され,本ビデオ1に示すような実際の交通シミュレーションシナリオに対する妥当性が証明された。

関連論文リスト

Probabilistic Image-Driven Traffic Modeling via Remote Sensing [8.234589405189187]
都市交通モデルの構築に使用できるマルチモーダル・マルチタスクトランスフォーマーに基づくセグメンテーションアーキテクチャを提案する。そこで我々は,Dynamic Traffic Speedsベンチマークデータセットを用いて提案手法を広範囲に評価し,現状を著しく改善した。
論文参考訳（メタデータ） (2024-03-08T18:43:28Z)
TransWorldNG: Traffic Simulation via Foundation Model [23.16553424318004]
データ駆動型アルゴリズムとグラフコンピューティング技術を用いて,実データからトラフィックダイナミクスを学習する交通シミュレータTransWordNGを提案する。その結果,TransWorldNGは従来のシミュレータよりも現実的なトラフィックパターンを生成できることがわかった。
論文参考訳（メタデータ） (2023-05-25T05:49:30Z)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文参考訳（メタデータ） (2022-12-14T15:54:15Z)
Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文参考訳（メタデータ） (2021-11-30T04:30:10Z)
Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文参考訳（メタデータ） (2021-06-01T08:46:04Z)
Learning to Simulate on Sparse Trajectory Data [26.718807213824853]
本稿では,実世界のスパースデータから運転行動をシミュレートする学習問題に対処するための新しいフレームワーク imingail を提案する。私たちの知る限りでは、行動学習問題に対するデータ疎結合問題に最初に取り組みます。
論文参考訳（メタデータ） (2021-03-22T13:42:11Z)
TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文参考訳（メタデータ） (2021-01-17T00:29:30Z)
Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
論文参考訳（メタデータ） (2020-07-06T12:31:27Z)
SimAug: Learning Robust Representations from Simulation for Trajectory Prediction [78.91518036949918]
本研究では,シミュレーション学習データの拡張により,ロバスト表現を学習する新しい手法を提案する。我々は,SimAugが実世界の3つのベンチマークで有望な結果を得ることを示す。
論文参考訳（メタデータ） (2020-04-04T21:22:01Z)
Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文参考訳（メタデータ） (2020-01-21T12:52:58Z)

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。