論文の概要: EdgeMap: CrowdSourcing High Definition Map in Automotive Edge Computing
- arxiv url: http://arxiv.org/abs/2201.07973v1
- Date: Thu, 20 Jan 2022 03:18:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 14:59:26.572323
- Title: EdgeMap: CrowdSourcing High Definition Map in Automotive Edge Computing
- Title（参考訳）: EdgeMap: クラウドソーシングによる自動車エッジコンピューティングの高定義マップ
- Authors: Qiang Liu, Yuru Zhang, Haoxin Wang
- Abstract要約: レイテンシ要件を維持しながらネットワークリソースの使用を最小限に抑えるためのクラウドソーシングHDマップであるEdgeMapを提案する。
我々は、小型の時間スケールで車両データを適応的にオフロードし、大規模な時間スケールでネットワークリソースを予約するDATEアルゴリズムを設計する。
その結果、EdgeMapは最先端のソリューションに比べて30%以上のリソース使用量を削減していることがわかった。
- 参考スコア（独自算出の注目度）: 9.642145335196641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High definition (HD) map needs to be updated frequently to capture road
changes, which is constrained by limited specialized collection vehicles. To
maintain an up-to-date map, we explore crowdsourcing data from connected
vehicles. Updating the map collaboratively is, however, challenging under
constrained transmission and computation resources in dynamic networks. In this
paper, we propose EdgeMap, a crowdsourcing HD map to minimize the usage of
network resources while maintaining the latency requirements. We design a DATE
algorithm to adaptively offload vehicular data on a small time scale and
reserve network resources on a large time scale, by leveraging the multi-agent
deep reinforcement learning and Gaussian process regression. We evaluate the
performance of EdgeMap with extensive network simulations in a time-driven
end-to-end simulator. The results show that EdgeMap reduces more than 30%
resource usage as compared to state-of-the-art solutions.
- Abstract（参考訳）: 高定義(HD)マップは、限られた専用収集車両によって制約される道路変更を捉えるために頻繁に更新する必要がある。
最新のマップを維持するために,コネクテッドカーからのクラウドソーシングデータを検討する。
しかしながら、マップを協調的に更新することは、動的ネットワークにおける制限された送信と計算リソースの下で困難である。
本稿では,レイテンシ要件を維持しつつネットワークリソースの使用を最小限に抑えるためのクラウドソーシングhdマップedgemapを提案する。
我々は,マルチエージェント深部強化学習とガウス過程回帰を利用して,小型の時間スケールで車両データをオフロードし,大規模なネットワーク資源を予約するDATEアルゴリズムを設計する。
時間駆動型エンドツーエンドシミュレータにおけるエッジマップの性能評価を行った。
その結果、edgemapは最先端のソリューションと比較して30%以上のリソース使用量を削減できることがわかった。
関連論文リスト
- Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。
オンボードセンサーを用いたHDマップのオンライン構築が,有望なソリューションとして浮上している。
本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-09T06:17:46Z) - Enhancing Online Road Network Perception and Reasoning with Standard Definition Maps [14.535963852751635]
我々は,オンラインベクトル化HDマップ表現の開発において,軽量でスケーラブルな事前規格定義(SD)マップを活用することに注力する。
重要な発見は、SDマップエンコーダがモデル非依存であり、鳥の目視(BEV)エンコーダを利用する新しいアーキテクチャに迅速に適応できることである。
この結果から,オンライン地図作成タスクの先行作業としてSDマップを使用すると,コンバージェンスが大幅に向上し,オンラインセンターライン認識タスクの性能が30%向上する可能性が示唆された。
論文 参考訳（メタデータ） (2024-08-01T19:39:55Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳（メタデータ） (2024-01-25T07:28:22Z) - Augmenting Lane Perception and Topology Understanding with Standard
Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。
本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。
この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-07T15:42:22Z) - InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning [6.062751776009753]
搭載センサ観測からHDマップ要素を検出するオンラインHDマップ学習フレームワークを提案する。
InstaGraMでは、HDマップのインスタンスレベルのグラフモデリングは、正確かつ高速なベクトル化HDマップ学習をもたらす。
提案するネットワークは,従来のモデルよりも最大13.7mAP,最大33.8倍高速である。
論文 参考訳（メタデータ） (2023-01-10T08:15:35Z) - HDMapNet: An Online HD Map Construction and Evaluation Framework [23.19001503634617]
HDマップの構築は自動運転にとって重要な問題である。
従来のHDマップは、多くのシナリオでは信頼性の低いセンチメートルレベルの正確な位置決めと結合している。
オンライン地図学習は、自動運転車に先立って意味と幾何学を提供するための、よりスケーラブルな方法である。
論文 参考訳（メタデータ） (2021-07-13T18:06:46Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳（メタデータ） (2021-06-28T17:59:30Z) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
論文 参考訳（メタデータ） (2021-01-18T00:09:30Z) - LiveMap: Real-Time Dynamic Map in Automotive Edge Computing [14.195521569220448]
LiveMapは、接続された車両のデータをサブ秒でクラウドソーシングし、道路上のオブジェクトを検出し、一致させ、追跡するリアルタイムダイナミックマップです。
車両の計算を適応的にオフロードできるlivemapの制御プレーンを開発した。
小型テストベッド上でLiveMapを実装し,大規模ネットワークシミュレータを開発した。
論文 参考訳（メタデータ） (2020-12-16T15:00:49Z) - 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。