論文の概要: Situation Awareness for Autonomous Vehicles Using Blockchain-based
Service Cooperation
- arxiv url: http://arxiv.org/abs/2204.03313v1
- Date: Thu, 7 Apr 2022 09:23:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 16:09:21.806209
- Title: Situation Awareness for Autonomous Vehicles Using Blockchain-based
Service Cooperation
- Title(参考訳): ブロックチェーン型サービス連携による自動運転車の状況認識
- Authors: Huong Nguyen, Tri Nguyen, Teemu Lepp\"anen, Juha Partala, Susanna
Pirttikangas
- Abstract要約: ブロックチェーンに基づくトラフィックデータプロデューサとコンシューマ間のスマートコントラクトを実現する分散フレームワークを提案する。
自動運転車は、ローカルエッジサーバに接続したり、データを共有したり、合意に基づいてサービスを使用する。
このようなシナリオにおけるマルチキャスト伝送は、異なるサイズのデータパケットを1秒未満で送信できる場合のスループットを2.5倍に向上させる。
- 参考スコア(独自算出の注目度): 4.1650513680603884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient Vehicle-to-Everything enabling cooperation and enhanced
decision-making for autonomous vehicles is essential for optimized and safe
traffic. Real-time decision-making based on vehicle sensor data, other traffic
data, and environmental and contextual data becomes imperative. As a part of
such Intelligent Traffic Systems, cooperation between different stakeholders
needs to be facilitated rapidly, reliably, and securely. The Internet of Things
provides the fabric to connect these stakeholders who share their data, refined
information, and provided services with each other. However, these cloud-based
systems struggle to meet the real-time requirements for smart traffic due to
long distances across networks. Here, edge computing systems bring the data and
services into the close proximity of fast-moving vehicles, reducing information
delivery latencies and improving privacy as sensitive data is processed
locally. To solve the issues of trust and latency in data sharing between these
stakeholders, we propose a decentralized framework that enables smart contracts
between traffic data producers and consumers based on blockchain. Autonomous
vehicles connect to a local edge server, share their data, or use services
based on agreements, for which the cooperating edge servers across the system
provide a platform. We set up proof-of-concept experiments with Hyperledger
Fabric and virtual cars to analyze the system throughput with secure unicast
and multicast data transmissions. Our results show that multicast transmissions
in such a scenario boost the throughput up to 2.5 times where the data packets
of different sizes can be transmitted in less than one second.
- Abstract(参考訳): 自動運転車の効率的な車両間協力と強化された意思決定は、最適化され安全な交通に欠かせない。
車両センサデータ、その他の交通データ、環境および文脈データに基づくリアルタイム意思決定が不可欠となる。
このようなインテリジェントトラフィックシステムの一部として、異なる利害関係者間の協力を迅速かつ確実かつ安全に促進する必要がある。
モノのインターネット(Internet of Things)は、データを共有し、情報を洗練し、相互にサービスを提供するステークホルダーを接続するためのファブリックを提供する。
しかし、これらのクラウドベースのシステムは、ネットワーク間の長距離距離のため、スマートトラフィックのリアルタイム要件を満たすのに苦労している。
ここで、エッジコンピューティングシステムは、データとサービスを高速移動車両に近接させ、情報配信のレイテンシを削減し、機密データをローカルに処理することでプライバシを向上させる。
これらのステークホルダー間のデータ共有における信頼性とレイテンシの問題を解決するために、ブロックチェーンに基づいたトラフィックデータプロデューサとコンシューマ間のスマートコントラクトを実現する分散フレームワークを提案する。
自動運転車は、ローカルエッジサーバに接続したり、データを共有したり、合意に基づいてサービスを使用する。
我々はHyperledger Fabricと仮想車を使って概念実証実験を行い、セキュアなユニキャストおよびマルチキャストデータ伝送を用いてシステムのスループットを分析した。
以上の結果から,マルチキャスト伝送は,異なるサイズのデータパケットを1秒未満で送信できるスループットを最大2.5倍に向上させることがわかった。
関連論文リスト
- QoS prediction in radio vehicular environments via prior user
information [54.853542701389074]
セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。
具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
論文 参考訳(メタデータ) (2024-02-27T17:05:41Z) - A V2X-based Privacy Preserving Federated Measuring and Learning System [0.0]
本稿では,V2V(Var-to-Vehicle)通信を介して,同志の車両にリアルタイムなデータを提供するフェデレート計測学習システムを提案する。
また,交通ネットワークの予測モデルを作成するために,車両ネットワーク(V2N)リンク上で連合学習スキームを運用している。
その結果,提案方式では学習性能が向上し,アグリゲータサーバ側での盗聴を防止することができた。
論文 参考訳(メタデータ) (2024-01-24T23:11:11Z) - Blockchain-Enabled Federated Learning Approach for Vehicular Networks [3.1749005168397617]
フェデレートラーニング(FL)と車両エコシステムという2つの新興技術を統合する実践的アプローチを提案する。
この設定では、車両はプライバシーを損なうことなく互いに学習でき、データの完全性と説明責任を保証できる。
本手法は精度を高く保ち,車載ネットワークにおけるデータプライバシ保護に有効なソリューションである。
論文 参考訳(メタデータ) (2023-11-10T19:51:18Z) - Trip Planning for Autonomous Vehicles with Wireless Data Transfer Needs
Using Reinforcement Learning [7.23389716633927]
車両データ転送要求を満たすために,高帯域道路を優先する新しい強化学習ソリューションを提案する。
我々は、この手法をトラフィックを意識しないベースラインや帯域幅を意識しないベースラインと比較し、不均一なトラフィック下での処理性能を示す。
論文 参考訳(メタデータ) (2023-09-21T23:19:16Z) - Selective Communication for Cooperative Perception in End-to-End
Autonomous Driving [8.680676599607123]
協調認識のための新しい選択的コミュニケーションアルゴリズムを提案する。
提案アルゴリズムは, 従来研究されてきた安全クリティカル運転シナリオシミュレーションにおいて, ランダム選択法よりも高い成功率を示す。
論文 参考訳(メタデータ) (2023-05-26T18:13:17Z) - Towards Decentralized Predictive Quality of Service in Next-Generation
Vehicular Networks [16.930875340427765]
我々は、車両ネットワークに予測品質(PQoS)を実装するための強化学習エージェントを設計する。
我々のフレームワークは、低レイテンシと信頼性の制約の下で自動車データを送信するための最適な圧縮レベルを特定することができる。
論文 参考訳(メタデータ) (2023-02-22T10:35:00Z) - 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) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T08:13:57Z) - 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) - Local Differential Privacy based Federated Learning for Internet of
Things [72.83684013377433]
Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。
これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。
本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
論文 参考訳(メタデータ) (2020-04-19T14:03:10Z)
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。