論文の概要: Vehicle-road Cooperative Simulation and 3D Visualization System
- arxiv url: http://arxiv.org/abs/2208.07304v1
- Date: Thu, 14 Jul 2022 04:53:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-05 01:12:54.912072
- Title: Vehicle-road Cooperative Simulation and 3D Visualization System
- Title(参考訳): 車道協調シミュレーションと3次元可視化システム
- Authors: D. Wu
- Abstract要約: 自動車と道路のコラボレーション技術は、その限界を克服し、交通の安全と効率を改善することができる。
信頼性と信頼性を確保するためには厳格なテストと検証方法が必要である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The safety of single-vehicle autonomous driving technology is limited due to
the limits of perception capability of on-board sensors. In contrast,
vehicle-road collaboration technology can overcome those limits and improve the
traffic safety and efficiency, by expanding the sensing range, improving the
perception accuracy, and reducing the response time. However, such a technology
is still under development; it requires rigorous testing and verification
methods to ensure the reliability and trustworthiness of the technology. In
this thesis, we focus on three major tasks: (1) analyze the functional
characteristics related to the scenarios of vehicle-road cooperations,
highlightening the differences between vehicle-road cooperative systems and
traditional single-vehicle autonomous driving systems; (2) refine and classifiy
the functional characteristics of vehicle-road cooperative systems; (3) design
and develop a simulation system, and provide a visual interface to facilitate
development and analysis. The efficiency and effectiveness the proposed method
are verfied by experiments.
- Abstract(参考訳): 単車自動運転技術の安全性は、オンボードセンサーの知覚能力の限界により制限されている。
対照的に、車両と道路のコラボレーション技術は、感知範囲を拡大し、知覚精度を改善し、応答時間を短縮することで、これらの限界を克服し、交通安全と効率を向上させることができる。
しかし、この技術はまだ開発中であり、信頼性と信頼性を確保するためには厳密なテストと検証方法が必要である。
本論では,(1)車道連携のシナリオに関連する機能的特徴を解析し,車道協調システムと従来の単車車の自律運転システムの違いを強調すること,(2)車道協調システムの機能的特徴を洗練・分類すること,(3)シミュレーションシステムの設計・開発,及び開発・分析を容易にするビジュアルインターフェースを提供すること,の3つの課題に焦点を当てる。
提案手法の効率性と有効性は実験によって検証される。
関連論文リスト
- Collaborative Perception for Connected and Autonomous Driving:
Challenges, Possible Solutions and Opportunities [10.749959052350594]
コネクテッド・自動運転車(CAV)との協調的な認識は、これらの制限を克服するための有望な解決策である。
本稿では、まず、データ共有の非同期性、データボリューム、エラーの対応など、協調的な知覚の課題を識別する。
本稿では,チャネル認識型協調認識フレームワークである通信効率と遅延問題に対処する手法を提案する。
論文 参考訳(メタデータ) (2024-01-03T05:33:14Z) - Parameterized Decision-making with Multi-modal Perception for Autonomous
Driving [12.21578713219778]
AUTOと呼ばれる深層強化学習に基づくマルチモーダル認識を用いたパラメータ化意思決定フレームワークを提案する。
ハイブリッド報酬関数は、安全、交通効率、乗客の快適性、および最適な行動を生成するためのフレームワークを導く影響を考慮に入れている。
論文 参考訳(メタデータ) (2023-12-19T08:27:02Z) - Deep Reinforcement Learning for Autonomous Vehicle Intersection
Navigation [0.24578723416255746]
強化学習アルゴリズムは、これらの課題に対処するための有望なアプローチとして登場した。
そこで本研究では,低コスト単一エージェントアプローチを用いて,T断面積を効率よく安全にナビゲートする問題に対処する。
提案手法により,AVはT断面積を効果的にナビゲートし,走行遅延,衝突最小化,総コストの面で従来の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2023-09-30T10:54:02Z) - Rethinking Integration of Prediction and Planning in Deep Learning-Based
Automated Driving Systems: A Review [62.997667081978825]
最近の研究は、安全で効率的で快適な運転を実現するためには、相互依存のジョイントステップにおける予測と計画の統合が必要であることを示唆している。
我々は、最先端のディープラーニングベースの予測、計画、統合予測と計画モデルについて体系的にレビューする。
論文 参考訳(メタデータ) (2023-08-10T17:53:03Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳(メタデータ) (2023-03-08T00:48:32Z) - Intelligent Perception System for Vehicle-Road Cooperation [0.0]
自動車と道路の協調自動運転技術は、車両の認識範囲を広げ、視覚障害領域を補完し、知覚精度を向上させることができる。
このプロジェクトでは主にライダーを用いて、車両と道路機器データの共有と組み合わせを実現し、動的目標の検出と追跡を実現するためにデータ融合スキームを開発する。
論文 参考訳(メタデータ) (2022-08-30T08:10:34Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳(メタデータ) (2021-05-28T08:45:37Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳(メタデータ) (2021-04-19T11:48:13Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-26T02:08:07Z) - Improved YOLOv3 Object Classification in Intelligent Transportation
System [29.002873450422083]
高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。
モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
論文 参考訳(メタデータ) (2020-04-08T11:45:13Z)
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。