Fugu-MT 論文翻訳(概要): Monetisation of and Access to in-Vehicle data and resources: the 5GMETA approach

論文の概要: Monetisation of and Access to in-Vehicle data and resources: the 5GMETA approach

arxiv url: http://arxiv.org/abs/2208.11335v1
Date: Wed, 24 Aug 2022 07:16:42 GMT
ステータス: 処理完了
システム内更新日: 2022-08-25 13:35:12.937592
Title: Monetisation of and Access to in-Vehicle data and resources: the 5GMETA approach
Title（参考訳）: 車両内データ・資源の収益化とアクセス:5GMETAアプローチ
Authors: Djibrilla Amadou Kountche, Fatma Raissi, Mandimby Ranaivo Rakotondravelona, Edoardo Bonetto, Daniele Brevi, Angel Martin, Oihana Otaegui, Gorka Velez
Abstract要約: 今日の車両には大量のデータを生成するコンピューターやセンサーが組み込まれています。データは、内部の目的と、接続されたインフラやスマートシティの開発のために利用される。これらのデータと車内リソースへのアクセスと収益化は,本稿で提示される多くの課題に直面している。
参考スコア（独自算出の注目度）: 0.7963440205623141
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Today's vehicles are increasingly embedded with computers and sensors which produce huge amount of data. The data are exploited for internal purposes and with the development of connected infrastructures and smart cities, the vehicles interact with each other as well as with road users generating other types of data. The access to these data and in-vehicle resources and their monetisation faces many challenges which are presented in this paper. Furthermore, the most important commercial solution compared to the open and novel approach faced in the H2020 5GMETA project.
Abstract（参考訳）: 今日の車両は、大量のデータを生成するコンピュータやセンサーが組み込まれている。データは内部の目的で利用され、接続されたインフラやスマートシティの開発によって、車両は相互に相互作用し、道路利用者は他の種類のデータを生成する。これらのデータと車内リソースへのアクセスと収益化は,本稿で提示される多くの課題に直面している。さらに、H2020 5GMETAプロジェクトで直面するオープンで斬新なアプローチと比較して、最も重要な商用ソリューションである。

関連論文リスト

Data on the Move: Traffic-Oriented Data Trading Platform Powered by AI Agent with Common Sense [21.398890792164703]
私たちはData on The Move(DTM)というトラフィック指向のデータトレーディングプラットフォームを導入しました。 DTMはトラフィックシミュレーション、データトレーディング、AIエージェントを統合する。提案するAIエージェントベースの価格設定手法は,合理的な価格を提供することでデータトレーディングを強化する。
論文参考訳（メタデータ） (2024-07-01T06:17:18Z)
Collaborative Perception Datasets in Autonomous Driving: A Survey [0.0]
この論文は様々なデータセットを体系的に分析し、多様性、センサーの設定、品質、公開可用性、下流タスクへの適用性といった側面に基づいて比較する。データセット開発におけるプライバシとセキュリティの懸念に対処することの重要性は、データ共有とデータセット生成に関して強調されている。
論文参考訳（メタデータ） (2024-04-22T09:36:17Z)
Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。また、解決を保障する科学的、技術的課題も検討している。
論文参考訳（メタデータ） (2023-12-06T10:46:53Z)
Federated Learning for Connected and Automated Vehicles: A Survey of Existing Approaches and Challenges [8.20034065712914]
機械学習(ML)は、コネクテッド・アンド・オートマチック・ビークル(CAV)の主要なタスクに広く使われているフェデレートラーニング(FL)は、複数の車両が協調してモデルを開発することを可能にする、分散MLアプローチである。本稿では, FL の CAV (FL4CAV) への適用における進歩を概観する。
論文参考訳（メタデータ） (2023-08-21T01:21:21Z)
A Survey on Datasets for Decision-making of Autonomous Vehicle [11.556769001552768]
意思決定は、ハイレベルな自動走行に向けた重要なモジュールの1つである。データ駆動による意思決定アプローチは、ますます注目を集めています。本研究では、車両、環境、運転者関連データの最先端データセットを比較した。
論文参考訳（メタデータ） (2023-06-29T08:42:18Z)
LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文参考訳（メタデータ） (2023-06-14T05:48:36Z)
DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文参考訳（メタデータ） (2022-07-20T17:47:54Z)
5G Features and Standards for Vehicle Data Exploitation [0.0]
5Gは、車から取得したデータを、クラウドにデプロイされた革新的なアプリケーションやサービスに供給することを可能にする。本稿では,スケーラブルでフレキシブルで信頼性が高く,セキュアなデータパイプラインに寄与する主要な5G機能との関連性について論じる。
論文参考訳（メタデータ） (2022-04-13T07:33:50Z)
AI in Smart Cities: Challenges and approaches to enable road vehicle automation and smart traffic control [56.73750387509709]
SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
論文参考訳（メタデータ） (2021-04-07T14:31:08Z)
Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文参考訳（メタデータ） (2020-12-08T17:26:10Z)
Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文参考訳（メタデータ） (2020-08-29T15:14:03Z)

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。