論文の概要: A Wearable Data Collection System for Studying Micro-Level E-Scooter
Behavior in Naturalistic Road Environment
- arxiv url: http://arxiv.org/abs/2212.11979v1
- Date: Thu, 22 Dec 2022 18:58:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 15:29:59.340737
- Title: A Wearable Data Collection System for Studying Micro-Level E-Scooter
Behavior in Naturalistic Road Environment
- Title(参考訳): 自然道路環境における微小レベルe-scooter挙動研究のためのウェアラブルデータ収集システム
- Authors: Avinash Prabu, Dan Shen, Renran Tian, Stanley Chien, Lingxi Li, Yaobin
Chen, Rini Sherony
- Abstract要約: 本稿では,自然道路環境におけるマイクロレベルのe-Scooter動作を調査するためのウェアラブルデータ収集システムを提案する。
ロボットオペレーティングシステム(ROS)を用いたLiDAR、カメラ、GPSの統合により、e-Scooterベースのデータ取得システムを開発した。
- 参考スコア(独自算出の注目度): 3.5466525046297264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As one of the most popular micro-mobility options, e-scooters are spreading
in hundreds of big cities and college towns in the US and worldwide. In the
meantime, e-scooters are also posing new challenges to traffic safety. In
general, e-scooters are suggested to be ridden in bike lanes/sidewalks or share
the road with cars at the maximum speed of about 15-20 mph, which is more
flexible and much faster than the pedestrains and bicyclists. These features
make e-scooters challenging for human drivers, pedestrians, vehicle active
safety modules, and self-driving modules to see and interact. To study this new
mobility option and address e-scooter riders' and other road users' safety
concerns, this paper proposes a wearable data collection system for
investigating the micro-level e-Scooter motion behavior in a Naturalistic road
environment. An e-Scooter-based data acquisition system has been developed by
integrating LiDAR, cameras, and GPS using the robot operating system (ROS).
Software frameworks are developed to support hardware interfaces, sensor
operation, sensor synchronization, and data saving. The integrated system can
collect data continuously for hours, meeting all the requirements including
calibration accuracy and capability of collecting the vehicle and e-Scooter
encountering data.
- Abstract(参考訳): 最も人気のあるマイクロモビリティの選択肢の1つとして、eスクーターは米国や世界中の数百の大都市やカレッジタウンに普及している。
一方、eスクーターは交通安全に新たな課題を提起している。
一般に、eスクーターは自転車レーンやサイドウォークで運転されるか、最大時速約15~20マイルで車と道路を共有することが提案されており、これは台車や自転車よりも柔軟で高速である。
これらの機能は、人間のドライバー、歩行者、車両のアクティブな安全モジュール、そして自動運転モジュールが観察および対話することを困難にしている。
そこで本稿では,この新しいモビリティオプションを検討し,道路利用者の安全問題に対処するため,自然道路環境におけるマイクロレベルの電子スクーター動作挙動を調査できるウェアラブル・データ収集システムを提案する。
ロボットオペレーティングシステム(ROS)を用いてLiDAR、カメラ、GPSを統合することで、e-Scooterベースのデータ取得システムを開発した。
ソフトウェアフレームワークはハードウェアインターフェース、センサー操作、センサー同期、データ保存をサポートするために開発されている。
統合システムは、キャリブレーションの精度や車両の収集能力、データに遭遇する電子スクーターなど、すべての要件を満たしながら、何時間も連続してデータを収集することができる。
関連論文リスト
- ScooterLab: A Programmable and Participatory Sensing Research Testbed using Micromobility Vehicles [1.741080752116788]
ScooterLabは、高度なセンシング、通信、制御機能を備えた、カスタマイズ可能なバッテリー駆動マイクロモビリティー車両群からなるコミュニティ調査用ベッドである。
このテストベッドは、持続可能なモビリティを促進しながら、機械学習、プライバシー、都市交通研究の進歩を可能にする。
論文 参考訳(メタデータ) (2025-01-10T18:58:14Z) - Harnessing Smartphone Sensors for Enhanced Road Safety: A Comprehensive Dataset and Review [7.867406170788454]
本研究では,スマートフォンセンサから得られた包括的データセットを提案する。
これらのセンサーは加速力、重力、回転速度、磁場強度、車両速度などのパラメータをキャプチャする。
このデータセットは、道路安全、インフラ整備、交通管理、都市計画を強化するように設計されている。
論文 参考訳(メタデータ) (2024-11-11T19:15:29Z) - GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳(メタデータ) (2024-08-19T08:23:38Z) - Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。
本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。
モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。
私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
論文 参考訳(メタデータ) (2024-05-03T00:29:20Z) - 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) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - E-Scooter Rider Detection and Classification in Dense Urban Environments [5.606792370296115]
本研究は,検出モデルの客観的評価を容易にするために,部分閉塞型E-スクータライダー検出のための新しいベンチマークを提案する。
技術の現状に対して15.93%の精度で検出性能を向上する,E-Scooterライダー検出の新規なオクルージョン対応手法を提案する。
論文 参考訳(メタデータ) (2022-05-20T13:50:36Z) - Detection of E-scooter Riders in Naturalistic Scenes [2.1270496914042987]
本稿では,e-scooter ライダーと一般歩行者を区別する新しい視覚ベースシステムを提案する。
データセット上でMobileNetV2を微調整し、E-Scooterライダーと歩行者を分類するためにモデルをトレーニングします。
YOLOv3上でトレーニングされたMobileNetV2の分類精度は91%以上で、精度は0.9以上である。
論文 参考訳(メタデータ) (2021-11-28T05:59:36Z) - 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) - Micromobility in Smart Cities: A Closer Look at Shared Dockless
E-Scooters via Big Social Data [6.001713653976455]
ドックレス電動スクーター(電動スクーター)は、大都市での短距離通勤の代替手段として毎日登場している。
エスクーターは交通規制、公共安全、駐車場規制、責任問題など、市の管理における課題を生んでいる。
本稿では,ビッグデータを用いた共有e-scooterに関する大規模研究としては,これが初めてである。
論文 参考訳(メタデータ) (2020-10-28T19:59:45Z) - LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。
LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。
また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
論文 参考訳(メタデータ) (2020-03-13T06:17:39Z)
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。