論文の概要: Context-Aware Target Classification with Hybrid Gaussian Process
prediction for Cooperative Vehicle Safety systems
- arxiv url: http://arxiv.org/abs/2212.12819v1
- Date: Sat, 24 Dec 2022 22:03:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 15:09:16.655762
- Title: Context-Aware Target Classification with Hybrid Gaussian Process
prediction for Cooperative Vehicle Safety systems
- Title（参考訳）: 協調車両安全システムのためのハイブリッドガウスプロセス予測を用いたコンテキストアウェアターゲット分類
- Authors: Rodolfo Valiente, Arash Raftari, Hossein Nourkhiz Mahjoub, Mahdi
Razzaghpour, Syed K. Mahmud, Yaser P. Fallah
- Abstract要約: 自動運転車の堅牢性と安全性を改善するための潜在的な解決策として、V2X通信が提案されている。
協調車両安全(CVS)アプリケーションは、下層データシステムの信頼性に強く依存している。
本稿では,CVSシステムのためのコンテキスト認識ターゲット分類(CA-TC)モジュールとハイブリッド学習に基づく予測モデリング手法を提案する。
- 参考スコア（独自算出の注目度）: 2.862606936691229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicle-to-Everything (V2X) communication has been proposed as a potential
solution to improve the robustness and safety of autonomous vehicles by
improving coordination and removing the barrier of non-line-of-sight sensing.
Cooperative Vehicle Safety (CVS) applications are tightly dependent on the
reliability of the underneath data system, which can suffer from loss of
information due to the inherent issues of their different components, such as
sensors failures or the poor performance of V2X technologies under dense
communication channel load. Particularly, information loss affects the target
classification module and, subsequently, the safety application performance. To
enable reliable and robust CVS systems that mitigate the effect of information
loss, we proposed a Context-Aware Target Classification (CA-TC) module coupled
with a hybrid learning-based predictive modeling technique for CVS systems. The
CA-TC consists of two modules: A Context-Aware Map (CAM), and a Hybrid Gaussian
Process (HGP) prediction system. Consequently, the vehicle safety applications
use the information from the CA-TC, making them more robust and reliable. The
CAM leverages vehicles path history, road geometry, tracking, and prediction;
and the HGP is utilized to provide accurate vehicles' trajectory predictions to
compensate for data loss (due to communication congestion) or sensor
measurements' inaccuracies. Based on offline real-world data, we learn a finite
bank of driver models that represent the joint dynamics of the vehicle and the
drivers' behavior. We combine offline training and online model updates with
on-the-fly forecasting to account for new possible driver behaviors. Finally,
our framework is validated using simulation and realistic driving scenarios to
confirm its potential in enhancing the robustness and reliability of CVS
systems.
- Abstract（参考訳）: 車両間通信(v2x)は、非視線センシングの障壁を解消し、協調性を改善し、自動運転車の堅牢性と安全性を改善する潜在的な解決策として提案されている。
協調車両安全 (cvs) の応用は下層データシステムの信頼性に強く依存しており、センサの故障や密集した通信チャネル負荷下でのv2x技術の性能低下など、それぞれのコンポーネントの固有の問題による情報の喪失に苦しむ可能性がある。
特に、情報損失はターゲット分類モジュールに影響を及ぼし、その後、安全アプリケーションの性能が向上する。
情報損失を緩和する信頼性が高く堅牢なCVSシステムを実現するために,CVSシステムのためのハイブリッド学習に基づく予測モデリング技術と組み合わせたコンテキスト認識ターゲット分類(CA-TC)モジュールを提案する。
CA-TCは、コンテキスト認識マップ(CAM)とハイブリッドガウスプロセス(HGP)予測システムという2つのモジュールで構成されている。
その結果、車両安全アプリケーションはCA-TCからの情報を利用でき、より堅牢で信頼性が高い。
CAMは、車両の経路履歴、道路形状、追跡、予測を利用し、HGPは正確な車両の軌道予測を提供することで、データ損失(通信渋滞による)やセンサー測定の不正確さを補う。
オフライン実世界のデータに基づいて,車両の協調ダイナミクスと運転者の行動を表す有限バンクのドライバモデルについて学習する。
オフライントレーニングとオンラインモデルの更新をオンザフライ予測と組み合わせて、新たなドライバー行動の可能性を考慮します。
最後に,シミュレーションと現実的な運転シナリオを用いて,cvsシステムのロバスト性と信頼性向上の可能性を確認する。
関連論文リスト
- A neural-network based anomaly detection system and a safety protocol to protect vehicular network [0.0]
この論文は、車車間通信を可能にすることにより、道路の安全性と効率を向上させるために、CITS(Cooperative Intelligent Transport Systems)の使用に対処する。
安全性を確保するため、論文では、Long Short-Term Memory (LSTM)ネットワークを用いた機械学習に基づくミスビヘイビア検出システム(MDS)を提案する。
論文 参考訳（メタデータ） (2024-11-11T14:15:59Z) - Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。
5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
論文 参考訳（メタデータ） (2024-04-22T18:45:40Z) - 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) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。
本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文 参考訳（メタデータ） (2023-07-05T21:38:36Z) - Confidence Attention and Generalization Enhanced Distillation for
Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。
CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-18T16:40:10Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - 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) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Cooperative Perception with Deep Reinforcement Learning for Connected
Vehicles [7.7003495898919265]
本研究では, 周辺物体の検出精度を高めるために, 深層強化学習を用いた協調認識方式を提案する。
本手法は、車両通信網におけるネットワーク負荷を軽減し、通信信頼性を高める。
論文 参考訳（メタデータ） (2020-04-23T01:44:12Z) - A Multi-Agent Reinforcement Learning Approach For Safe and Efficient
Behavior Planning Of Connected Autonomous Vehicles [21.132777568170702]
我々は、コネクテッド・自動運転車のための情報共有型強化学習フレームワークを設計する。
提案手法は, 平均速度と快適性の観点から, CAV システムの効率性を向上させることができることを示す。
我々は,共用視覚が早期に障害物を観測し,交通渋滞を避けるために行動を起こすのに役立つことを示すために,障害物回避シナリオを構築した。
論文 参考訳（メタデータ） (2020-03-09T19:15:30Z)
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。