論文の概要: CarFi: Rider Localization Using Wi-Fi CSI

• arxiv url: http://arxiv.org/abs/2301.01592v1
• Date: Wed, 21 Dec 2022 19:02:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 05:35:54.004485
• Title: CarFi: Rider Localization Using Wi-Fi CSI
• Title（参考訳）: CarFi: Wi-Fi CSIを用いたライダーのローカライゼーション
• Authors: Sirajum Munir, Hongkai Chen, Shiwei Fang, Mahathir Monjur, Shan Lin, and Shahriar Nirjon
• Abstract要約: CarFiは、移動中の車両に搭載された2つのアンテナからWi-Fi CSIを使用しており、ライダーの路面側を決定するデータ駆動技術である。 CarFiは、視線(LoS)と視線(nLoS)の両方の条件において、ライダー側の判定において95.44%正確である。
• 参考スコア（独自算出の注目度）: 2.5091334993691206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of hailing services, people are increasingly relying on shared mobility (e.g., Uber, Lyft) drivers to pick up for transportation. However, such drivers and riders have difficulties finding each other in urban areas as GPS signals get blocked by skyscrapers, in crowded environments (e.g., in stadiums, airports, and bars), at night, and in bad weather. It wastes their time, creates a bad user experience, and causes more CO2 emissions due to idle driving. In this work, we explore the potential of Wi-Fi to help drivers to determine the street side of the riders. Our proposed system is called CarFi that uses Wi-Fi CSI from two antennas placed inside a moving vehicle and a data-driven technique to determine the street side of the rider. By collecting real-world data in realistic and challenging settings by blocking the signal with other people and other parked cars, we see that CarFi is 95.44% accurate in rider-side determination in both line of sight (LoS) and non-line of sight (nLoS) conditions, and can be run on an embedded GPU in real-time.
• Abstract（参考訳）: 配車サービスの普及に伴い、人々はシェアードモビリティ(例えばuber、lyft)のドライバーに交通機関の受け取りを頼らざるを得なくなっている。 しかし、都市部ではGPS信号が高層ビルや混雑した環境(スタジアム、空港、バーなど)、夜間、悪天候で遮断されるため、運転者や乗り手がお互いを見つけるのが困難である。 時間を浪費し、ユーザエクスペリエンスを悪くし、アイドル運転によるCO2排出量の増加を招きます。 この研究では、ドライバーがライダーの路面側を決定するのに役立つWi-Fiの可能性を探る。 提案システムでは、移動車に搭載された2つのアンテナからWi-Fi CSIを使用して、ライダーの街路側を決定する。 実世界のデータを現実的で困難な環境で収集することにより、CarFiは視線(LoS)と非視線(nLoS)の両方の条件におけるライダー側判定において95.44%正確であり、リアルタイムに組み込みGPU上で実行可能であることが分かる。

関連論文リスト

• GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
  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)
• Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
  On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。 我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
  論文  参考訳（メタデータ） (2024-06-30T04:21:46Z)
• 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)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• 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)
• The IMPTC Dataset: An Infrastructural Multi-Person Trajectory and Context Dataset [4.413278371057897]
  市内の交差点は、怪我や致命的な事故で最も重要な交通エリアである。 われわれは、ドイツのインテリジェントな公共都市交差点と視覚センサー技術を使用している。 得られたデータセットは8時間の計測データから構成される。
  論文  参考訳（メタデータ） (2023-07-12T13:46:20Z)
• 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)
• CycleSense: Detecting Near Miss Incidents in Bicycle Traffic from Mobile Motion Sensors [3.5127092215732176]
  世界中の都市では、自動車は健康と交通の問題を引き起こし、自転車のモルタルシェアの増加によって部分的に緩和される可能性がある。 しかし、多くの人々は、認識された安全性の欠如のためにサイクリングを避けます。 都市計画者にとって、サイクリストが安全な場所やそうでない場所についての洞察が欠けているため、この問題に対処することは難しい。
  論文  参考訳（メタデータ） (2022-04-21T21:43:23Z)
• WiFi Fingerprint Clustering for Urban Mobility Analysis [20.190366137684205]
  スマートフォンアプリケーションデータからWi-Fi計測を利用してユーザポイント(POI)を識別するための教師なし学習手法を提案する。 屋内・シェルター・高層建築環境におけるGPS位置決め精度の欠如により、現代都市部において広く利用可能なWiFiアクセスポイント(AP)に依存している。 周囲のWiFi APをスキャンし、監視されていない学習を行い、3つの大きな洞察を識別できることを実証するシステムアーキテクチャを提案します。
  論文  参考訳（メタデータ） (2021-05-04T03:46:14Z)
• V2VNet: Vehicle-to-Vehicle Communication for Joint Perception and Prediction [74.42961817119283]
  車両間通信(V2V)を用いて、自動運転車の知覚と運動予測性能を向上させる。 複数の車両から受信した情報をインテリジェントに集約することで、異なる視点から同じシーンを観察することができる。
  論文  参考訳（メタデータ） (2020-08-17T17:58:26Z)

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。