論文の概要: Learning to cooperatively estimate road surface friction
- arxiv url: http://arxiv.org/abs/2302.03560v1
- Date: Tue, 7 Feb 2023 16:14:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 15:47:05.953791
- Title: Learning to cooperatively estimate road surface friction
- Title（参考訳）: 路面摩擦を協調的に推定する学習
- Authors: Jens-Patrick Langstand, Maben Rabi
- Abstract要約: 道路断面の舗装面の摩擦を推定するシステムを提案する。
我々は、最近この区間を通過した車両のデータに基づいて、コンセンサス(コンセンサス)の見積もりに到達した。
コストを抑えるために、私たちは標準の自動車センサーにのみ依存しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We present a system for estimating the friction of the pavement surface at
any curved road section, by arriving at a consensus estimate, based on data
from vehicles that have recently passed through that section. This estimate can
help following vehicles. To keep costs down, we depend only on standard
automotive sensors, such as the IMU, and sensors for the steering angle and
wheel speeds. Our system's workflow consists of: (i) processing of measurements
from existing vehicular sensors, to implement a virtual sensor that captures
the effect of low friction on the vehicle, (ii) transmitting short kinematic
summaries from vehicles to a road side unit (RSU), using V2X communication, and
(iii) estimating the friction coefficients, by running a machine learning
regressor at the RSU, on summaries from individual vehicles, and then combining
several such estimates.
In designing and implementing our system over a road network, we face two key
questions: (i) should each individual road section have a local friction
coefficient regressor, or can we use a global regressor that covers all the
possible road sections? and (ii) how accurate are the resulting regressor
estimates? We test the performance of design variations of our solution, using
simulations on the commercial package Dyna4. We consider a single vehicle type
with varying levels of tyre wear, and a range of road friction coefficients. We
find that: (a) only a marginal loss of accuracy is incurred in using a global
regressor as compared to local regressors, (b) the consensus estimate at the
RSU has a worst case error of about ten percent, if the combination is based on
at least fifty recently passed vehicles, and (c) our regressors have root mean
square (RMS) errors that are less than five percent. The RMS error rate of our
system is half as that of a commercial friction estimation service.
- Abstract（参考訳）: 本稿では、最近この区間を通過した車両のデータに基づいて、コンセンサス推定に到達して、カーブした道路区間における舗装面の摩擦を推定するシステムを提案する。
この推定は車両の追従に役立つ。
コストを下げるためには、IMUのような標準の自動車用センサーとステアリング角度とホイール速度のセンサーにのみ依存しています。
我々のシステムのワークフローは
(i)既存の車両センサからの計測の処理、及び車両に対する低摩擦の影響を捉えた仮想センサを実装すること。
(ii)v2x通信を用いて車両から路側ユニット(rsu)へ短いキネマティックサマリーを送信すること。
(iii)rsuで機械学習レグレッシャを実行し,各車両の要約に基づいて摩擦係数を推定し,その推定値をいくつか組み合わせた。
道路ネットワーク上でのシステムの設計と実装において、私たちは2つの重要な疑問に直面します。
(i)各道路区間は局所的な摩擦係数レグレッシャを持つべきか、あるいは可能な全ての道路区間をカバーするグローバルレグレッシャを使用するべきか。
そして
(ii)結果の回帰指標はどの程度正確か。
商用パッケージDyna4のシミュレーションを用いて,本ソリューションの設計バリエーションの性能を検証した。
タイヤの摩耗レベルや路面摩擦係数の異なる1車種について考察した。
私たちはそれを見つけました
(a)局所回帰器と比較して、グローバル回帰器を使用する場合にのみ精度の限界損失が発生する。
(b)rsuのコンセンサス見積もりは、この組み合わせが少なくとも50台が最近通過した車両に基づいている場合、約10%の最悪のケースエラーである。
(c) 回帰器の根平均正方形(RMS)誤差は5%未満です。
本システムのrms誤差率は商用摩擦推定サービスの誤差の半分である。
関連論文リスト
- 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) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Inverting the Fundamental Diagram and Forecasting Boundary Conditions:
How Machine Learning Can Improve Macroscopic Models for Traffic Flow [0.0]
高速道路を走行する車両のフラックスと速度のデータを,固定センサで収集し,車線および車種別に分類したデータセットについて検討する。
1) 渋滞がセンサの下に現れる場合, 2) 今後センサの下に通過する車両の総量を推定する。
これらの情報片は、センサ間のトラフィックフローのダイナミクスを記述したLWRベースの1次1次マルチクラスモデルの精度を向上させるために使用される。
論文 参考訳（メタデータ） (2023-03-21T11:07:19Z) - Learning Position From Vehicle Vibration Using an Inertial Measurement Unit [2.1213500139850012]
本稿では,グローバルナビゲーション衛星システム(GNSS)に依存しない車両位置決め手法を提案する。
従来のアプローチは特定の環境での干渉に弱いため、都市キャニオンやフライオーバーや低受信エリアなどの状況では信頼性が低い。
本研究では,慣性計測ユニット(IMU)センサで得られた加速度計およびジャイロスコープ測定から道路信号の学習に基づく車両位置決め手法を提案する。
論文 参考訳（メタデータ） (2023-03-06T18:55:00Z) - Edge-Aided Sensor Data Sharing in Vehicular Communication Networks [8.67588704947974]
車両・車間通信と車両・車間通信を併用した車両ネットワークにおけるセンサデータ共有と融合を考察する。
本稿では、エッジサーバが車両からセンサ計測データを収集・キャッシュするBidirectional Feedback Noise Estimation (BiFNoE) 手法を提案する。
認識精度は平均80%向上し, アップリンクは12kbps, ダウンリンク帯域は28kbpsであった。
論文 参考訳（メタデータ） (2022-06-17T16:30:56Z) - An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
本稿では,インテリジェントな自動運転トラックシステムについて紹介する。
提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。
また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
論文 参考訳（メタデータ） (2021-12-31T04:54:13Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Data-Driven Intersection Management Solutions for Mixed Traffic of
Human-Driven and Connected and Automated Vehicles [0.0]
この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。
まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。
第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2020-12-10T01:44:45Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。