論文の概要: Physics Informed Deep Learning: Applications in Transportation
- arxiv url: http://arxiv.org/abs/2302.12336v1
- Date: Thu, 23 Feb 2023 21:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 15:19:10.830267
- Title: Physics Informed Deep Learning: Applications in Transportation
- Title（参考訳）: 物理学インフォームド深層学習:輸送への応用
- Authors: Archie J. Huang, Shaurya Agarwal
- Abstract要約: 近年の機械学習 - 物理インフォームド・ディープ・ラーニング (PIDL) - は、交通状態推定などの輸送アプリケーションに特有の利点をもたらす。
本稿では,まず,交通流理論の保存則を物理として説明し,PIDLニューラルネットワークのアーキテクチャを示し,未観測領域の交通条件を学習する上での有効性を実証する。
- 参考スコア（独自算出の注目度）: 1.1929584800629671
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A recent development in machine learning - physics-informed deep learning
(PIDL) - presents unique advantages in transportation applications such as
traffic state estimation. Consolidating the benefits of deep learning (DL) and
the governing physical equations, it shows the potential to complement
traditional sensing methods in obtaining traffic states. In this paper, we
first explain the conservation law from the traffic flow theory as ``physics'',
then present the architecture of a PIDL neural network and demonstrate its
effectiveness in learning traffic conditions of unobserved areas. In addition,
we also exhibit the data collection scenario using fog computing
infrastructure. A case study on estimating the vehicle velocity is presented
and the result shows that PIDL surpasses the performance of a regular DL neural
network with the same learning architecture, in terms of convergence time and
reconstruction accuracy. The encouraging results showcase the broad potential
of PIDL for real-time applications in transportation with a low amount of
training data.
- Abstract（参考訳）: 近年の機械学習 - 物理インフォームド・ディープ・ラーニング (PIDL) - は、交通状態推定などの輸送アプリケーションに特有の利点をもたらす。
深層学習(DL)と制御物理方程式の利点を統合し,交通状況の把握において従来のセンシング手法を補完する可能性を示す。
本稿ではまず,交通流理論の保存則を「物理」と説明し,PIDLニューラルネットワークのアーキテクチャを示し,未観測領域の交通条件を学習する上での有効性を実証する。
また,フォグコンピューティング基盤を用いたデータ収集シナリオについても述べる。
車両の速度を推定するケーススタディを行い, PIDLは, 収束時間と復元精度の観点から, 同じ学習構造を持つ通常のDLニューラルネットワークの性能を上回ることを示した。
奨励的な結果は、少量のトレーニングデータによるリアルタイム輸送アプリケーションにおけるpidlの広範な可能性を示している。
関連論文リスト
- Knowledge-data fusion oriented traffic state estimation: A stochastic physics-informed deep learning approach [12.08072226345806]
本研究では,交通状態推定のための物理インフォームドディープラーニング(SPIDL)を提案する。
SPIDLの主な貢献は、ニューラルネットワークトレーニング中の決定論的モデルにおける1対1の速度密度関係に起因する"過度に集中的なガイダンス"に対処することにある。
実世界のデータセットにおける実験から,提案したSPIDLモデルがスパースデータシナリオにおける正確なトラフィック状態推定を実現することが示唆された。
論文 参考訳（メタデータ） (2024-09-01T07:34:40Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - 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) - Improving Generalization of Transfer Learning Across Domains Using
Spatio-Temporal Features in Autonomous Driving [45.655433907239804]
車両シミュレーションは仮想世界で学習するために使用することができ、取得したスキルは現実世界のシナリオを扱うために転送することができる。
これらの視覚的要素は、運転中の人間の意思決定に直感的に重要です。
シーンから車両の動特性を表す時間的特徴を抽出するCNN+LSTM転送学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-15T03:26:06Z) - A Physics-Informed Deep Learning Paradigm for Car-Following Models [3.093890460224435]
物理モデルによるニューラルネットワークに基づくカーフォローモデルの開発を行っています。
2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。
その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
論文 参考訳（メタデータ） (2020-12-24T18:04:08Z) - Federated Learning in Vehicular Networks [41.89469856322786]
フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。
本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。
データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
論文 参考訳（メタデータ） (2020-06-02T06:32:59Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z) - Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。
提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文 参考訳（メタデータ） (2020-01-21T12:52:58Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。