論文の概要: A Survey of Federated Learning for Connected and Automated Vehicles
- arxiv url: http://arxiv.org/abs/2303.10677v1
- Date: Sun, 19 Mar 2023 14:44:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 17:54:44.751518
- Title: A Survey of Federated Learning for Connected and Automated Vehicles
- Title（参考訳）: 連系・自動車両のフェデレーション学習に関する調査
- Authors: Vishnu Pandi Chellapandi, Liangqi Yuan, Stanislaw H /.Zak and Ziran
Wang
- Abstract要約: コネクテッド・アンド・オートマチック・ビークルズ(CAV)は、自動車分野における新興技術の1つである。
フェデレートラーニング(FL)は、複数の車両との協調モデル開発を可能にするCAVの効果的なソリューションである。
- 参考スコア（独自算出の注目度）: 2.348805691644086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Connected and Automated Vehicles (CAVs) are one of the emerging technologies
in the automotive domain that has the potential to alleviate the issues of
accidents, traffic congestion, and pollutant emissions, leading to a safe,
efficient, and sustainable transportation system. Machine learning-based
methods are widely used in CAVs for crucial tasks like perception, motion
planning, and motion control, where machine learning models in CAVs are solely
trained using the local vehicle data, and the performance is not certain when
exposed to new environments or unseen conditions. Federated learning (FL) is an
effective solution for CAVs that enables a collaborative model development with
multiple vehicles in a distributed learning framework. FL enables CAVs to learn
from a wide range of driving environments and improve their overall performance
while ensuring the privacy and security of local vehicle data. In this paper,
we review the progress accomplished by researchers in applying FL to CAVs. A
broader view of the various data modalities and algorithms that have been
implemented on CAVs is provided. Specific applications of FL are reviewed in
detail, and an analysis of the challenges and future scope of research are
presented.
- Abstract（参考訳）: コネクテッド・アンド・オートマチック・ビークルズ (CAV) は、事故や交通渋滞、汚染物質排出の問題を緩和し、安全で効率的で持続可能な輸送システムを実現する可能性を持つ、自動車分野における新興技術の1つである。
機械学習ベースの手法は、認識、モーションプランニング、モーションコントロールといった重要なタスクにおいて、CAVにおいて機械学習モデルがローカルな車両データのみを使用してトレーニングされており、新しい環境や目に見えない状況に晒された場合のパフォーマンスは不明確である。
フェデレートラーニング(FL)は、分散ラーニングフレームワークにおける複数の車両との協調モデル開発を可能にする、CAVの効果的なソリューションである。
FLは、CAVが幅広い運転環境から学び、ローカルな車両データのプライバシーとセキュリティを確保しながら、全体的なパフォーマンスを改善することを可能にする。
本稿では,FLをCAVに適用する研究者の進歩を概観する。
CAVに実装された様々なデータモダリティとアルゴリズムのより広範なビューを提供する。
flの具体的応用を詳細に検討し,研究の課題と今後の展望について考察する。
関連論文リスト
- Learning Driver Models for Automated Vehicles via Knowledge Sharing and
Personalization [2.07180164747172]
本稿では,自動車間の知識共有とパーソナライゼーションを通じて,自動走行車(AV)ドライバモデルを学習するためのフレームワークについて述べる。
インテリジェントな輸送システム、交通管理、車両間通信など、輸送工学にまたがるいくつかの応用を見出している。
論文 参考訳（メタデータ） (2023-08-31T17:18:15Z) - Federated Learning for Connected and Automated Vehicles: A Survey of
Existing Approaches and Challenges [8.20034065712914]
機械学習(ML)は、コネクテッド・アンド・オートマチック・ビークル(CAV)の主要なタスクに広く使われている
フェデレートラーニング(FL)は、複数の車両が協調してモデルを開発することを可能にする、分散MLアプローチである。
本稿では, FL の CAV (FL4CAV) への適用における進歩を概観する。
論文 参考訳（メタデータ） (2023-08-21T01:21:21Z) - 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) - Shared Information-Based Safe And Efficient Behavior Planning For
Connected Autonomous Vehicles [6.896682830421197]
我々は、連結自動運転車のための統合情報共有と安全なマルチエージェント強化学習フレームワークを設計する。
まず、重畳畳み込み畳み込みニューラルネットワーク(CNN)を用いて、生画像とポイントクラウドのLIDARデータを各自動運転車でローカルに処理する。
次に、車両の局部観測とV2V通信を介して受信した情報の両方を利用する安全なアクター批判アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-02-08T20:31:41Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - 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) - Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。
小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。
本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T20:14:02Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳（メタデータ） (2021-05-28T08:45:37Z) - Facilitating Connected Autonomous Vehicle Operations Using
Space-weighted Information Fusion and Deep Reinforcement Learning Based
Control [6.463332275753283]
本稿では、他の車両からのセンシングと接続機能を通じて収集されたデータを統合するディープ強化学習に基づくアプローチについて述べる。
CAVにおけるアルゴリズムの実装は、CAV運転操作に関連する安全性とモビリティを高めることが期待されている。
論文 参考訳（メタデータ） (2020-09-30T13:38:32Z) - 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。