論文の概要: CV2X-LOCA: Roadside Unit-Enabled Cooperative Localization Framework for Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2304.00676v1
• Date: Mon, 3 Apr 2023 01:35:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 16:54:19.253949
• Title: CV2X-LOCA: Roadside Unit-Enabled Cooperative Localization Framework for Autonomous Vehicles
• Title（参考訳）: cv2x-loca:自律走行車のための路側ユニット対応協調ローカライズフレームワーク
• Authors: Zilin Huang, Sikai Chen, Yuzhuang Pian, Zihao Sheng, Soyoung Ahn, and David A. Noyce
• Abstract要約: 都市部での安全な運転を可能にするために、正確なロバストなローカライゼーションシステムは、自動運転車(AV)にとって不可欠である。 セルラーV2X(C-V2X)無線通信の可能性を検討した。 我々は,C-V2Xチャネル状態情報のみを用いてレーンレベルの位置決め精度を実現する,第1の道路側ユニット(RSU)対応協調位置決めフレームワーク,CV2X-LOCAを提案する。
• 参考スコア（独自算出の注目度）: 1.6624933615451842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An accurate and robust localization system is crucial for autonomous vehicles (AVs) to enable safe driving in urban scenes. While existing global navigation satellite system (GNSS)-based methods are effective at locating vehicles in open-sky regions, achieving high-accuracy positioning in urban canyons such as lower layers of multi-layer bridges, streets beside tall buildings, tunnels, etc., remains a challenge. In this paper, we investigate the potential of cellular-vehicle-to-everything (C-V2X) wireless communications in improving the localization performance of AVs under GNSS-denied environments. Specifically, we propose the first roadside unit (RSU)-enabled cooperative localization framework, namely CV2X-LOCA, that only uses C-V2X channel state information to achieve lane-level positioning accuracy. CV2X-LOCA consists of four key parts: data processing module, coarse positioning module, environment parameter correcting module, and vehicle trajectory filtering module. These modules jointly handle challenges present in dynamic C-V2X networks. Extensive simulation and field experiments show that CV2X-LOCA achieves state-of-the-art performance for vehicle localization even under noisy conditions with high-speed movement and sparse RSUs coverage environments. The study results also provide insights into future investment decisions for transportation agencies regarding deploying RSUs cost-effectively.
• Abstract（参考訳）: 都市部での安全な運転を可能にするために、正確なロバストな位置決めシステムは自動運転車(AV)にとって不可欠である。 既存のグローバルナビゲーション衛星システム(GNSS)ベースの手法はオープンスキー地域での車両の配置に有効であるが、多層橋の下層や高層道路、トンネルなどの都市キャニオンでの高精度の位置決めは依然として課題である。 本稿では,セルラーV2X(C-V2X)無線通信がGNSS環境下でのAVのローカライズ性能を向上させる可能性について検討する。 具体的には,C-V2Xチャネル状態情報のみを用いてレーンレベルの位置決め精度を実現する,第1の道路側ユニット(RSU)対応協調ローカライゼーションフレームワーク,CV2X-LOCAを提案する。 CV2X-LOCAは、データ処理モジュール、粗い位置決めモジュール、環境パラメータ修正モジュール、車両軌道フィルタリングモジュールの4つの重要な部分から構成されている。 これらのモジュールは、動的C-V2Xネットワークに存在する課題を共同で処理する。 CV2X-LOCAは, 高速走行, スパースRSUのカバー環境において, 騒音条件下であっても, 車両位置決めの最先端性能を実現する。 この研究結果は、rsusの費用対効果に関する運輸機関の今後の投資決定に関する洞察も提供する。

関連論文リスト

• Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
  本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。 我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。 FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
  論文  参考訳（メタデータ） (2024-11-06T16:18:33Z)
• CVVLSNet: Vehicle Location and Speed Estimation Using Partial Connected Vehicle Trajectory Data [6.928899738499268]
  車両の位置と速度のリアルタイム推定は、有用な輸送アプリケーションを開発する上で不可欠である。 通信技術の最近の進歩はコネクテッドカー(CV)の出現を促進する 本稿では,CVVLSNet を用いた新しい車両位置・速度推定ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:13:26Z)
• V2X-VLM: End-to-End V2X Cooperative Autonomous Driving Through Large Vision-Language Models [13.716889927164383]
  本稿では、V2Xシステムと大型ビジョン言語モデル(VLM)を備えた、革新的なE2E車両・インフラ協調自動運転(VICAD)フレームワークであるV2X-VLMを紹介する。 V2X-VLMは、車両に搭載されたカメラ、インフラセンサー、およびテキスト情報からの多モデルデータを統合することで、状況認識、意思決定、究極の軌道計画を強化するように設計されている。 DAIR-V2Xデータセットの評価は、V2X-VLMが最先端の協調運転法より優れていることを示している。
  論文  参考訳（メタデータ） (2024-08-17T16:42:13Z)
• Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV Networks [43.443526528832145]
  車両間通信(V2X)方式を考慮したRIS支援車両インターネット(IoV)を提案する。 車両間リンク(V2I)のタイムラインと車両間リンク(V2V)の安定性を改善するため,情報量(AoI)モデルとペイロード伝達確率モデルを導入する。
  論文  参考訳（メタデータ） (2024-06-17T06:16:07Z)
• Vanishing-Point-Guided Video Semantic Segmentation of Driving Scenes [70.08318779492944]
  私たちは、より効果的なセグメンテーションのために消滅点(VP)を最初に利用しました。 当社の新しいVSS用ネットワークであるVPSegには,この静的および動的VPプリエントを正確に利用する2つのモジュールが組み込まれています。
  論文  参考訳（メタデータ） (2024-01-27T01:01:58Z)
• V2X-Lead: LiDAR-based End-to-End Autonomous Driving with Vehicle-to-Everything Communication Integration [4.166623313248682]
  本稿では,V2X(Vine-to-Everything)通信を統合したLiDARを用いたエンドツーエンド自動運転手法を提案する。 提案手法は,搭載したLiDARセンサとV2X通信データを融合させることにより,不完全な部分的観測を処理することを目的としている。
  論文  参考訳（メタデータ） (2023-09-26T20:26:03Z)
• 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)
• Scheduling Out-of-Coverage Vehicular Communications Using Reinforcement Learning [3.058685580689605]
  本稿では,VRLS(Vehicular Reinforcement Learning Scheduler)を提案する。 移動性,ネットワーク負荷,無線チャネル,資源構成の異なるVRLSの性能を評価する。
  論文  参考訳（メタデータ） (2022-07-13T22:47:48Z)
• V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision Transformer [58.71845618090022]
  我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。 V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。 我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
  論文  参考訳（メタデータ） (2022-03-20T20:18:25Z)
• 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)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)

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。