論文の概要: Selective Communication for Cooperative Perception in End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2305.17181v1
• Date: Fri, 26 May 2023 18:13:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 21:32:21.213228
• Title: Selective Communication for Cooperative Perception in End-to-End Autonomous Driving
• Title（参考訳）: エンドツーエンド自動運転における協調認識のための選択的コミュニケーション
• Authors: Hsu-kuang Chiu and Stephen F. Smith
• Abstract要約: 協調認識のための新しい選択的コミュニケーションアルゴリズムを提案する。 提案アルゴリズムは, 従来研究されてきた安全クリティカル運転シナリオシミュレーションにおいて, ランダム選択法よりも高い成功率を示す。
• 参考スコア（独自算出の注目度）: 8.680676599607123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The reliability of current autonomous driving systems is often jeopardized in situations when the vehicle's field-of-view is limited by nearby occluding objects. To mitigate this problem, vehicle-to-vehicle communication to share sensor information among multiple autonomous driving vehicles has been proposed. However, to enable timely processing and use of shared sensor data, it is necessary to constrain communication bandwidth, and prior work has done so by restricting the number of other cooperative vehicles and randomly selecting the subset of vehicles to exchange information with from all those that are within communication range. Although simple and cost effective from a communication perspective, this selection approach suffers from its susceptibility to missing those vehicles that possess the perception information most critical to navigation planning. Inspired by recent multi-agent path finding research, we propose a novel selective communication algorithm for cooperative perception to address this shortcoming. Implemented with a lightweight perception network and a previously developed control network, our algorithm is shown to produce higher success rates than a random selection approach on previously studied safety-critical driving scenario simulations, with minimal additional communication overhead.
• Abstract（参考訳）: 現在の自動運転システムの信頼性は、車両の視野が近接する物体によって制限された場合、しばしば危険に晒される。 この問題を軽減するため、複数の自動運転車間でセンサ情報を共有するための車両間通信が提案されている。 しかし,共有センサデータのタイムリーな処理と利用を実現するためには,通信帯域の制限が必要であり,それ以前の作業は,他の協調車両の数を制限し,通信範囲内にある全ての車両と情報交換するための車両のサブセットをランダムに選択することで行われている。 コミュニケーションの観点からはシンプルで費用効果が高いが、この選択アプローチは、ナビゲーション計画にとって最も重要な知覚情報を持っている車両の欠如に苦しむ。 近年のマルチエージェントパス探索研究に着想を得て,協調認識のための新しい選択的コミュニケーションアルゴリズムを提案する。 提案手法は,従来研究されてきた安全クリティカル運転シナリオシミュレーションにおけるランダム選択手法よりも,通信オーバーヘッドを最小限に抑えた,軽量な知覚ネットワークと従来開発された制御ネットワークによって実現されている。

関連論文リスト

• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• Collaborative Perception for Connected and Autonomous Driving: Challenges, Possible Solutions and Opportunities [10.749959052350594]
  コネクテッド・自動運転車(CAV)との協調的な認識は、これらの制限を克服するための有望な解決策である。 本稿では、まず、データ共有の非同期性、データボリューム、エラーの対応など、協調的な知覚の課題を識別する。 本稿では,チャネル認識型協調認識フレームワークである通信効率と遅延問題に対処する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-03T05:33:14Z)
• 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)
• Collaborative Driving: Learning- Aided Joint Topology Formulation and Beamforming [24.54541437306899]
  mmWave/THz帯における運転トポロジと車両ネットワークの定式化を共同で制御する新しいフレームワークである協調自律運転を構想する。 Swarmインテリジェンスシステムとして、コラボレーティブな運転方式は、単一車両インテリジェンスに基づく既存の自律運転パターンを越えている。 我々は、mmWave/THz-based vehicle-to-vehicle (V2V) 通信において、2つの有望なアプローチを示す。
  論文  参考訳（メタデータ） (2022-03-18T12:50:35Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)
• Cooperative Perception with Deep Reinforcement Learning for Connected Vehicles [7.7003495898919265]
  本研究では, 周辺物体の検出精度を高めるために, 深層強化学習を用いた協調認識方式を提案する。 本手法は、車両通信網におけるネットワーク負荷を軽減し、通信信頼性を高める。
  論文  参考訳（メタデータ） (2020-04-23T01:44:12Z)
• Cooperative LIDAR Object Detection via Feature Sharing in Deep Networks [11.737037965090535]
  協調物体検出(FS-COD)のための特徴共有の概念を導入する。 提案手法では, 協調車両間で部分的に処理されたデータを共有することにより, 環境の理解を深める。 提案手法は,従来の単車車物体検出手法よりも性能に優れていた。
  論文  参考訳（メタデータ） (2020-02-19T20:47:09Z)

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。