論文の概要: Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation
- arxiv url: http://arxiv.org/abs/2307.02663v1
- Date: Wed, 5 Jul 2023 21:38:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 15:53:52.961559
- Title: Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation
- Title（参考訳）: 安全・自律走行ナビゲーションのための通信・制御・機械学習の収束
- Authors: Tengchan Zeng, Aidin Ferdowsi, Omid Semiari, Walid Saad, Choong Seon
Hong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 78.60496411542549
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Connected and autonomous vehicles (CAVs) can reduce human errors in traffic
accidents, increase road efficiency, and execute various tasks ranging from
delivery to smart city surveillance. Reaping these benefits requires CAVs to
autonomously navigate to target destinations. To this end, each CAV's
navigation controller must leverage the information collected by sensors and
wireless systems for decision-making on longitudinal and lateral movements.
However, enabling autonomous navigation for CAVs requires a convergent
integration of communication, control, and learning systems. The goal of this
article is to explicitly expose the challenges related to this convergence and
propose solutions to address them in two major use cases: Uncoordinated and
coordinated CAVs. In particular, challenges related to the navigation of
uncoordinated CAVs include stable path tracking, robust control against
cyber-physical attacks, and adaptive navigation controller design. Meanwhile,
when multiple CAVs coordinate their movements during navigation, fundamental
problems such as stable formation, fast collaborative learning, and distributed
intrusion detection are analyzed. For both cases, solutions using the
convergence of communication theory, control theory, and machine learning are
proposed to enable effective and secure CAV navigation. Preliminary simulation
results are provided to show the merits of proposed solutions.
- Abstract（参考訳）: 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、配達からスマートシティ監視まで様々なタスクを実行する。
これらの利点を享受するには、CAVが自動で目的地に向かう必要がある。
この目的のために、各CAVのナビゲーションコントローラは、縦方向と横方向の動作を決定するために、センサーや無線システムによって収集された情報を活用する必要がある。
しかし、CAVのための自律ナビゲーションを可能にするには、コミュニケーション、制御、学習システムの収束した統合が必要である。
本稿の目的は、この収束に関連する課題を明確に明らかにし、それらを2つの主要なユースケースで解決するソリューションを提案することである。
特に、非協調型CAVのナビゲーションに関わる課題は、安定した経路追跡、サイバー物理攻撃に対する堅牢な制御、適応型ナビゲーションコントローラの設計である。
一方、複数のCAVがナビゲーション中の動作を調整する際には、安定した形成、高速協調学習、分散侵入検知などの基本的な問題を分析する。
いずれの場合においても,コミュニケーション理論,制御理論,機械学習の収束を利用したソリューションが提案されている。
提案手法の利点を示すための予備シミュレーション結果を提供する。
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) - Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。
本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。
モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。
私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
論文 参考訳（メタデータ） (2024-05-03T00:29:20Z) - Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement
Learning: A Systematic Review [0.0]
無人航空機(Unmanned Aerial Vehicle, UAV)は、荷物の配達、交通監視、捜索・救助活動、軍事戦闘など、様々な用途で使用されている。
これらのアプリケーションすべてにおいて、UAVは、ヒューマンインタラクションなしで環境を自律的にナビゲートし、特定のタスクを実行し、障害を避けるために使用される。
本研究は、まずUAVナビゲーションタスクを特定し、ナビゲーションフレームワークとシミュレーションソフトウェアについて議論する。
次に、異なるUAVナビゲーション問題における環境、アルゴリズムの特徴、能力、応用に基づいてRLアルゴリズムを分類、議論する。
論文 参考訳（メタデータ） (2022-08-25T20:04:11Z) - Reinforcement Learning for Joint V2I Network Selection and Autonomous
Driving Policies [14.518558523319518]
自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている
道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。
我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
論文 参考訳（メタデータ） (2022-08-03T04:33:02Z) - 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) - Deep Learning Based Intelligent Inter-Vehicle Distance Control for 6G
Enabled Cooperative Autonomous Driving [7.599093591763697]
コネクテッド・自律運転(CAV)は、6Gにとって重要な垂直方向であり、道路の安全性、道路、エネルギー効率を改善する大きな可能性を秘めている。
6g対応cavには,新たなチャネルアクセスアルゴリズムとコネクテッドカーのインテリジェント制御スキームが必要である。
リアルタイム操作における遅延境界の高速計算のために,ディープラーニングニューラルネットワークを開発し,学習する。
論文 参考訳（メタデータ） (2020-12-26T21:38:16Z) - 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) - Leveraging the Capabilities of Connected and Autonomous Vehicles and
Multi-Agent Reinforcement Learning to Mitigate Highway Bottleneck Congestion [2.0010674945048468]
RLをベースとしたマルチエージェントCAV制御モデルを提案する。
その結果、CAVのシェアが10%以下である場合でも、CAVはハイウェイ交通のボトルネックを著しく軽減することができることが示唆された。
論文 参考訳（メタデータ） (2020-10-12T03:52:10Z) - 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。