Fugu-MT 論文翻訳(概要): Trip Planning for Autonomous Vehicles with Wireless Data Transfer Needs Using Reinforcement Learning

論文の概要: Trip Planning for Autonomous Vehicles with Wireless Data Transfer Needs Using Reinforcement Learning

arxiv url: http://arxiv.org/abs/2309.12534v1
Date: Thu, 21 Sep 2023 23:19:16 GMT
ステータス: 処理完了
システム内更新日: 2023-09-25 16:33:41.372478
Title: Trip Planning for Autonomous Vehicles with Wireless Data Transfer Needs Using Reinforcement Learning
Title（参考訳）: 強化学習を用いた無線データ転送ニーズを持つ自動運転車の走行計画
Authors: Yousef AlSaqabi, Bhaskar Krishnamachari
Abstract要約: 車両データ転送要求を満たすために,高帯域道路を優先する新しい強化学習ソリューションを提案する。我々は、この手法をトラフィックを意識しないベースラインや帯域幅を意識しないベースラインと比較し、不均一なトラフィック下での処理性能を示す。
参考スコア（独自算出の注目度）: 7.23389716633927
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With recent advancements in the field of communications and the Internet of Things, vehicles are becoming more aware of their environment and are evolving towards full autonomy. Vehicular communication opens up the possibility for vehicle-to-infrastructure interaction, where vehicles could share information with components such as cameras, traffic lights, and signage that support a countrys road system. As a result, vehicles are becoming more than just a means of transportation; they are collecting, processing, and transmitting massive amounts of data used to make driving safer and more convenient. With 5G cellular networks and beyond, there is going to be more data bandwidth available on our roads, but it may be heterogeneous because of limitations like line of sight, infrastructure, and heterogeneous traffic on the road. This paper addresses the problem of route planning for autonomous vehicles in urban areas accounting for both driving time and data transfer needs. We propose a novel reinforcement learning solution that prioritizes high bandwidth roads to meet a vehicles data transfer requirement, while also minimizing driving time. We compare this approach to traffic-unaware and bandwidth-unaware baselines to show how much better it performs under heterogeneous traffic. This solution could be used as a starting point to understand what good policies look like, which could potentially yield faster, more efficient heuristics in the future.
Abstract（参考訳）: 近年の通信分野とモノのインターネットの進歩により、自動車は環境を意識し、完全な自律性に向かって進化している。車両間通信は、車両がカメラや信号機、国の道路システムをサポートする標識などと情報を共有できる、車とインフラ間の相互作用の可能性を開く。その結果、車両は単なる輸送手段以上のものになりつつあり、運転をより安全で便利にするために使用される大量のデータを収集、処理、送信している。 5Gのセルラーネットワークなどにより、道路上のデータ帯域幅は増えていくが、視線、インフラ、道路上の異種交通などの制限により、不均一になる可能性がある。本稿では,運転時間とデータ転送の両ニーズを考慮した都市部における自動運転車の経路計画の課題に対処する。車両データ転送要求を満たすために高帯域道路を優先し,運転時間を最小限に抑えた新しい強化学習ソリューションを提案する。我々は、この手法をトラフィックを意識しないベースラインや帯域幅を意識しないベースラインと比較し、不均一なトラフィック下での処理性能を示す。このソリューションは、優れたポリシーがどのようなものかを理解するための出発点として使われる可能性があり、将来的にはより速く、より効率的なヒューリスティックをもたらす可能性がある。

関連論文リスト

Tel2Veh: Fusion of Telecom Data and Vehicle Flow to Predict Camera-Free Traffic via a Spatio-Temporal Framework [26.92971702938603]
特徴を抽出し,その特徴をグラフニューラルネットワーク(GNN)ベースの融合と統合し,差分を識別するフレームワークを提案する。この研究は、輸送における通信データの利用を促進し、通信とビジョンベースのデータの融合を開拓し、交通管理のためのソリューションを提供する。
論文参考訳（メタデータ） (2024-03-05T06:37:14Z)
A V2X-based Privacy Preserving Federated Measuring and Learning System [0.0]
本稿では,V2V(Var-to-Vehicle)通信を介して,同志の車両にリアルタイムなデータを提供するフェデレート計測学習システムを提案する。また,交通ネットワークの予測モデルを作成するために,車両ネットワーク(V2N)リンク上で連合学習スキームを運用している。その結果,提案方式では学習性能が向上し,アグリゲータサーバ側での盗聴を防止することができた。
論文参考訳（メタデータ） (2024-01-24T23:11:11Z)
Automatic Extraction of Relevant Road Infrastructure using Connected vehicle data and Deep Learning Model [4.235459779667272]
本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。実験の結果,97%のF1スコア,90%のF1スコアに到達した。
論文参考訳（メタデータ） (2023-08-10T15:57:47Z)
Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文参考訳（メタデータ） (2022-10-31T20:12:17Z)
Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing [0.26249027950824505]
本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
論文参考訳（メタデータ） (2022-06-28T02:46:20Z)
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)
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)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文参考訳（メタデータ） (2021-08-02T08:13:57Z)
Online and Adaptive Parking Availability Mapping: An Uncertainty-Aware Active Sensing Approach for Connected Vehicles [1.7259824817932292]
パーキングアベイラビリティマッピングのためのオンライン・アダプティブ・スキームを提案します。具体的には,入力データを選択するための情報探索型アクティブセンシング手法を採用し,オンボードストレージと処理リソースを保存できる。提案アルゴリズムといくつかのベースラインを比較し, 写像収束速度と適応能力の点で性能が劣ることを示した。
論文参考訳（メタデータ） (2021-05-01T13:35:36Z)
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)

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。