論文の概要: Edge Computing-Enabled Road Condition Monitoring: System Development and
Evaluation
- arxiv url: http://arxiv.org/abs/2310.05321v1
- Date: Mon, 9 Oct 2023 00:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 08:30:13.876309
- Title: Edge Computing-Enabled Road Condition Monitoring: System Development and
Evaluation
- Title(参考訳): エッジコンピューティングによる道路環境モニタリング:システムの開発と評価
- Authors: Abdulateef Daud, Mark Amo-Boateng, Neema Jakisa Owor, Armstrong Aboah,
Yaw Adu-Gyamfi
- Abstract要約: リアルタイム舗装状態監視は、高速道路の機関にタイムリーかつ正確な情報を提供する。
既存の技術は手動のデータ処理に大きく依存しており、高価であるため、頻繁なネットワークレベルの舗装状態監視のためにスケールするのが困難である。
本研究では,安価なマイクロエレクトロメカニカルシステム(MEMS)センサ,エッジコンピューティング,マイクロコントローラのインターネット接続機能を活用したソリューションを提案する。
- 参考スコア(独自算出の注目度): 5.296678854362804
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Real-time pavement condition monitoring provides highway agencies with timely
and accurate information that could form the basis of pavement maintenance and
rehabilitation policies. Existing technologies rely heavily on manual data
processing, are expensive and therefore, difficult to scale for frequent,
networklevel pavement condition monitoring. Additionally, these systems require
sending large packets of data to the cloud which requires large storage space,
are computationally expensive to process, and results in high latency. The
current study proposes a solution that capitalizes on the widespread
availability of affordable Micro Electro-Mechanical System (MEMS) sensors, edge
computing and internet connection capabilities of microcontrollers, and
deployable machine learning (ML) models to (a) design an Internet of Things
(IoT)-enabled device that can be mounted on axles of vehicles to stream live
pavement condition data (b) reduce latency through on-device processing and
analytics of pavement condition sensor data before sending to the cloud
servers. In this study, three ML models including Random Forest, LightGBM and
XGBoost were trained to predict International Roughness Index (IRI) at every
0.1-mile segment. XGBoost had the highest accuracy with an RMSE and MAPE of
16.89in/mi and 20.3%, respectively. In terms of the ability to classify the IRI
of pavement segments based on ride quality according to MAP-21 criteria, our
proposed device achieved an average accuracy of 96.76% on I-70EB and 63.15% on
South Providence. Overall, our proposed device demonstrates significant
potential in providing real-time pavement condition data to State Highway
Agencies (SHA) and Department of Transportation (DOTs) with a satisfactory
level of accuracy.
- Abstract(参考訳): リアルタイム舗装状況モニタリングは、道路の整備とリハビリテーションの方針の基礎となるタイムリーで正確な情報を提供する。
既存の技術は手動のデータ処理に重きを置き、コストがかかり、頻繁にネットワークレベルでの舗装状況監視のためにスケールしにくい。
さらに、これらのシステムは大量のデータをクラウドに送信し、大きなストレージスペースを必要とし、処理に計算コストがかかり、結果としてレイテンシが高くなる。
本研究では、安価なマイクロ電気機械システム(mems)センサ、エッジコンピューティング、マイクロコントローラのインターネット接続能力、デプロイ可能な機械学習(ml)モデルの普及を活かしたソリューションを提案する。
a)モノのインターネット(IoT)対応デバイスの設計 : 車両の軸に装着してライブ舗装条件データをストリーミングする
(b)クラウドサーバに送信する前に、オンデバイス処理と舗装状態センサデータの分析を通じてレイテンシを削減する。
本研究では,Random Forest,LightGBM,XGBoostの3つのMLモデルをトレーニングし,国際ラフネス指数(IRI)を0.1マイル毎に予測した。
XGBoostはRMSEとMAPEでそれぞれ16.89in/miと20.3%の精度であった。
map-21の基準に基づいて舗装セグメントのiriを分類する能力について,提案手法はi-70ebで96.76%,南プロビデンスで63.15%の精度を達成した。
提案装置は,道路交通省(SHA)と運輸省(DOT)に対して,良好な精度でリアルタイム舗装条件データを提供する上で,大きな可能性を示す。
関連論文リスト
- Reroute Prediction Service [0.4999814847776097]
遅延のコストは、2019年に米国国立航空宇宙システム(NAS)に限って33億ドルと見積もられた。
我々は,リルート決定を積極的に支援することによる遅延低減を目的とした,新しいデータ分析と機械学習システムの設計と開発を行った。
このシステムは、ある航空路交通管理センターのルート変更勧告や、ある航空路交通管理センターのルート変更勧告が発行されるかどうかを予測し、関連するルートに影響を与える可能性がある。
論文 参考訳(メタデータ) (2023-10-13T10:09:12Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳(メタデータ) (2023-06-23T07:01:10Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳(メタデータ) (2022-04-07T08:53:18Z) - Exploring Scalable, Distributed Real-Time Anomaly Detection for Bridge
Health Monitoring [15.920402427606959]
現代のリアルタイム構造健康モニタリングシステムは、かなりの量の情報を生成することができる。
現在のクラウドベースのソリューションは、数千の建物から生データを収集する必要がある場合、スケールできない。
本稿では、SHMシステムのための効率よくスケーラブルな異常検出パイプラインのフルスタック展開について述べる。
論文 参考訳(メタデータ) (2022-03-04T15:37:20Z) - A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State
Estimation [20.716261308570555]
本稿では,革新的なトラフィック状態推定フレームワークを提案する。
入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。
実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
論文 参考訳(メタデータ) (2022-02-01T06:04:18Z) - Rapid Assessments of Light-Duty Gasoline Vehicle Emissions Using On-Road
Remote Sensing and Machine Learning [18.334974501482275]
道路上での自動車排ガスのリアルタイムかつ正確な評価は、都市大気の質と健康政策において中心的な役割を果たす。
ここでは、オンロードリモートセンシング(ORRS)測定をI/Mレコードに関連付ける103831光デューティガソリン車を含む、ユニークなデータセットを構築します。
ニューラルネットワーク(NN)、極勾配強化(XGBoost)、ランダムフォレスト(ランダムフォレスト)を含む3つの機械学習アルゴリズムを統合するアンサンブルモデルフレームワークを開発した。
論文 参考訳(メタデータ) (2021-10-01T08:37:06Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Deep Learning Framework for Detecting Ground Deformation in the Built
Environment using Satellite InSAR data [7.503635457124339]
我々は、全国規模の速度場における変形を検出するために、事前訓練された畳み込みニューラルネットワーク(CNN)を適用した。
我々は、以前特定された変形が石炭採掘、地下水流出、地すべり、トンネル掘削と関係している英国に焦点を当てる。
本研究は, 自動地動解析システムの開発に提案手法が適用可能であることを示すものである。
論文 参考訳(メタデータ) (2020-05-07T03:14:00Z) - Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。
Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
論文 参考訳(メタデータ) (2020-02-12T09:18:36Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z)
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。