論文の概要: Cooperative Perception with Learning-Based V2V communications
- arxiv url: http://arxiv.org/abs/2311.10336v1
- Date: Fri, 17 Nov 2023 05:41:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 14:49:49.792883
- Title: Cooperative Perception with Learning-Based V2V communications
- Title(参考訳): 学習型V2V通信による協調認識
- Authors: Chenguang Liu, Yunfei Chen, Jianjun Chen, Ryan Payton, Michael Riley
and Shuang-Hua Yang
- Abstract要約: 本研究は,コミュニケーションチャネル障害に対する協調認識会計の性能を解析する。
中間特性のロバスト性を活用するために, 新たなレイトフュージョン方式を提案する。
協調によって生じるデータサイズを圧縮するために、畳み込みニューラルネットワークベースのオートエンコーダを採用する。
- 参考スコア(独自算出の注目度): 11.772899644895281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cooperative perception has been widely used in autonomous driving to
alleviate the inherent limitation of single automated vehicle perception. To
enable cooperation, vehicle-to-vehicle (V2V) communication plays an
indispensable role. This work analyzes the performance of cooperative
perception accounting for communications channel impairments. Different fusion
methods and channel impairments are evaluated. A new late fusion scheme is
proposed to leverage the robustness of intermediate features. In order to
compress the data size incurred by cooperation, a convolution neural
network-based autoencoder is adopted. Numerical results demonstrate that
intermediate fusion is more robust to channel impairments than early fusion and
late fusion, when the SNR is greater than 0 dB. Also, the proposed fusion
scheme outperforms the conventional late fusion using detection outputs, and
autoencoder provides a good compromise between detection accuracy and bandwidth
usage.
- Abstract(参考訳): 自律運転における協調認識は、単一自動車両知覚の固有の制限を緩和するために広く使われている。
協調を実現するには、車両間通信(V2V)が不可欠である。
本研究は,コミュニケーションチャネル障害に対する協調認識会計の性能を解析する。
異なる核融合法とチャネル障害が評価される。
中間特性のロバスト性を活用するために,新しいレイトフュージョン方式を提案する。
協調によって生じるデータサイズを圧縮するために、畳み込みニューラルネットワークベースのオートエンコーダを採用する。
数値計算の結果,SNRが0dB以上である場合,中間核融合は早期核融合や後期核融合よりもチャネル障害に対して堅牢であることが示された。
また,提案手法は,検出出力を用いた従来のレイトフュージョンよりも優れており,オートエンコーダは検出精度と帯域幅使用率のバランスが良い。
関連論文リスト
- SmartCooper: Vehicular Collaborative Perception with Adaptive Fusion and
Judger Mechanism [23.824400533836535]
通信最適化と判断機構を組み込んだ適応型協調認識フレームワークであるSmartCooperを紹介する。
以上の結果から,非ジュッジャー方式に比べて通信コストが23.10%大幅に削減された。
論文 参考訳(メタデータ) (2024-02-01T04:15:39Z) - Practical Collaborative Perception: A Framework for Asynchronous and
Multi-Agent 3D Object Detection [9.967263440745432]
咬合は、LiDARベースのオブジェクト検出方法において大きな課題である。
最先端のV2X手法は、中間協調手法を用いて性能帯域幅のトレードオフを解消する。
我々は,従来の方法よりも帯域幅と性能のトレードオフを向上する,シンプルで効果的な協調手法を考案した。
論文 参考訳(メタデータ) (2023-07-04T03:49:42Z) - Interruption-Aware Cooperative Perception for V2X Communication-Aided
Autonomous Driving [49.42873226593071]
本稿では,V2X通信支援自律運転のためのV2X通信入出力対応協調知覚(V2X-INCOP)を提案する。
我々は、過去の協力情報を用いて、割り込みによる行方不明情報を復元し、割り込み問題の影響を軽減する。
3つの公的な協調認識データセットの実験から,コミュニケーション中断が協調知覚に与える影響を緩和するために提案手法が有効であることが示された。
論文 参考訳(メタデータ) (2023-04-24T04:59:13Z) - 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) - Online V2X Scheduling for Raw-Level Cooperative Perception [21.099819062731463]
視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。
本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。
本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-02-12T15:16:45Z) - Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。
車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。
その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文 参考訳(メタデータ) (2020-12-07T02:09:15Z) - 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) - A Linearly Convergent Algorithm for Decentralized Optimization: Sending
Less Bits for Free! [72.31332210635524]
分散最適化手法は、中央コーディネータを使わずに、機械学習モデルのデバイス上でのトレーニングを可能にする。
ランダム化圧縮演算子を適用し,通信ボトルネックに対処する新しいランダム化一階法を提案する。
本手法は,ベースラインに比べて通信数の増加を伴わずに問題を解くことができることを示す。
論文 参考訳(メタデータ) (2020-11-03T13:35:53Z) - Bandwidth-Adaptive Feature Sharing for Cooperative LIDAR Object
Detection [2.064612766965483]
コネクテッド・自動運転車(CAV)領域で必要となる状況認識。
協調機構は、高速無線車載ネットワークを利用して状況認識を改善するソリューションを提供する。
本稿では,通信チャネル容量に適応する柔軟性を付加する機構と,新たな分散共有データアライメント手法を提案する。
論文 参考訳(メタデータ) (2020-10-22T00:12:58Z) - 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) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳(メタデータ) (2020-01-22T08:51:05Z)
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。