論文の概要: Collaborative Perception for Connected and Autonomous Driving:
Challenges, Possible Solutions and Opportunities
- arxiv url: http://arxiv.org/abs/2401.01544v1
- Date: Wed, 3 Jan 2024 05:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 15:11:20.596478
- Title: Collaborative Perception for Connected and Autonomous Driving:
Challenges, Possible Solutions and Opportunities
- Title（参考訳）: 連結運転と自律運転の協調認知:課題, 解決可能性, 機会
- Authors: Senkang Hu, Zhengru Fang, Yiqin Deng, Xianhao Chen, Yuguang Fang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.749959052350594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving has attracted significant attention from both academia and
industries, which is expected to offer a safer and more efficient driving
system. However, current autonomous driving systems are mostly based on a
single vehicle, which has significant limitations which still poses threats to
driving safety. Collaborative perception with connected and autonomous vehicles
(CAVs) shows a promising solution to overcoming these limitations. In this
article, we first identify the challenges of collaborative perception, such as
data sharing asynchrony, data volume, and pose errors. Then, we discuss the
possible solutions to address these challenges with various technologies, where
the research opportunities are also elaborated. Furthermore, we propose a
scheme to deal with communication efficiency and latency problems, which is a
channel-aware collaborative perception framework to dynamically adjust the
communication graph and minimize latency, thereby improving perception
performance while increasing communication efficiency. Finally, we conduct
experiments to demonstrate the effectiveness of our proposed scheme.
- Abstract（参考訳）: 自動運転は、より安全で効率的な運転システムを提供すると期待されている学界と産業の両方から大きな注目を集めている。
しかし、現在の自律運転システムは、主に1台の車両をベースとしており、運転の安全を脅かす重大な制限がある。
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,データ共有の同期性,データボリューム,ポーズエラーといった協調的知覚の課題を明らかにする。
次に,これらの課題に対処するための解決策について,研究の機会を詳述する様々な技術について論じる。
さらに,通信効率と遅延問題に対処する手法を提案する。通信グラフを動的に調整し,遅延を最小限に抑え,通信効率を高めながら知覚性能を向上させるためのチャネル対応協調認識フレームワークである。
最後に,提案手法の有効性を示す実験を行った。
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) - The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。
今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。
競争は15の最高パフォーマンスのソリューションで頂点に達した。
論文 参考訳（メタデータ） (2024-05-14T17:59:57Z) - Adaptive Communications in Collaborative Perception with Domain Alignment for Autonomous Driving [21.11621380546942]
本稿では,チャネル認識型協調認識フレームワークACC-DAを提案する。
まず,通信グラフを構築可能な伝送遅延最小化法を設計する。
次に、速度歪みトレードオフを動的に調整し、知覚効率を向上させる適応データ再構成機構を提案する。
論文 参考訳（メタデータ） (2023-09-15T03:53:35Z) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
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。
論文 参考訳（メタデータ） (2023-07-05T21:38:36Z) - Selective Communication for Cooperative Perception in End-to-End
Autonomous Driving [8.680676599607123]
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。
論文 参考訳（メタデータ） (2023-05-26T18:13:17Z) - Collaborative Perception for Autonomous Driving: Current Status and
Future Trend [33.6716877086539]
車両が情報を共有することで、視線や視野を超えた環境を知覚できるコラボレーティブな認識が提案されている。
本稿では,コラボレーティブモードを一般化し,コラボレーティブ認知の重要な要素と応用を要約する,基本的な概念を紹介する。
論文 参考訳（メタデータ） (2022-08-22T14:51:29Z) - Vehicle-road Cooperative Simulation and 3D Visualization System [0.0]
自動車と道路のコラボレーション技術は、その限界を克服し、交通の安全と効率を改善することができる。
信頼性と信頼性を確保するためには厳格なテストと検証方法が必要である。
論文 参考訳（メタデータ） (2022-07-14T04:53:54Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - 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) - 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)
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。