論文の概要: Enhancement of High-definition Map Update Service Through Coverage-aware
and Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2402.14582v1
- Date: Thu, 8 Feb 2024 13:51:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-25 16:43:03.043122
- Title: Enhancement of High-definition Map Update Service Through Coverage-aware
and Reinforcement Learning
- Title(参考訳): 被覆認識と強化学習による高精細地図更新サービスの強化
- Authors: Jeffrey Redondo, Zhenhui Yuan, Nauman Aslam
- Abstract要約: HD Mapシステムは、自動運転をより高いレベルに進める上で、重要な役割を果たすだろう。
HD Mapを作成するには、大量のオンロードとオフロードのデータが必要です。
動的トポロジのため、車載無線チャネル上で生データを伝送することは困難である。
車両ネットワークのサービス品質とHDマップ更新を最適化するために,Q-learningカバレッジ・タイムアウェアネスアルゴリズムが提案されている。
- 参考スコア(独自算出の注目度): 2.8781600029638876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-definition (HD) Map systems will play a pivotal role in advancing
autonomous driving to a higher level, thanks to the significant improvement
over traditional two-dimensional (2D) maps. Creating an HD Map requires a huge
amount of on-road and off-road data. Typically, these raw datasets are
collected and uploaded to cloud-based HD map service providers through
vehicular networks. Nevertheless, there are challenges in transmitting the raw
data over vehicular wireless channels due to the dynamic topology. As the
number of vehicles increases, there is a detrimental impact on service quality,
which acts as a barrier to a real-time HD Map system for collaborative driving
in Autonomous Vehicles (AV). In this paper, to overcome network congestion, a
Q-learning coverage-time-awareness algorithm is presented to optimize the
quality of service for vehicular networks and HD map updates. The algorithm is
evaluated in an environment that imitates a dynamic scenario where vehicles
enter and leave. Results showed an improvement in latency for HD map data of
$75\%$, $73\%$, and $10\%$ compared with IEEE802.11p without Quality of Service
(QoS), IEEE802.11 with QoS, and IEEE802.11p with new access category (AC) for
HD map, respectively.
- Abstract(参考訳): 高精細(HD)マップシステムは、従来の2次元(2D)マップよりも大幅に改善されているため、自動運転をより高いレベルに進める上で重要な役割を果たす。
HD Mapを作成するには、大量のオンロードとオフロードのデータが必要です。
通常、これらの生データセットは、車両ネットワークを介してクラウドベースのHDマップサービスプロバイダに収集され、アップロードされる。
それでも、動的トポロジのため、車載無線チャネル上で生データを伝送することは困難である。
車両の数が増加するにつれて、サービス品質への有害な影響があり、自動運転車(AV)における協調運転のためのリアルタイムHDマップシステムの障壁となる。
本稿では,ネットワークの混雑を克服するために,車両網のサービス品質とhdマップ更新を最適化するqラーニングカバレッジタイムアウェアネスアルゴリズムを提案する。
このアルゴリズムは、車両が立ち入りする動的なシナリオを模倣した環境で評価される。
その結果、hdマップデータのレイテンシは、qos(quality of service)なしのieee802.11p、qosによるieee802.11、hdマップ用の新しいアクセスカテゴリ(ac)付きieee802.11pと比較して75\%$、73\%$、および10\%$であった。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳(メタデータ) (2024-11-22T06:13:42Z) - DeepAerialMapper: Deep Learning-based Semi-automatic HD Map Creation for Highly Automated Vehicles [0.0]
高解像度空中画像からHDマップを作成するための半自動手法を提案する。
提案手法では, ニューラルネットワークを訓練して, 空中画像をHDマップに関連するクラスに意味的に分割する。
マップをLanelet2フォーマットにエクスポートすることで、さまざまなユースケースを簡単に拡張できる。
論文 参考訳(メタデータ) (2024-10-01T15:05:05Z) - Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。
オンボードセンサーを用いたHDマップのオンライン構築が,有望なソリューションとして浮上している。
本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-09T06:17:46Z) - MapNeXt: Revisiting Training and Scaling Practices for Online Vectorized
HD Map Construction [0.0]
本稿では,次世代のHDマップ学習アーキテクチャであるMapNeXtを提案する。
MapNeXt-Hugeは、挑戦的なnuScenesベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-01-14T16:14:36Z) - Augmenting Lane Perception and Topology Understanding with Standard
Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。
本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。
この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文 参考訳(メタデータ) (2023-11-07T15:42:22Z) - Prior Based Online Lane Graph Extraction from Single Onboard Camera
Image [133.68032636906133]
単眼カメラ画像からレーングラフをオンラインに推定する。
前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。
オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
論文 参考訳(メタデータ) (2023-07-25T08:58:26Z) - THMA: Tencent HD Map AI System for Creating HD Map Annotations [12.554528330142732]
Tencent HD Map AI(THMA)システムは、エンドツーエンドのAIベースのアクティブラーニングHDマップラベリングシステムである。
THMAでは、教師付き、自己教師付き、弱教師付き学習を通じて、巨大なHDマップデータセットから直接AIモデルをトレーニングします。
Tencent MapのHDマップデータの90%以上がTHMAによって自動的にラベル付けされ、従来のHDマップのラベル付けプロセスが10倍以上加速する。
論文 参考訳(メタデータ) (2022-12-14T08:36:31Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳(メタデータ) (2021-06-28T17:59:30Z) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
論文 参考訳(メタデータ) (2021-01-18T00:09:30Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳(メタデータ) (2020-12-22T21:58:57Z)
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。