論文の概要: Construction and application of artificial intelligence crowdsourcing
map based on multi-track GPS data
- arxiv url: http://arxiv.org/abs/2402.15796v1
- Date: Sat, 24 Feb 2024 11:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 16:49:55.366713
- Title: Construction and application of artificial intelligence crowdsourcing
map based on multi-track GPS data
- Title（参考訳）: マルチトラックGPSデータに基づく人工知能クラウドソーシングマップの構築と応用
- Authors: Yong Wang, Yanlin Zhou, Huan Ji, Zheng He, Xinyu Shen
- Abstract要約: 地図データ収集のためのソーシャルカーを多用したクラウドソース更新モデルが誕生した。
この種のアルゴリズムは、データ精度の向上、測定コストの削減、データストレージスペースの削減に重要な意味を持っている。
本稿では,クラウドソーシングマップの実装形態を分析し,実際の状況に応じて高精度マップの各種情報データを改善する。
- 参考スコア（独自算出の注目度）: 6.692283944329885
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the rapid development of high-precision map technology
combined with artificial intelligence has ushered in a new development
opportunity in the field of intelligent vehicles. High-precision map technology
is an important guarantee for intelligent vehicles to achieve autonomous
driving. However, due to the lack of research on high-precision map technology,
it is difficult to rationally use this technology in the field of intelligent
vehicles. Therefore, relevant researchers studied a fast and effective
algorithm to generate high-precision GPS data from a large number of
low-precision GPS trajectory data fusion, and generated several key data points
to simplify the description of GPS trajectory, and realized the "crowdsourced
update" model based on a large number of social vehicles for map data
collection came into being. This kind of algorithm has the important
significance to improve the data accuracy, reduce the measurement cost and
reduce the data storage space. On this basis, this paper analyzes the
implementation form of crowdsourcing map, so as to improve the various
information data in the high-precision map according to the actual situation,
and promote the high-precision map can be reasonably applied to the intelligent
car.
- Abstract（参考訳）: 近年,人工知能と組み合わされた高精度地図技術の急速な発展が,インテリジェントな車両分野における新たな発展の機会を生み出している。
高精度マップ技術は、インテリジェントな車両が自動運転を実現するための重要な保証である。
しかし、高精度地図技術の研究が不足しているため、知的車両の分野でこの技術を合理的に活用することは困難である。
そこで, 関連研究者は, 多数の低精度GPS軌道データ融合から高精度GPSデータを生成するための高速かつ効率的なアルゴリズムを研究し, GPS軌道の記述を簡略化するキーデータポイントを複数生成し, 地図データ収集のための多数のソーシャルカーを基にした"crowdsourced update"モデルを実現した。
この種のアルゴリズムは、データ精度の向上、測定コストの削減、データストレージスペースの削減に重要な意味を持っている。
そこで本研究では,クラウドソーシングマップの実装形態を解析し,実際の状況に応じて高精度マップの各種情報データを改善するとともに,高精度マップの普及を合理的に適用できることを示す。
関連論文リスト
- Clustering Dynamics for Improved Speed Prediction Deriving from
Topographical GPS Registrations [0.0]
スパースGPSデータポイントとそれに関連する地形・道路設計特徴を用いた速度予測手法を提案する。
私たちのゴールは、地形とインフラの類似性を利用して、交通データがない地域での速度を予測する機械学習モデルをトレーニングできるかどうかを調べることです。
論文 参考訳（メタデータ） (2024-02-12T09:28:16Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Vision Paper: Causal Inference for Interpretable and Robust Machine
Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。
ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。
このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文 参考訳（メタデータ） (2022-10-18T17:28:58Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - High-Speed Robot Navigation using Predicted Occupancy Maps [0.0]
ロボットがセンサの地平線を越えて広がる空間を高速で予測できるアルゴリズム手法について検討する。
我々は、人間のアノテートラベルを必要とせず、実世界のデータからトレーニングされた生成ニューラルネットワークを用いてこれを実現する。
既存の制御アルゴリズムを拡張し、予測空間を活用することで、衝突のない計画とナビゲーションを高速で改善します。
論文 参考訳（メタデータ） (2020-12-22T16:25:12Z) - Synthetic Data: Opening the data floodgates to enable faster, more
directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。
多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。
プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文 参考訳（メタデータ） (2020-12-08T17:26:10Z) - Deep Learning Techniques for Geospatial Data Analysis [0.0]
消費者電子デバイスは、地理空間データと呼ばれる大量の位置情報を連続的に生成している。
近年、このような地理空間データを中心に、多くの有用な一般用途が設計され、展開されている。
近年のディープラーニング技術分野の進歩は、ニューラルネットワークに基づく技術が従来の機械学習技術より優れていることを示している。
論文 参考訳（メタデータ） (2020-08-30T11:51:10Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z) - Review of Swarm Intelligence-based Feature Selection Methods [3.8848561367220276]
高次元データセットを持つデータマイニングアプリケーションは、高速かつ精度が要求される。
次元削減手法の1つは、データマイニングタスクの精度を高める機能選択である。
最先端のSwarmインテリジェンスについて検討し、これらのアルゴリズムに基づく最近の特徴選択手法について概説する。
論文 参考訳（メタデータ） (2020-08-07T05:18:58Z) - Inertial Sensing Meets Artificial Intelligence: Opportunity or
Challenge? [12.244109673209769]
本稿では,AI技術を用いて様々な側面からの慣性感覚を高める研究について概説する。
センサーの設計と選択、キャリブレーションとエラーモデリング、ナビゲーションとモーションセンシングアルゴリズム、マルチセンサー情報融合、システム評価、実用的な応用が含まれる。
AIによって強化された慣性センシングの9つの利点と9つの課題をまとめた上で、今後の研究方向性を指摘する。
論文 参考訳（メタデータ） (2020-07-13T22:33:21Z) - 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。