論文の概要: Holistic view of the road transportation system based on real-time data sharing mechanism

• arxiv url: http://arxiv.org/abs/2407.03187v1
• Date: Wed, 3 Jul 2024 15:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 13:46:50.792765
• Title: Holistic view of the road transportation system based on real-time data sharing mechanism
• Title（参考訳）: リアルタイムデータ共有機構に基づく道路交通システムの全体像
• Authors: Li Tao, Dong Xiang, Hao Junfeng, Yin Ping, Xu Xiaoxue, Lai Maokai, Li Yuan, Peng Ting,
• Abstract要約: 本稿では,リアルタイム共有機構に基づく道路交通システムの時空グローバルビューを構築する。 道路利用者と管理者の両方が、近くの車両の運転意図や道路インフラのリアルタイム状態にタイムリーにアクセスできる。
• 参考スコア（独自算出の注目度）: 9.503118311645515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional manual driving and single-vehicle-based intelligent driving have limitations in real-time and accurate acquisition of the current driving status and intentions of surrounding vehicles, leading to vehicles typically maintaining appropriate safe distances from each other. Yet, accidents still frequently occur, especially in merging areas; meanwhile, it is difficult to comprehensively obtain the conditions of road infrastructure. These limitations not only restrict the further improvement of road capacity but also result in irreparable losses of life and property. To overcome this bottleneck, this paper constructs a space-time global view of the road traffic system based on a real-time sharing mechanism, enabling both road users and managers to timely access the driving intentions of nearby vehicles and the real-time status of road infrastructure.
• Abstract（参考訳）: 従来の手動運転と単車駆動のインテリジェント運転は、周囲の車両の現在の運転状況と意図のリアルタイムかつ正確な取得に制限があるため、車両は互いに適切な安全な距離を維持するのが一般的である。 しかし、特に合併地域では事故が頻繁に発生し、一方、道路インフラの状況は包括的に把握することは困難である。 これらの制限は、道路容量のさらなる改善を制限するだけでなく、生活と財産の不可分な損失をもたらす。 このボトルネックを克服するために,道路利用者と管理者の双方が道路インフラのリアルタイムな運転意図や運転状況にタイムリーにアクセスできるように,リアルタイム共有機構に基づく道路交通システムの時空グローバルビューを構築した。

関連論文リスト

• GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles [2.1985100893513834]
  限られた車線幅は、道路の容量を減らし、自動運転車による深刻な事故のリスクを高めることができる。 本研究では,無人航空機と自律走行車の観点から道路幅を区分し,推定するモデルを提案する。 提案するアプローチは、自動運転車に最新かつ正確な洞察を与え、冬の風景における適応性と意思決定能力を高めるために必要である。
  論文  参考訳（メタデータ） (2024-06-18T07:53:37Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Automatic Extraction of Relevant Road Infrastructure using Connected vehicle data and Deep Learning Model [4.235459779667272]
  本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。 道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。 実験の結果,97%のF1スコア,90%のF1スコアに到達した。
  論文  参考訳（メタデータ） (2023-08-10T15:57:47Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Neurocognitive and traffic based handover strategies [0.0]
  目標は、ドライバの状態と静的および動的トラフィック関連データのニューロ認知計測を組み合わせることで、現在の状況の解釈を開発することである。 この状況分析は、最高の乗っ取りポイントを決定するための基礎となるべきである。
  論文  参考訳（メタデータ） (2021-01-22T14:46:21Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)
• Goal-Directed Occupancy Prediction for Lane-Following Actors [5.469556349325342]
  共有道路を走行する車両の将来の行動を予測することは、安全な自動運転にとって重要な課題である。 本稿では,地図化された道路トポロジを利用して,可能な目標を推論し,ダイナミックな道路アクターの空間的占有度を予測する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-06T20:44:59Z)

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。