論文の概要: Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning
- arxiv url: http://arxiv.org/abs/2408.02208v1
- Date: Mon, 5 Aug 2024 03:17:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 14:45:49.786314
- Title: Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning
- Title（参考訳）: 予測関連オンライン学習によるマルチレベル交通応答型ティルトカメラサーベイランス
- Authors: Tao Li, Zilin Bian, Haozhe Lei, Fan Zuo, Ya-Ting Yang, Quanyan Zhu, Zhenning Li, Kaan Ozbay,
- Abstract要約: 本稿では,TTC-Xのマルチレベル交通タイミングカメラ監視システムについて紹介する。
TTC-Xは、従来の監視システムにおける固定視野の限界を克服し、動員および360度のカバレッジを提供する。
ニューヨーク州ブルックリンの現実世界の交通データを用いて,3つの実験シナリオで検証および評価を行った。
- 参考スコア（独自算出の注目度）: 16.25152138605216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In urban traffic management, the primary challenge of dynamically and efficiently monitoring traffic conditions is compounded by the insufficient utilization of thousands of surveillance cameras along the intelligent transportation system. This paper introduces the multi-level Traffic-responsive Tilt Camera surveillance system (TTC-X), a novel framework designed for dynamic and efficient monitoring and management of traffic in urban networks. By leveraging widely deployed pan-tilt-cameras (PTCs), TTC-X overcomes the limitations of a fixed field of view in traditional surveillance systems by providing mobilized and 360-degree coverage. The innovation of TTC-X lies in the integration of advanced machine learning modules, including a detector-predictor-controller structure, with a novel Predictive Correlated Online Learning (PiCOL) methodology and the Spatial-Temporal Graph Predictor (STGP) for real-time traffic estimation and PTC control. The TTC-X is tested and evaluated under three experimental scenarios (e.g., maximum traffic flow capture, dynamic route planning, traffic state estimation) based on a simulation environment calibrated using real-world traffic data in Brooklyn, New York. The experimental results showed that TTC-X captured over 60\% total number of vehicles at the network level, dynamically adjusted its route recommendation in reaction to unexpected full-lane closure events, and reconstructed link-level traffic states with best MAE less than 1.25 vehicle/hour. Demonstrating scalability, cost-efficiency, and adaptability, TTC-X emerges as a powerful solution for urban traffic management in both cyber-physical and real-world environments.
- Abstract（参考訳）: 都市交通管理において、交通状況を動的かつ効率的に監視する主な課題は、インテリジェント交通システムに沿った数千台の監視カメラの不十分な利用によって複雑化されている。
本稿では,都市ネットワークにおける交通の動的かつ効率的な監視・管理を目的とした,マルチレベル交通応答型Tilt Camera監視システム(TTC-X)について紹介する。
広く配備されているパンチルトカメラ(PTC)を活用することで、TTC-Xは従来の監視システムにおける固定視野の限界を克服する。
TTC-Xのイノベーションは、検出器・予測器・コントローラ構造を含む高度な機械学習モジュールと、新しい予測関連オンライン学習(PiCOL)方法論、リアルタイムトラフィック推定とPTC制御のための空間時間グラフ予測器(STGP)との統合にある。
TTC-Xは、ブルックリンの現実の交通データを用いて調整されたシミュレーション環境に基づいて、3つの実験シナリオ(例えば、最大トラフィックフローキャプチャー、動的経路計画、交通状態推定)でテストされ、評価される。
実験の結果,TTC-Xはネットワークレベルでの総車両数60\%以上を捕捉し,予期せぬ全車線閉鎖イベントに対する経路勧告を動的に調整し,リンクレベル交通状態を1.25時間以下で再構築した。
スケーラビリティ、コスト効率、適応性を示すTTC-Xは、サイバー物理環境と現実世界環境の両方において、都市交通管理のための強力なソリューションとして現れます。
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) - Digital Twin-based Driver Risk-Aware Intelligent Mobility Analytics for Urban Transportation Management [18.015270631863665]
本稿では,デジタルツインをベースとしたドライバリスク認識知能モビリティ分析システムを提案する。
DT-DIMAシステムはパンティルトカメラからのリアルタイムトラフィック情報を統合する。
このシステムは、ネットワーク全体のモビリティと安全性のリスクをリアルタイムで予測する。
論文 参考訳（メタデータ） (2024-07-03T01:44:22Z) - Towards Multi-agent Reinforcement Learning based Traffic Signal Control through Spatio-temporal Hypergraphs [19.107744041461316]
交通信号制御システム(TSCS)は、インテリジェントな交通管理に不可欠なものであり、効率的な車両の流れを育んでいる。
従来のアプローチでは、道路網を標準的なグラフに単純化することが多い。
本稿では,インテリジェントトラフィック制御を実現するための新しいTSCSフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-17T02:46:18Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - 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) - Deep Reinforcement Q-Learning for Intelligent Traffic Signal Control
with Partial Detection [0.0]
インテリジェントな信号制御装置は、DQNアルゴリズムをトラフィック光ポリシー最適化に適用し、リアルタイムトラフィックに信号を調整することで、トラフィックの混雑を効率的に軽減する。
しかしながら、文献のほとんどの命題は、交差点の全ての車両が検出される、非現実的なシナリオであると考えている。
本研究では,連結車両を用いた部分的に観測可能な環境下で,信号制御を最適化する深層強化Q-ラーニングモデルを提案する。
論文 参考訳（メタデータ） (2021-09-29T10:42:33Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Traffic-Net: 3D Traffic Monitoring Using a Single Camera [1.1602089225841632]
我々は,1台のCCTVトラヒックカメラを用いたリアルタイムトラヒック監視のための実用的なプラットフォームを提供する。
車両・歩行者検出のためのカスタムYOLOv5ディープニューラルネットワークモデルとSORT追跡アルゴリズムの改良を行った。
また、短時間・長期の時間的ビデオデータストリームに基づく階層的なトラフィックモデリングソリューションも開発している。
論文 参考訳（メタデータ） (2021-09-19T16:59:01Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z)
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。