Fugu-MT 論文翻訳(概要): CVVLSNet: Vehicle Location and Speed Estimation Using Partial Connected Vehicle Trajectory Data

論文の概要: CVVLSNet: Vehicle Location and Speed Estimation Using Partial Connected Vehicle Trajectory Data

arxiv url: http://arxiv.org/abs/2410.00132v1
Date: Mon, 30 Sep 2024 18:13:26 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 14:40:28.526016
Title: CVVLSNet: Vehicle Location and Speed Estimation Using Partial Connected Vehicle Trajectory Data
Title（参考訳）: CVVLSNet:部分連結車両軌道データを用いた車両位置と速度推定
Authors: Jiachen Ye, Dingyu Wang, Shaocheng Jia, Xin Pei, Zi Yang, Yi Zhang, S. C. Wong,
Abstract要約: 車両の位置と速度のリアルタイム推定は、有用な輸送アプリケーションを開発する上で不可欠である。通信技術の最近の進歩はコネクテッドカー(CV)の出現を促進する本稿では,CVVLSNet を用いた新しい車両位置・速度推定ネットワークを提案する。
参考スコア（独自算出の注目度）: 6.928899738499268
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Real-time estimation of vehicle locations and speeds is crucial for developing many beneficial transportation applications in traffic management and control, e.g., adaptive signal control. Recent advances in communication technologies facilitate the emergence of connected vehicles (CVs), which can share traffic information with nearby CVs or infrastructures. At the early stage of connectivity, only a portion of vehicles are CVs. The locations and speeds for those non-CVs (NCs) are not accessible and must be estimated to obtain the full traffic information. To address the above problem, this paper proposes a novel CV-based Vehicle Location and Speed estimation network, CVVLSNet, to simultaneously estimate the vehicle locations and speeds exclusively using partial CV trajectory data. A road cell occupancy (RCO) method is first proposed to represent the variable vehicle state information. Spatiotemporal interactions can be integrated by simply fusing the RCO representations. Then, CVVLSNet, taking the Coding-RAte TransformEr (CRATE) network as a backbone, is introduced to estimate the vehicle locations and speeds. Moreover, physical vehicle size constraints are also considered in loss functions. Extensive experiments indicate that the proposed method significantly outperformed the existing method under various CV penetration rates, signal timings, and volume-to-capacity ratios.
Abstract（参考訳）: 車両位置と速度のリアルタイム推定は、交通管理や適応信号制御における多くの有用な輸送アプリケーションを開発する上で重要である。近年の通信技術の進歩は、近くのCVやインフラと交通情報を共有できるコネクテッドカー(CV)の出現を促進する。接続の初期段階では、車両のごく一部だけがCVである。これらの非CV(NC)の位置と速度はアクセスできないため、完全な交通情報を得るためには推定される必要がある。そこで本研究では, CVトラジェクトリデータのみを用いて, 車両の位置と速度を同時に推定するCVVLSNetを提案する。可変車両状態情報を表すために,道路セル占有率 (RCO) 法を最初に提案した。時空間相互作用は、単にRCO表現を融合させることで統合することができる。次に、CVVLSNet(Coding-RAte TransformEr (CRATE) ネットワークをバックボーンとし、車両の位置と速度を推定する。さらに、物理的車両サイズ制約は損失関数にも考慮される。実験の結果,提案手法はCV透過率,信号タイミング,容量/容量比で既存手法よりも有意に優れていた。

関連論文リスト

MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文参考訳（メタデータ） (2023-10-08T21:32:30Z)
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)
CV2X-LOCA: Roadside Unit-Enabled Cooperative Localization Framework for Autonomous Vehicles [1.6624933615451842]
都市部での安全な運転を可能にするために、正確なロバストなローカライゼーションシステムは、自動運転車(AV)にとって不可欠である。セルラーV2X(C-V2X)無線通信の可能性を検討した。我々は,C-V2Xチャネル状態情報のみを用いてレーンレベルの位置決め精度を実現する,第1の道路側ユニット(RSU)対応協調位置決めフレームワーク,CV2X-LOCAを提案する。
論文参考訳（メタデータ） (2023-04-03T01:35:54Z)
MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected Vehicles [21.615151912285835]
我々は、ニューラルネットワークを協調的かつ分散的に訓練するために、近隣のICVをコーディネートする基地局を考える。車両の移動性のため、基地局とICV間の接続は短命である。本稿では,各トレーニングラウンドの時間と局所的なイテレーション回数を最適化し,FL-ICVフレームワークの高速化を提案する。
論文参考訳（メタデータ） (2022-12-07T08:53:53Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
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)
Learning to Help Emergency Vehicles Arrive Faster: A Cooperative Vehicle-Road Scheduling Approach [24.505687255063986]
車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
論文参考訳（メタデータ） (2022-02-20T10:25:15Z)
Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文参考訳（メタデータ） (2021-09-16T13:10:27Z)
CVLight: Deep Reinforcement Learning for Adaptive Traffic Signal Control with Connected Vehicles [0.9449650062296824]
CVLight」は、適応交通信号制御のための強化学習方式です。通信車両(CV)のみから収集したデータを使用する。 CVデータに基づいて複数の交差点を効率的に制御でき、CV浸透率が20%未満の場合にも同様またはそれ以上の性能を達成することができる。
論文参考訳（メタデータ） (2021-04-21T03:38:11Z)
Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文参考訳（メタデータ） (2020-12-07T02:09:15Z)
Facilitating Connected Autonomous Vehicle Operations Using Space-weighted Information Fusion and Deep Reinforcement Learning Based Control [6.463332275753283]
本稿では、他の車両からのセンシングと接続機能を通じて収集されたデータを統合するディープ強化学習に基づくアプローチについて述べる。 CAVにおけるアルゴリズムの実装は、CAV運転操作に関連する安全性とモビリティを高めることが期待されている。
論文参考訳（メタデータ） (2020-09-30T13:38:32Z)

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。