Fugu-MT 論文翻訳(概要): Managing Bandwidth: The Key to Cloud-Assisted Autonomous Driving

論文の概要: Managing Bandwidth: The Key to Cloud-Assisted Autonomous Driving

arxiv url: http://arxiv.org/abs/2410.16227v1
Date: Mon, 21 Oct 2024 17:32:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 13:16:04.625427
Title: Managing Bandwidth: The Key to Cloud-Assisted Autonomous Driving
Title（参考訳）: 帯域管理 - クラウドによる自律運転の鍵
Authors: Alexander Krentsel, Peter Schafhalter, Joseph E. Gonzalez, Sylvia Ratnasamy, Scott Shenker, Ion Stoica,
Abstract要約: 自動運転車のようなリアルタイム制御システムにクラウドを頼らなければならない、と私たちは主張する。時間に敏感な計算と遅延クリティカルな計算の一部をクラウドにオフロードする機会を特定します。
参考スコア（独自算出の注目度）: 73.55745551827229
License:
Abstract: Prevailing wisdom asserts that one cannot rely on the cloud for critical real-time control systems like self-driving cars. We argue that we can, and must. Following the trends of increasing model sizes, improvements in hardware, and evolving mobile networks, we identify an opportunity to offload parts of time-sensitive and latency-critical compute to the cloud. Doing so requires carefully allocating bandwidth to meet strict latency SLOs, while maximizing benefit to the car.
Abstract（参考訳）: 一般的な知恵は、自動運転車のような重要なリアルタイム制御システムにクラウドに頼ることはできない、と主張する。私たちはできるし、しなければならないと論じる。モデルサイズの増加、ハードウェアの改善、モバイルネットワークの進化といったトレンドに続き、時間に敏感な計算と遅延クリティカルな計算の一部をクラウドにオフロードする機会を特定します。そのためには、厳格なレイテンシSLOを満たすために、注意深く帯域幅を割り当てると同時に、車に対するメリットを最大化する必要がある。

関連論文リスト

Combining Cloud and Mobile Computing for Machine Learning [2.595189746033637]
モデルセグメンテーションはユーザエクスペリエンスを改善するためのソリューションだと考えている。この部門は、ユーザの待ち時間を短縮するだけでなく、クラウドのワークロードを最適化するための微調整も可能であることを示しています。
論文参考訳（メタデータ） (2024-01-20T06:14:22Z)
FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文参考訳（メタデータ） (2023-04-19T17:33:47Z)
Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文参考訳（メタデータ） (2022-07-05T16:33:20Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
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)
An Efficient Deep Learning Approach Using Improved Generative Adversarial Networks for Incomplete Information Completion of Self-driving [2.8504921333436832]
自律運転において不完全な車両点雲を高精度かつ効率的に修復するための効率的な深層学習手法を提案する。改良されたPF-Netは、オリジナルのPF-Netと比べてほぼ同じ精度で19倍以上のスピードアップを達成することができる。
論文参考訳（メタデータ） (2021-09-01T08:06:23Z)
Self-Supervised Pillar Motion Learning for Autonomous Driving [10.921208239968827]
本研究では,点群からの自由監視信号と対カメラ画像を利用した学習フレームワークを提案する。本モデルでは,確率的運動マスキングを付加した点雲に基づく構造整合性と,所望の自己超越を実現するためのクロスセンサ運動正規化を含む。
論文参考訳（メタデータ） (2021-04-18T02:32:08Z)
IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文参考訳（メタデータ） (2021-01-20T00:31:52Z)
Minimizing Age-of-Information for Fog Computing-supported Vehicular Networks with Deep Q-learning [15.493225546165627]
Age of Information (AoI) は、車両とクラウド/フォグサーバ間の無線リンクの性能を評価する指標である。本稿では, AoI の信頼性を保証するために, 運転経路を最適化する新しいプロアクティブかつデータ駆動方式を提案する。
論文参考訳（メタデータ） (2020-04-04T05:19:25Z)
Using AI for Mitigating the Impact of Network Delay in Cloud-based Intelligent Traffic Signal Control [8.121462458089143]
本稿では,強化学習に基づく新しい信号制御アルゴリズムを提案する。本稿では,ネットワーク遅延が重要な問題となるすべてのエージェントベースシステムに有効なフレームワークを提案する。
論文参考訳（メタデータ） (2020-02-19T17:30:07Z)

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。