論文の概要: Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System through Distributed Database and Multimodal Perception: Demonstrated in Crossroads

• arxiv url: http://arxiv.org/abs/2410.17576v1
• Date: Wed, 23 Oct 2024 05:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:54:45.786759
• Title: Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System through Distributed Database and Multimodal Perception: Demonstrated in Crossroads
• Title（参考訳）: リアルタイム車車車間通信に基づく分散データベースとマルチモーダル認識によるネットワーク協調制御システム:クロスロードにおける実証
• Authors: Xinwen Zhu, Zihao Li, Yuxuan Jiang, Jiazhen Xu, Jie Wang, Xuyang Bai,
• Abstract要約: 本稿では,VVCCS(Real-time-to-Vehicle Communication Based Network Cooperative Control System)を提案する。 VVCCSは、自動運転におけるマクロスコープの交通計画と衝突回避に革命をもたらす。 また,多目的追跡とレーダセンシングを併用した総合的マルチモーダル認識システムを開発した。
• 参考スコア（独自算出の注目度）: 11.623582669220115
• License:
• Abstract: The autonomous driving industry is rapidly advancing, with Vehicle-to-Vehicle (V2V) communication systems highlighting as a key component of enhanced road safety and traffic efficiency. This paper introduces a novel Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System (VVCCS), designed to revolutionize macro-scope traffic planning and collision avoidance in autonomous driving. Implemented on Quanser Car (Qcar) hardware platform, our system integrates the distributed databases into individual autonomous vehicles and an optional central server. We also developed a comprehensive multi-modal perception system with multi-objective tracking and radar sensing. Through a demonstration within a physical crossroad environment, our system showcases its potential to be applied in congested and complex urban environments.
• Abstract（参考訳）: 自動運転産業は急速に進展しており、V2V通信システムが道路安全と交通効率の向上の鍵となる。 本稿では,自動運転におけるマクロスコープの交通計画と衝突回避に革命をもたらすように設計された,VVCCS(Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System)を提案する。 Quanser Car(Qcar)ハードウェアプラットフォームに実装された当社のシステムは,分散データベースを個別の自律走行車とオプションの中央サーバに統合する。 また,多目的追跡とレーダセンシングを併用した総合的マルチモーダル認識システムを開発した。 物理的道路環境における実演を通して, 密集した複雑な都市環境に適用できる可能性を示した。

関連論文リスト

• Tapping in a Remote Vehicle's onboard LLM to Complement the Ego Vehicle's Field-of-View [1.701722696403793]
  本稿では,車載言語モデル(LLM)をタップすることで,エゴ車両の視野(FOV)と他の車両のFOVを補完する概念を提案する。 GPT-4V や GPT-4o など,ごく最近の LLM では,交通状況が極めて詳細に把握されているため,交通参加者の特定にも利用することができる。
  論文  参考訳（メタデータ） (2024-08-20T12:38:34Z)
• Token-based Vehicular Security System (TVSS): Scalable, Secure, Low-latency Public Key Infrastructure for Connected Vehicles [1.062554955743753]
  本稿では,従来よりも大幅に改善された新しいVPKIシステムであるTVSSについて紹介する。 TVSSは、ネットワークの端にある道路インフラの一部である道路側ユニット(RSU)の迅速な検証を可能にするために、忘れられないトークンのアイデアを活用している。 特に,高速道路を走行中に静止RSUを用いて,提案手法のボトルネック操作を行うことができる。
  論文  参考訳（メタデータ） (2024-02-28T14:35:52Z)
• 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)
• 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)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• 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)
• Collaborative Driving: Learning- Aided Joint Topology Formulation and Beamforming [24.54541437306899]
  mmWave/THz帯における運転トポロジと車両ネットワークの定式化を共同で制御する新しいフレームワークである協調自律運転を構想する。 Swarmインテリジェンスシステムとして、コラボレーティブな運転方式は、単一車両インテリジェンスに基づく既存の自律運転パターンを越えている。 我々は、mmWave/THz-based vehicle-to-vehicle (V2V) 通信において、2つの有望なアプローチを示す。
  論文  参考訳（メタデータ） (2022-03-18T12:50:35Z)
• CoTV: Cooperative Control for Traffic Light Signals and Connected Autonomous Vehicles using Deep Reinforcement Learning [6.54928728791438]
  本稿では,マルチエージェント深部強化学習(DRL)システムであるCoTVについて述べる。 CoTVは、交通信号とコネクテッド・オートモービル(CAV)の両方を協調的に制御する 一方、COTVは、入ってくる道路の信号管制官に最も近い1つのCAVと協力することで、容易に展開できる。
  論文  参考訳（メタデータ） (2022-01-31T11:40:13Z)
• 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)
• 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。