論文の概要: Road User Classification from High-Frequency GNSS Data Using Distributed Edge Intelligence

• arxiv url: http://arxiv.org/abs/2412.00132v1
• Date: Thu, 28 Nov 2024 14:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:47:54.588364
• Title: Road User Classification from High-Frequency GNSS Data Using Distributed Edge Intelligence
• Title（参考訳）: 分散型エッジインテリジェンスを用いた高周波GNSSデータからの道路ユーザ識別
• Authors: Lennart Köpper, Thomas Wieland,
• Abstract要約: 現実世界の交通は、歩行者から重トラックまで多様な道路利用者を含んでいる。 従来のアプローチは、しばしば侵入型または高価な外部センサーに依存している。 本研究の目的は,高周波数(1-2Hz)の位置列を用いて,道路利用者分類の非侵襲的で費用対効果の高い代替手段を検討することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Real-world traffic involves diverse road users, ranging from pedestrians to heavy trucks, necessitating effective road user classification for various applications within Intelligent Transport Systems (ITS). Traditional approaches often rely on intrusive and/or expensive external hardware sensors. These systems typically have limited spatial coverage. In response to these limitations, this work aims to investigate an unintrusive and cost-effective alternative for road user classification by using high-frequency (1-2 Hz) positional sequences. A cutting-edge solution could involve leveraging positioning data from 5G networks. However, this feature is currently only proposed in the 3GPP standard and has not yet been implemented for outdoor applications by 5G equipment vendors. Therefore, our approach relies on positional data, that is recorded under real-world conditions using Global Navigation Satellite Systems (GNSS) and processed on distributed edge devices. As a start-ing point, four types of road users are distinguished: pedestri-ans, cyclists, motorcycles, and passenger cars. While earlier approaches used classical statistical methods, we propose Long Short-Term Memory (LSTM) recurrent neural networks (RNNs) as the preferred classification method, as they repre-sent state-of-the-art in processing sequential data. An RNN architecture for road user classification, based on selected motion characteristics derived from raw positional sequences is presented and the influence of sequence length on classifica-tion quality is examined. The results of the work show that RNNs are capable of efficiently classifying road users on dis-tributed devices, and can particularly differentiate between types of motorized vehicles, based on two- to four-minute se-quences.
• Abstract（参考訳）: 現実の交通は、歩行者から重トラックまで多様な道路利用者を巻き込み、インテリジェントトランスポートシステムズ(ITS)内の様々なアプリケーションに有効な道路利用者分類を必要とする。 従来のアプローチは、しばしば侵入型および/または高価な外部ハードウェアセンサーに依存している。 これらのシステムは通常、空間的範囲が限られている。 これらの制約に対応するために, 高周波(1-2Hz) 位置列を用いて, 道路利用者分類の非侵襲的で費用対効果の高い代替手段について検討することを目的とした。 最先端のソリューションには、5Gネットワークの位置情報を活用することが含まれる。 しかし、この機能は現在3GPP標準でのみ提案されており、5G機器ベンダーによる屋外アプリケーション向けにはまだ実装されていない。 そこで本手法は,GNSS(Global Navigation Satellite Systems)を用いて実環境に記録され,分散エッジデバイス上で処理される位置データに依存する。 出発点として、ペデストリアン、サイクリスト、オートバイ、乗用車という4種類の道路利用者が区別される。 従来の手法では古典的統計手法が用いられていたが, 逐次データ処理において, RNN(Long Short-Term Memory)リカレントニューラルネットワーク(Long Short-Term Recurrent Neural Network)が望ましい分類法として提案されている。 道路利用者分類のためのRNNアーキテクチャについて, 原位置列から選択された動き特性に基づいて提案し, シーケンス長が品質に及ぼす影響について検討した。 研究の結果,RNNは分散型デバイス上での道路利用者の効率的な分類が可能であり,特に2～4分間のシークエンスに基づいて,自動車の種類を区別できることがわかった。

関連論文リスト

• Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation [18.236615392921273]
  本稿では,自動運転車における道路グラフ構築の課題について述べる。 本稿では,これらの標準センサから取得したグローバルナビゲーション衛星システム(GNSS)のトレースと基本画像データについて提案する。 我々は、畳み込みニューラルネットワークを用いて、道路中心のセマンティックセグメンテーションタスクとして問題をフレーミングすることで、データの空間情報を利用する。
  論文  参考訳（メタデータ） (2024-08-03T02:57:37Z)
• Autoregressive Attention Neural Networks for Non-Line-of-Sight User Tracking with Dynamic Metasurface Antennas [20.416982017315014]
  非LoSマルチパス設定に特化して設計された,ユーザ追跡のための2段階の機械学習ベースのアプローチを提案する。 新しく提案された注目に基づくニューラルネットワーク(NN)は、ノイズの多いチャネル応答を潜在的なユーザ位置にマッピングするために最初に訓練される。 第2の段階として、NNの過去のユーザ位置の予測は学習可能な自己回帰モデルに渡される。
  論文  参考訳（メタデータ） (2023-10-30T17:38:16Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• 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)
• 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)
• The Devil Is in the Details: An Efficient Convolutional Neural Network for Transport Mode Detection [3.008051369744002]
  トランスポートモード検出は、マルチモーダル信号が与えられたユーザのトランスポートモードを推測できるアルゴリズムを設計することを目的とした分類問題である。 小型で最適化されたモデルが、現在のディープモデルと同様に動作可能であることを示す。
  論文  参考訳（メタデータ） (2021-09-16T08:05:47Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Road Accident Proneness Indicator Based On Time, Weather And Location Specificity Using Graph Neural Networks [0.0]
  道路沿いの時間、天気、位置の特異性に基づいて合計14の特徴がまとめられた。 事故警報の場所を用いて、特定の道路が事故を起こしやすいかを定量化する安全指標が開発された。 グラフニューラルネットワークアーキテクチャを用いて,そのTWL特異性に基づいて道路の安全指数を予測する新しい手法を実装した。
  論文  参考訳（メタデータ） (2020-10-24T18:45:15Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)

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。