Fugu-MT 論文翻訳(概要): Modern Middlewares for Automated Vehicles: A Tutorial

論文の概要: Modern Middlewares for Automated Vehicles: A Tutorial

arxiv url: http://arxiv.org/abs/2412.07817v1
Date: Tue, 10 Dec 2024 09:52:52 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-12 14:02:37.299593
Title: Modern Middlewares for Automated Vehicles: A Tutorial
Title（参考訳）: 自動走行車のための最新のミドルウェア:チュートリアル
Authors: David Philipp Klüner, Marius Molz, Alexandru Kampmann, Stefan Kowalewski, Bassam Alrifaee,
Abstract要約: 本稿では,自動走行車における電流に関するチュートリアルを提供する。我々の目的は、読者に電流の概要を提供し、この分野におけるオープンな課題を特定することである。
参考スコア（独自算出の注目度）: 39.58317527488534
License:
Abstract: This paper offers a tutorial on current middlewares in automated vehicles. Our aim is to provide the reader with an overview of current middlewares and to identify open challenges in this field. We start by explaining the fundamentals of software architecture in distributed systems and the distinguishing requirements of Automated Vehicles. We then distinguish between communication middlewares and architecture platforms and highlight their key principles and differences. Next, we present five state-of-the-art middlewares as well as their capabilities and functions. We explore how these middlewares could be applied in the design of future vehicle software and their role in the automotive domain. Finally, we compare the five middlewares presented and discuss open research challenges.
Abstract（参考訳）: 本稿では,自動走行車における現在のミドルウェアに関するチュートリアルを提供する。我々の目標は、読者に現在のミドルウェアの概要を提供し、この分野におけるオープンな課題を特定することである。まず、分散システムにおけるソフトウェアアーキテクチャの基本と、自動走行車の区別要件を説明します。次に、通信ミドルウェアとアーキテクチャプラットフォームを区別し、主要な原則と違いを強調します。次に、最先端のミドルウェア5つと、その機能と機能を示す。我々は、これらのミドルウェアが将来の自動車ソフトウェアの設計や自動車分野におけるそれらの役割にどのように適用できるかを探る。最後に、提案した5つのミドルウェアを比較し、オープンな研究課題について議論する。

関連論文リスト

Mastering AI: Big Data, Deep Learning, and the Evolution of Large Language Models -- AutoML from Basics to State-of-the-Art Techniques [17.62426370778165]
論文は、初心者と経験豊富な実践者の両方を支援するために構築されており、人気のあるAutoMLツールに関する詳細な議論がある。また、ニューラルネットワーク検索(NAS)やディープラーニングにおけるAutoMLのアプリケーションといった、新たなトピックにも対処している。
論文参考訳（メタデータ） (2024-10-12T17:11:39Z)
Overcoming Autoware-Ubuntu Incompatibility in Autonomous Driving Systems-Equipped Vehicles: Lessons Learned [1.7999333451993955]
本稿では、トラブルシューティングプロセスから学んだ教訓に基づいて、オートウェアプラットフォームを自動運転車のインタフェースに統合する方法について概説する。この論文は、Pythonとの互換性、Unified Compute Device Architecture(CUDA)のインストール、Autowareのインストール、Autoware.AIでのシミュレーションを含む、一般的な非互換性の問題とコード解決プロトコルに焦点を当てた。
論文参考訳（メタデータ） (2024-10-09T02:35:50Z)
Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
論文参考訳（メタデータ） (2024-01-16T01:57:24Z)
Assessing Drivers' Situation Awareness in Semi-Autonomous Vehicles: ASP based Characterisations of Driving Dynamics for Modelling Scene Interpretation and Projection [0.0]
我々は,運転者が状況に気付いているかを判断し,人間中心の支援を提供するための枠組みを提案する。このフレームワークはロボット・オペレーティング・システム(ROS)内のモジュールシステムとして開発され、環境と運転者の状態を検知するモジュールを備えている。本稿では、運転者の解釈とシーンの投影をモデル化し、推論するAnswer Set Programming(ASP)に基づくアプローチに焦点を当てる。
論文参考訳（メタデータ） (2023-08-30T09:07:49Z)
A General Recipe for Automated Machine Learning in Practice [0.0]
本稿では,一般的なAutoMLシステム構築のための参照フレームを提案する。私たちの主なアイデアは、基本的な概念を抽出して、それらを単一の設計でサポートすることです。本稿では,AutoMLの今後の研究への応用に関するオープンな問題について論じる。
論文参考訳（メタデータ） (2023-08-29T21:49:28Z)
AttentionViz: A Global View of Transformer Attention [60.82904477362676]
本研究では,変圧器の自己保持機構を研究者が理解するための新しい可視化手法を提案する。提案手法の背景にある主な考え方は,問合せとキーベクトルの結合埋め込みを可視化し,注意力を計算することである。このような共同クエリキーの埋め込みに基づいて,インタラクティブな可視化ツールであるAttentionVizを開発した。
論文参考訳（メタデータ） (2023-05-04T23:46:49Z)
Literature Review: Computer Vision Applications in Transportation Logistics and Warehousing [58.720142291102135]
輸送物流や倉庫におけるコンピュータビジョンの応用は、プロセスの自動化に大きな可能性を秘めている。本稿では、この可能性を活用するために、この分野の研究に関する構造化された文献レビューを紹介する。
論文参考訳（メタデータ） (2023-04-12T17:33:41Z)
The Technological Emergence of AutoML: A Survey of Performant Software and Applications in the Context of Industry [72.10607978091492]
Automated/Autonomous Machine Learning (AutoML/AutonoML)は比較的若い分野である。このレビューは、このトピックに関する知識に2つの主要な貢献をしている。オープンソースと商用両方の既存のAutoMLツールについて、最新かつ包括的な調査を提供する。
論文参考訳（メタデータ） (2022-11-08T10:42:08Z)
FETA: Towards Specializing Foundation Models for Expert Task Applications [49.57393504125937]
ファンデーションモデル(FM)は、ゼロショット学習、高忠実度データ合成、ドメインの一般化など、前例のない機能を示した。この論文では、FMは、まだ専門家のタスクにおいて、出来の悪いパフォーマンスを保っていることを示します。本稿では,FMに技術資料の理解を促すことを目的として,その第1のFETAベンチマークを提案する。
論文参考訳（メタデータ） (2022-09-08T08:47:57Z)
Automated Machine Learning -- a brief review at the end of the early years [14.211962590104111]
Automated Machine Learning (AutoML)は、機械学習システムの設計のすべての段階を自動化、拡張することを目的とした機械学習のサブフィールドである。教師あり学習の文脈では、AutoMLは特徴抽出、事前処理、モデル設計、ポスト処理に関係している。
論文参考訳（メタデータ） (2020-08-19T15:48:49Z)

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。