論文の概要: V2X-LLM: Enhancing V2X Integration and Understanding in Connected Vehicle Corridors

• arxiv url: http://arxiv.org/abs/2503.02239v1
• Date: Tue, 04 Mar 2025 03:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:19:33.983405
• Title: V2X-LLM: Enhancing V2X Integration and Understanding in Connected Vehicle Corridors
• Title（参考訳）: V2X-LLM:コネクテッドカー回廊におけるV2X統合と理解の強化
• Authors: Keshu Wu, Pei Li, Yang Zhou, Rui Gan, Junwei You, Yang Cheng, Jingwen Zhu, Steven T. Parker, Bin Ran, David A. Noyce, Zhengzhong Tu,
• Abstract要約: 本稿では,V2Xデータの理解とリアルタイム解析を改善するために,V2X-LLMフレームワークを提案する。 シナリオ説明、交通状況の詳細な説明、V2Xデータ記述、車両とインフラの状態の詳細な説明、将来の交通状態を予測する状態予測である。 この統合により、交通分析、安全性、交通最適化の精度が向上する。
• 参考スコア（独自算出の注目度）: 21.686293071026913
• License:
• Abstract: The advancement of Connected and Automated Vehicles (CAVs) and Vehicle-to-Everything (V2X) offers significant potential for enhancing transportation safety, mobility, and sustainability. However, the integration and analysis of the diverse and voluminous V2X data, including Basic Safety Messages (BSMs) and Signal Phase and Timing (SPaT) data, present substantial challenges, especially on Connected Vehicle Corridors. These challenges include managing large data volumes, ensuring real-time data integration, and understanding complex traffic scenarios. Although these projects have developed an advanced CAV data pipeline that enables real-time communication between vehicles, infrastructure, and other road users for managing connected vehicle and roadside unit (RSU) data, significant hurdles in data comprehension and real-time scenario analysis and reasoning persist. To address these issues, we introduce the V2X-LLM framework, a novel enhancement to the existing CV data pipeline. V2X-LLM leverages Large Language Models (LLMs) to improve the understanding and real-time analysis of V2X data. The framework includes four key tasks: Scenario Explanation, offering detailed narratives of traffic conditions; V2X Data Description, detailing vehicle and infrastructure statuses; State Prediction, forecasting future traffic states; and Navigation Advisory, providing optimized routing instructions. By integrating LLM-driven reasoning with V2X data within the data pipeline, the V2X-LLM framework offers real-time feedback and decision support for traffic management. This integration enhances the accuracy of traffic analysis, safety, and traffic optimization. Demonstrations in a real-world urban corridor highlight the framework's potential to advance intelligent transportation systems.
• Abstract（参考訳）: CAV(Connected and Automated Vehicles)とV2X(Valby-to-Everything)の進歩は、輸送の安全性、移動性、持続可能性を高める大きな可能性を秘めている。 しかし,BSM (Basic Safety Messages) やSPaT (Signal Phase and Timing) などの多種多様なV2Xデータの統合と解析は,特にコネクテッドカーのコネクテッド・コリケータにおいて重大な課題を提起している。 これらの課題には、大規模なデータボリュームの管理、リアルタイムデータ統合の確保、複雑なトラフィックシナリオの理解などが含まれる。 これらのプロジェクトは、コネクテッドカーとロードサイドユニット(RSU)データを管理するために、車両、インフラ、および他の道路利用者間のリアルタイム通信を可能にする高度なCAVデータパイプラインを開発しているが、データの理解とリアルタイムシナリオ分析と推論の重大なハードルは持続している。 これらの問題に対処するために,既存のCVデータパイプラインの新たな拡張であるV2X-LLMフレームワークを導入する。 V2X-LLMはLarge Language Models (LLM)を活用し、V2Xデータの理解とリアルタイム分析を改善する。 シナリオ説明、交通条件の詳細な説明を提供するV2Xデータ記述、車両とインフラの状態の詳細を提供するV2X、将来の交通状態を予測するState Prediction、最適化されたルーティング命令を提供するNavigation Advisoryである。 LLM駆動推論とV2Xデータをデータパイプラインに統合することにより、V2X-LLMフレームワークはリアルタイムフィードバックとトラフィック管理のための決定サポートを提供する。 この統合により、交通分析、安全性、交通最適化の精度が向上する。 現実世界の都市回廊でのデモは、インテリジェント交通システムを進化させるフレームワークの可能性を強調している。

関連論文リスト

• Mixed Signals: A Diverse Point Cloud Dataset for Heterogeneous LiDAR V2X Collaboration [56.75198775820637]
  車両間協調認識(V2X)は、単車知覚システムの限界に対処するための有望な解決策として登場した。 これらのギャップに対処するために、45.1kの点雲と240.6kのバウンディングボックスを備えた総合的なV2XデータセットであるMixed Signalsを紹介した。 私たちのデータセットは、正確に整合したポイントクラウドと10クラスにわたるバウンディングボックスアノテーションを提供し、認識トレーニングのための信頼性の高いデータを確保します。
  論文  参考訳（メタデータ） (2025-02-19T23:53:00Z)
• V2X-VLM: End-to-End V2X Cooperative Autonomous Driving Through Large Vision-Language Models [13.716889927164383]
  本稿では、V2Xシステムと大型ビジョン言語モデル(VLM)を備えた、革新的なE2E車両・インフラ協調自動運転(VICAD)フレームワークであるV2X-VLMを紹介する。 V2X-VLMは、車両に搭載されたカメラ、インフラセンサー、およびテキスト情報からの多モデルデータを統合することで、状況認識、意思決定、究極の軌道計画を強化するように設計されている。 DAIR-V2Xデータセットの評価は、V2X-VLMが最先端の協調運転法より優れていることを示している。
  論文  参考訳（メタデータ） (2024-08-17T16:42:13Z)
• Unified End-to-End V2X Cooperative Autonomous Driving [21.631099800753795]
  UniE2EV2Xは、V2Xに統合されたエンドツーエンドの自動運転システムで、主要な駆動モジュールを統合ネットワーク内で統合する。 このフレームワークは変形可能な注意ベースのデータ融合戦略を採用し、車とインフラの協調を効果的に促進する。 We implement the UniE2EV2X framework on the challenge DeepAccident, a simulation dataset designed for V2X collaborative driving。
  論文  参考訳（メタデータ） (2024-05-07T03:01:40Z)
• Vanishing-Point-Guided Video Semantic Segmentation of Driving Scenes [70.08318779492944]
  私たちは、より効果的なセグメンテーションのために消滅点(VP)を最初に利用しました。 当社の新しいVSS用ネットワークであるVPSegには,この静的および動的VPプリエントを正確に利用する2つのモジュールが組み込まれています。
  論文  参考訳（メタデータ） (2024-01-27T01:01:58Z)
• Learning Cooperative Trajectory Representations for Motion Forecasting [4.380073528690906]
  協調情報から動きと相互作用の特徴を利用するための予測指向表現パラダイムを提案する。 V2X-Graphは、協調動作予測のための解釈可能かつエンドツーエンドな特徴量融合を実現するための代表的なフレームワークである。 車両から全車まで(V2X)のシナリオを更に評価するため,V2X-Traj を用いたV2X運動予測データセットを構築した。
  論文  参考訳（メタデータ） (2023-11-01T08:53:05Z)
• V2X-Lead: LiDAR-based End-to-End Autonomous Driving with Vehicle-to-Everything Communication Integration [4.166623313248682]
  本稿では,V2X(Vine-to-Everything)通信を統合したLiDARを用いたエンドツーエンド自動運転手法を提案する。 提案手法は,搭載したLiDARセンサとV2X通信データを融合させることにより,不完全な部分的観測を処理することを目的としている。
  論文  参考訳（メタデータ） (2023-09-26T20:26:03Z)
• V2X-Seq: A Large-Scale Sequential Dataset for Vehicle-Infrastructure Cooperative Perception and Forecasting [19.28358736418664]
  最初の大規模シーケンシャルV2XデータセットであるV2X-Seqを紹介する。 V2X-Seqは、逐次知覚データセットと軌道予測データセットの2つの部分から構成される。 V2X-Seqに基づいて,自動車・インフラ協調運転(VIC)のための3つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-10T07:20:51Z)
• Berlin V2X: A Machine Learning Dataset from Multiple Vehicles and Radio Access Technologies [56.77079930521082]
  我々は,MLに基づく多種多様な研究への道を開くための詳細な測定キャンペーンを実施してきた。 得られたデータセットは、携帯電話(と2つの異なるオペレーター)とサイドリンク無線アクセス技術の両方のために、様々な都市環境にまたがるGPS位置の無線測定を提供する。 私たちは、MLが克服しなければならない課題と、MLが活用できる機能について、データの初期分析を提供しています。
  論文  参考訳（メタデータ） (2022-12-20T15:26:39Z)
• V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision Transformer [58.71845618090022]
  我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。 V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。 我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
  論文  参考訳（メタデータ） (2022-03-20T20:18:25Z)
• FENXI: Deep-learning Traffic Analytics at the Edge [69.34903175081284]
  本稿では,TPUを利用して複雑な解析を行うシステムであるFENXIを提案する。 FENXIは、さまざまな粒度で動作するオペレーションとトラフィック分析を分離する。 分析の結果,FENXIは限られた資源しか必要とせず,転送ラインレートのトラヒック処理を継続できることがわかった。
  論文  参考訳（メタデータ） (2021-05-25T08:02:44Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)

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。