論文の概要: Edge AI-Powered Real-Time Decision-Making for Autonomous Vehicles in Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2503.09638v1
• Date: Wed, 12 Mar 2025 02:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:53:59.765571
• Title: Edge AI-Powered Real-Time Decision-Making for Autonomous Vehicles in Adverse Weather Conditions
• Title（参考訳）: 逆気象条件下における自動運転車のエッジAI駆動リアルタイム意思決定
• Authors: Milad Rahmati,
• Abstract要約: 従来のクラウドベースのAIシステムは通信遅延を導入し、リアルタイムの自律ナビゲーションには適さない。 本稿では,悪天候下でのAV応答性向上を目的とした,エッジAIによるリアルタイム意思決定フレームワークを提案する。 ネットワークエッジでデータを処理することにより、AV適応性を改善しながら決定遅延を大幅に低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Autonomous vehicles (AVs) are transforming modern transportation, but their reliability and safety are significantly challenged by harsh weather conditions such as heavy rain, fog, and snow. These environmental factors impair the performance of cameras, LiDAR, and radar, leading to reduced situational awareness and increased accident risks. Conventional cloud-based AI systems introduce communication delays, making them unsuitable for the rapid decision-making required in real-time autonomous navigation. This paper presents a novel Edge AI-driven real-time decision-making framework designed to enhance AV responsiveness under adverse weather conditions. The proposed approach integrates convolutional neural networks (CNNs) and recurrent neural networks (RNNs) for improved perception, alongside reinforcement learning (RL)-based strategies to optimize vehicle control in uncertain environments. By processing data at the network edge, this system significantly reduces decision latency while improving AV adaptability. The framework is evaluated using simulated driving scenarios in CARLA and real-world data from the Waymo Open Dataset, covering diverse weather conditions. Experimental results indicate that the proposed model achieves a 40% reduction in processing time and a 25% enhancement in perception accuracy compared to conventional cloud-based systems. These findings highlight the potential of Edge AI in improving AV autonomy, safety, and efficiency, paving the way for more reliable self-driving technology in challenging real-world environments.
• Abstract（参考訳）: 自律走行車(AV)は近代的な交通手段を変えつつあるが、その信頼性と安全性は、大雨や霧、雪などの厳しい気象条件によって著しく問題視されている。 これらの環境要因は、カメラ、LiDAR、レーダーの性能を損なうため、状況意識の低下と事故リスクの増大につながる。 従来のクラウドベースのAIシステムは通信遅延を導入し、リアルタイムの自律ナビゲーションに必要な迅速な意思決定には適さない。 本稿では,悪天候下でのAV応答性向上を目的とした,エッジAIによるリアルタイム意思決定フレームワークを提案する。 提案手法は、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を統合し、認識の向上と、不確実な環境での車両制御を最適化する強化学習(RL)ベースの戦略を併用する。 ネットワークエッジでデータを処理することにより、AV適応性を改善しながら決定遅延を大幅に低減する。 このフレームワークは、CARLAのシミュレーション駆動シナリオとWaymo Open Datasetの現実世界データを用いて評価され、多様な気象条件をカバーしている。 実験結果から,提案モデルは従来のクラウドベースシステムと比較して処理時間の40%削減と知覚精度の25%向上を実現していることがわかった。 これらの調査結果は、自動運転車の自律性、安全性、効率性を向上し、現実の環境に挑戦する上でより信頼性の高い自動運転技術を実現する上で、Edge AIの可能性を浮き彫りにしている。

関連論文リスト

• Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather [5.383130566626935]
  本稿では,デノイングディープニューラルネットワークを前処理ステップとして,悪天候画像から晴天画像へ変換する。 ドライバーの視認性が向上し、悪天候下での安全なナビゲーションに欠かせない。
  論文  参考訳（メタデータ） (2024-07-02T18:03:52Z)
• Pedestrian intention prediction in Adverse Weather Conditions with Spiking Neural Networks and Dynamic Vision Sensors [0.0699049312989311]
  本研究では,ダイナミック・ビジョン・センサ(DVS)と組み合わせたスパイキングニューラルネットワーク(SNN)の有効性を検討した。 我々は従来の畳み込みニューラルネットワーク(CNN)と比較してSNNの効率を評価する。 その結果、DVSと統合されたSNNは、計算オーバーヘッドを大幅に削減し、CNNと比較して困難条件における検出精度を向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-06-01T15:58:24Z)
• Cyber-Twin: Digital Twin-boosted Autonomous Attack Detection for Vehicular Ad-Hoc Networks [8.07947129445779]
  Vehicular Ad-hoc NETworks(VANETs)の急速な進化は、インテリジェントトランスポートシステム(ITS)の転換期へと導いてきた。 VANETは、妨害やDDoS(Distributed Denial of Service)攻撃など、サイバー攻撃の影響を受けやすくなっている。 既存の方法は、動的攻撃を検出し、VANETサイバーセキュリティを強化するためにデジタルツイン技術と人工知能(AI)モデルを統合するのに困難に直面している。 本研究では、VANETにおけるRSUのセキュリティを高めるために、デジタルツイン技術とAIを組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T08:05:41Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Reinforcement Learning for Joint V2I Network Selection and Autonomous Driving Policies [14.518558523319518]
  自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている 道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。 我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-08-03T04:33:02Z)
• 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)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• 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)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)

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。