論文の概要: Floating Car Observers in Intelligent Transportation Systems: Detection Modeling and Temporal Insights

• arxiv url: http://arxiv.org/abs/2505.02845v1
• Date: Tue, 29 Apr 2025 19:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.025253
• Title: Floating Car Observers in Intelligent Transportation Systems: Detection Modeling and Temporal Insights
• Title（参考訳）: インテリジェントトランスポーテーションシステムにおける浮動車オブザーバ:検出モデルと時間的洞察
• Authors: Jeremias Gerner, Klaus Bogenberger, Stefanie Schmidtner,
• Abstract要約: フローティングカーオブザーバ(FCO)は、オンボードセンサーを統合して、他の交通参加者を検出し、ローカライズすることで、従来のフローティングカーデータ(FCD)を拡張している。 我々は, 微視的交通シミュレーションにおけるFCO検出のための様々なモデリング手法について検討し, インテリジェントトランスポーテーションシステム(ITS)の応用の可能性を評価する。
• 参考スコア（独自算出の注目度）: 1.7205106391379021
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Floating Car Observers (FCOs) extend traditional Floating Car Data (FCD) by integrating onboard sensors to detect and localize other traffic participants, providing richer and more detailed traffic data. In this work, we explore various modeling approaches for FCO detections within microscopic traffic simulations to evaluate their potential for Intelligent Transportation System (ITS) applications. These approaches range from 2D raytracing to high-fidelity co-simulations that emulate real-world sensors and integrate 3D object detection algorithms to closely replicate FCO detections. Additionally, we introduce a neural network-based emulation technique that effectively approximates the results of high-fidelity co-simulations. This approach captures the unique characteristics of FCO detections while offering a fast and scalable solution for modeling. Using this emulation method, we investigate the impact of FCO data in a digital twin of a traffic network modeled in SUMO. Results demonstrate that even at a 20% penetration rate, FCOs using LiDAR-based detections can identify 65% of vehicles across various intersections and traffic demand scenarios. Further potential emerges when temporal insights are integrated, enabling the recovery of previously detected but currently unseen vehicles. By employing data-driven methods, we recover over 80% of these vehicles with minimal positional deviations. These findings underscore the potential of FCOs for ITS, particularly in enhancing traffic state estimation and monitoring under varying penetration rates and traffic conditions.
• Abstract（参考訳）: FCO(Floating Car Observers)は、オンボードセンサーを統合して、他の交通参加者を検出し、ローカライズすることで、よりリッチで詳細な交通データを提供することによって、従来のFCD(Floating Car Data)を拡張している。 本研究では, 微視的交通シミュレーションにおけるFCO検出のための様々なモデリング手法について検討し, インテリジェントトランスポーテーションシステム(ITS)の応用の可能性を評価する。 これらのアプローチは、2Dレイトレーシングから、現実世界のセンサーをエミュレートし、3Dオブジェクト検出アルゴリズムを統合してFCO検出を密に再現する高忠実なコシミュレーションまで様々である。 さらに、高忠実度共シミュレーションの結果を効果的に近似するニューラルネットワークベースのエミュレーション手法を導入する。 このアプローチは、高速でスケーラブルなモデリングソリューションを提供しながら、FCO検出のユニークな特徴を捉えます。 このエミュレーション手法を用いて,SUMOでモデル化されたトラフィックネットワークのディジタルツインにおけるFCOデータの影響について検討する。 その結果、20パーセントの浸透率でも、LiDARによる検出によるFCOは、様々な交差点や交通需要シナリオで65%の車両を識別できることがわかった。 時間的洞察が統合されると、さらなるポテンシャルが出現し、以前は検出されていたが、現在目に見えない車両の回復を可能にする。 データ駆動方式を用いることで、これらの車両の80%以上を最小位置ずれで回収する。 これらの知見は、特に交通状態の推定と、様々な浸透速度と交通状況下での監視の強化において、FCOs for ITSの可能性を浮き彫りにしている。

関連論文リスト

• Detection of Anomalous Vehicular Traffic and Sensor Failures Using Data Clustering Techniques [0.0]
  本研究では,高速道路センサからの交通流データの解析にクラスタリング手法を用いる。 複数のクラスタリング手法、すなわちパーティショニングと階層的手法を、様々な時系列表現と類似度尺度と組み合わせて検討する。 本手法は高速道路センサのリアルタイムデータに適用し,異なるクラスタリングフレームワークが交通パターン認識に与える影響を評価する。
  論文  参考訳（メタデータ） (2025-04-01T15:09:39Z)
• Traffic Co-Simulation Framework Empowered by Infrastructure Camera Sensing and Reinforcement Learning [4.336971448707467]
  マルチエージェント強化学習(MARL)は、反復シミュレーションを用いて、ネットワーク内の信号機の制御戦略の学習に特に有効である。 本研究では,高忠実度3次元モデリングと大規模交通流シミュレーションを組み合わせたCARLAとSUMOを統合したシミュレーションフレームワークを提案する。 テストベッドでの実験では、リアルタイムカメラを用いた交通状況検出におけるMARLアプローチの有効性が実証された。
  論文  参考訳（メタデータ） (2024-12-05T07:01:56Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Temporal Enhanced Floating Car Observers [1.9336815376402718]
  フローティング・カー・オブザーバ(Floating Car Observers, FCO)は、センサーを搭載した車両を配置し、他の車両を検知し、発見することで、交通データを収集する革新的な手法である。 少量のFCOでも、所定の交差点でかなりの数の車両を識別できることを実証する。 我々は,検出された車両とディープラーニングモデルのバードアイビュー表現のシーケンスを利用して,データ駆動型戦略を開発する。 このアプローチは、現在検出されていない車両を現在の状況に導入し、現在検出されている車両を強化することを目的としている。
  論文  参考訳（メタデータ） (2024-03-06T16:15:13Z)
• 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)
• 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)
• Blind-Spot Collision Detection System for Commercial Vehicles Using Multi Deep CNN Architecture [0.17499351967216337]
  高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。 盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。 機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-08-17T11:10:37Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)

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。