論文の概要: Geo-ORBIT: A Federated Digital Twin Framework for Scene-Adaptive Lane Geometry Detection

• arxiv url: http://arxiv.org/abs/2507.08743v1
• Date: Fri, 11 Jul 2025 16:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.435597
• Title: Geo-ORBIT: A Federated Digital Twin Framework for Scene-Adaptive Lane Geometry Detection
• Title（参考訳）: Geo-ORBIT:シーン適応型レーン幾何検出のためのフェデレーション付きデジタルツインフレームワーク
• Authors: Rei Tamaru, Pei Li, Bin Ran,
• Abstract要約: Geo-ORBITはリアルタイムレーン検出、DT同期、フェデレーション付きメタラーニングを組み合わせた統合フレームワークである。 このモデルをMeta-GeoLaneを通じて拡張し、ローカルエンティティの検出パラメータをパーソナライズする。 我々のシステムはCARLAやSUMOと統合され、高速道路のシナリオをレンダリングし、リアルタイムに交通の流れをキャプチャする高忠実なDTを作成する。
• 参考スコア（独自算出の注目度）: 17.09138102827048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital Twins (DT) have the potential to transform traffic management and operations by creating dynamic, virtual representations of transportation systems that sense conditions, analyze operations, and support decision-making. A key component for DT of the transportation system is dynamic roadway geometry sensing. However, existing approaches often rely on static maps or costly sensors, limiting scalability and adaptability. Additionally, large-scale DTs that collect and analyze data from multiple sources face challenges in privacy, communication, and computational efficiency. To address these challenges, we introduce Geo-ORBIT (Geometrical Operational Roadway Blueprint with Integrated Twin), a unified framework that combines real-time lane detection, DT synchronization, and federated meta-learning. At the core of Geo-ORBIT is GeoLane, a lightweight lane detection model that learns lane geometries from vehicle trajectory data using roadside cameras. We extend this model through Meta-GeoLane, which learns to personalize detection parameters for local entities, and FedMeta-GeoLane, a federated learning strategy that ensures scalable and privacy-preserving adaptation across roadside deployments. Our system is integrated with CARLA and SUMO to create a high-fidelity DT that renders highway scenarios and captures traffic flows in real-time. Extensive experiments across diverse urban scenes show that FedMeta-GeoLane consistently outperforms baseline and meta-learning approaches, achieving lower geometric error and stronger generalization to unseen locations while drastically reducing communication overhead. This work lays the foundation for flexible, context-aware infrastructure modeling in DTs. The framework is publicly available at https://github.com/raynbowy23/FedMeta-GeoLane.git.
• Abstract（参考訳）: デジタルツインズ(DT)は、条件を感知し、操作を分析し、意思決定をサポートする輸送システムの動的で仮想的な表現を作成することによって、交通管理と運用を変革する可能性がある。 交通システムにおけるDTの鍵となる要素は動的道路幾何センシングである。 しかし、既存のアプローチは、しばしば静的マップや高価なセンサーに依存し、スケーラビリティと適応性を制限する。 さらに、複数のソースからデータを収集、分析する大規模なDTは、プライバシ、通信、計算効率の課題に直面します。 これらの課題に対処するために、リアルタイムレーン検出、DT同期、フェデレートされたメタラーニングを組み合わせた統合フレームワークGeo-ORBIT(Geometrical Operational Roadway Blueprint with Integrated Twin)を紹介する。 Geo-ORBITのコアとなるGeoLaneは、路面カメラを用いた車線軌跡データから車線ジオメトリーを学習する軽量レーン検出モデルである。 このモデルを、ローカルエンティティの検出パラメータをパーソナライズするMeta-GeoLaneと、ロードサイドデプロイメント全体にわたってスケーラブルでプライバシ保護の適応を保証するフェデレーション学習戦略であるFedMeta-GeoLaneを通じて拡張する。 我々のシステムはCARLAやSUMOと統合され、高速道路のシナリオをレンダリングし、リアルタイムに交通の流れをキャプチャする高忠実なDTを作成する。 多様な都市のシーンにわたる大規模な実験により、FedMeta-GeoLaneは一貫してベースラインとメタラーニングのアプローチを上回り、幾何誤差を低くし、見つからない場所へのより強力な一般化を実現し、通信オーバーヘッドを大幅に減らした。 この作業は、DTにおけるフレキシブルでコンテキスト対応のインフラストラクチャモデリングの基礎となる。 このフレームワークはhttps://github.com/raynbowy23/FedMeta-GeoLane.gitで公開されている。

関連論文リスト

• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• NLP-enabled Trajectory Map-matching in Urban Road Networks using a Transformer-based Encoder-decoder [1.3812010983144802]
  本研究では,NLPにインスパイアされた機械翻訳としてタスクを定式化する,データ駆動型深層学習型マップマッチングフレームワークを提案する。 変圧器を用いたエンコーダ・デコーダモデルでは,ノイズの多いGPS点の文脈表現を学習し,軌道の挙動や道路構造をエンドツーエンドに推定する。 合成軌道実験により、この手法は文脈認識を統合することによって従来の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-04-18T18:39:23Z)
• Probabilistic Image-Driven Traffic Modeling via Remote Sensing [8.234589405189187]
  都市交通モデルの構築に使用できるマルチモーダル・マルチタスクトランスフォーマーに基づくセグメンテーションアーキテクチャを提案する。 そこで我々は,Dynamic Traffic Speedsベンチマークデータセットを用いて提案手法を広範囲に評価し,現状を著しく改善した。
  論文  参考訳（メタデータ） (2024-03-08T18:43:28Z)
• Elastic Interaction Energy-Informed Real-Time Traffic Scene Perception [8.429178814528617]
  EIEGSegという名前のトポロジ対応エネルギー損失関数に基づくネットワークトレーニング戦略を提案する。 EIEGSegは、リアルタイムの交通シーン認識におけるマルチクラスセグメンテーションのために設計されている。 以上の結果から,EIEGSegは,特にリアルタイム軽量ネットワークにおいて,性能を継続的に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-02T01:30:42Z)
• Continuous Self-Localization on Aerial Images Using Visual and Lidar Sensors [25.87104194833264]
  本研究では,車両のセンサ情報を未確認対象領域の航空画像に登録することにより,屋外環境におけるジオトラッキング手法を提案する。 我々は、地上および空中画像から視覚的特徴を抽出するために、計量学習環境でモデルを訓練する。 本手法は,視認不可能な正光の自己局在化のために,エンド・ツー・エンドの微分可能なモデルでオンボードカメラを利用する最初の方法である。
  論文  参考訳（メタデータ） (2022-03-07T12:25:44Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための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） (2020-04-23T03:50:46Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。