論文の概要: A Multi-modal Detection System for Infrastructure-based Freight Signal Priority
- arxiv url: http://arxiv.org/abs/2602.17252v1
- Date: Thu, 19 Feb 2026 10:54:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:28.92678
- Title: A Multi-modal Detection System for Infrastructure-based Freight Signal Priority
- Title（参考訳）: インフラストラクチャに基づく重み信号優先性のためのマルチモーダル検出システム
- Authors: Ziyan Zhang, Chuheng Wei, Xuanpeng Zhao, Siyan Li, Will Snyder, Mike Stas, Peng Hao, Kanok Boriboonsomsin, Guoyuan Wu,
- Abstract要約: 本稿では,LiDARとカメラセンサを統合したインフラ型マルチモーダル貨物車両検出システムの設計,展開,評価について述べる。
知覚パイプラインはクラスタリングベースとディープラーニングベースの両方の検出方法と、Kalmanフィルタトラッキングを組み込んで、安定したリアルタイムパフォーマンスを実現する。
フィールド評価では,高時間分解能で貨物車両の動きを確実に監視できることが示されている。
- 参考スコア（独自算出の注目度）: 10.956714563438899
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Freight vehicles approaching signalized intersections require reliable detection and motion estimation to support infrastructure-based Freight Signal Priority (FSP). Accurate and timely perception of vehicle type, position, and speed is essential for enabling effective priority control strategies. This paper presents the design, deployment, and evaluation of an infrastructure-based multi-modal freight vehicle detection system integrating LiDAR and camera sensors. A hybrid sensing architecture is adopted, consisting of an intersection-mounted subsystem and a midblock subsystem, connected via wireless communication for synchronized data transmission. The perception pipeline incorporates both clustering-based and deep learning-based detection methods with Kalman filter tracking to achieve stable real-time performance. LiDAR measurements are registered into geodetic reference frames to support lane-level localization and consistent vehicle tracking. Field evaluations demonstrate that the system can reliably monitor freight vehicle movements at high spatio-temporal resolution. The design and deployment provide practical insights for developing infrastructure-based sensing systems to support FSP applications.
- Abstract（参考訳）: 信号交差点に接近する貨物車両は、FSP(Freight Signal Priority)をサポートするために、信頼性の高い検出と動き推定を必要とする。
車両の種類、位置、速度の正確なタイムリーな認識は、効果的な優先順位制御戦略の実現に不可欠である。
本稿では,LiDARとカメラセンサを統合したインフラ型マルチモーダル貨物車両検出システムの設計,展開,評価について述べる。
同期データ伝送のための無線通信を介して接続される中間ブロックサブシステムと中間ブロックサブシステムからなるハイブリッドセンシングアーキテクチャを採用する。
知覚パイプラインはクラスタリングベースとディープラーニングベースの両方の検出方法と、Kalmanフィルタトラッキングを組み込んで、安定したリアルタイムパフォーマンスを実現する。
LiDAR測定は、レーンレベルのローカライゼーションと一貫した車両追跡をサポートするため、測地基準フレームに登録される。
フィールド評価では,高時空間分解能で貨物車両の動きを確実に監視できることが示されている。
この設計と展開は、FSPアプリケーションをサポートするインフラベースのセンシングシステムを開発するための実践的な洞察を提供する。
関連論文リスト
- A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - DARTS: A Drone-Based AI-Powered Real-Time Traffic Incident Detection System [4.230713219853656]
DARTSは、AIを利用したドローンによるリアルタイム交通事故検知システムである。
このシステムは、自己収集されたデータセットで99%の精度で検出された。
現地試験では、DARTSは地方交通管理センターより12分早く後方衝突を検出し、確認した。
論文 参考訳（メタデータ） (2025-10-29T22:32:16Z) - 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) - Traffic Co-Simulation Framework Empowered by Infrastructure Camera Sensing and Reinforcement Learning [5.942910148207331]
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シミュレートとSUMOを組み合わせた協調シミュレーションフレームワークを提案する。
実時間カメラを用いた交通状況検出におけるMARL手法の有効性を示す。
論文 参考訳（メタデータ） (2024-12-05T07:01:56Z) - Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
交通流推定(TFE)はインテリジェント交通システムにおいて重要である。
本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。
このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
論文 参考訳（メタデータ） (2024-07-10T20:26:04Z) - A Framework for the Systematic Assessment of Anomaly Detectors in Time-Sensitive Automotive Networks [0.4077787659104315]
本稿では,異常検出アルゴリズムの再現性,比較性,迅速な評価を可能にするアセスメントフレームワークを提案する。
実例検出機構を評価し,TSNトラフィックフローと異常型の組み合わせによって検出性能がどう影響するかを明らかにする。
論文 参考訳（メタデータ） (2024-05-02T14:29:42Z) - 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) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Infrastructure-Based Object Detection and Tracking for Cooperative
Driving Automation: A Survey [16.20885642028316]
インフラベースの物体検出・追跡システムは、連結車両の知覚能力を高めることができる。
現在の機会、オープンな問題、今後のトレンドを指摘するために行われた議論。
論文 参考訳（メタデータ） (2022-01-28T00:55:24Z) - Towards formalization and monitoring of microscopic traffic parameters
using temporal logic [1.3706331473063877]
本稿では,形式言語Signal Temporal Logicを用いた交通ネットワーク解析のための仕様ベースのモニタリング手法を提案する。
我々は、速度制限に適合し、適切な進路を維持するなど、安全関連行動を特定するモニターを開発する。
この作業は交通管理センターがトラヒックストリーム特性を調査し、ハザードを特定し、トラヒック監視システムを自動化する上で貴重なフィードバックを提供するために利用することができる。
論文 参考訳（メタデータ） (2021-10-12T17:59:26Z)
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。