論文の概要: Revolutionizing Turn-by-Turn Navigation with Cloud-Edge Deep Learning
- arxiv url: http://arxiv.org/abs/2608.29073v1
- Date: Sat, 29 Aug 2026 05:57:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.831743
- Title: Revolutionizing Turn-by-Turn Navigation with Cloud-Edge Deep Learning
- Title（参考訳）: クラウドエッジディープラーニングによるターンバイターンナビゲーションの革新
- Abstract要約: ターンバイターン(TBT)ナビゲーションシステムは、ドライバーを目的地まで安全に誘導するためのリアルタイムオーディオ命令を提供する。
既存の音声教育ポリシーは、情報コンテンツと認知的負荷のバランスをとるのに苦労するルールベースのアプローチに依存することが多い。
本稿では,TBT運転ナビゲーションのためのリアルタイム・コンテキスト対応音声命令を生成する新しいディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 42.41669058801642
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Turn-by-turn (TBT) navigation systems are integral to modern driving experiences, providing real-time audio instructions to guide drivers safely to destinations. However, existing audio instruction policy often relies on rule-based approaches that struggle to balance informational content with cognitive load, potentially leading to driver confusion or missed turns in complex environments. To overcome these difficulties, we first model the generation of navigation instructions as a multi-task learning problem by decomposing the audio content into combinations of modular elements. Then, we propose a novel deep learning framework that leverages the powerful spatiotemporal information processing capabilities of Transformers and the strong multi-task learning abilities of Mixture of Experts (MoE) to generate real-time, context-aware audio instructions for TBT driving navigation. A cloud-edge collaborative architecture is implemented to handle the computational demands of the model, ensuring scalability and real-time performance for practical applications. Experimental results in the real world demonstrate that the proposed method significantly reduces the yaw rate (the proportion of vehicles deviating from navigation routes) compared to traditional methods, delivering clearer and more effective audio instructions. This is the first large-scale application of deep learning in driving audio navigation, marking a substantial advancement in intelligent transportation and driving assistance technologies.
- Abstract（参考訳）: ターンバイターン(TBT)ナビゲーションシステムは現代の運転体験に不可欠なものであり、ドライバーが目的地に安全に誘導するためのリアルタイムオーディオ指示を提供する。
しかし、既存の音声教育ポリシーは、情報コンテンツと認知的負荷のバランスをとるのに苦労するルールベースのアプローチに依存しており、複雑な環境でドライバーの混乱や行き違いにつながる可能性がある。
これらの課題を克服するために、我々はまず、オーディオコンテンツをモジュール要素の組み合わせに分解することで、マルチタスク学習問題としてナビゲーション命令の生成をモデル化する。
そこで我々は,トランスフォーマーの強力な時空間情報処理能力とMixture of Experts(MoE)の強力なマルチタスク学習能力を活用して,TBT運転ナビゲーションのためのリアルタイム・コンテキスト対応音声命令を生成する,新しいディープラーニングフレームワークを提案する。
クラウドエッジのコラボレーティブアーキテクチャは、モデルの計算要求に対処し、実用的なアプリケーションのスケーラビリティとリアルタイムパフォーマンスを確保するために実装されている。
実世界の実験結果から,提案手法は従来手法と比較してヨーレート(航法経路から逸脱する車両の割合)を著しく低減し,より明瞭で効果的な音声指示を提供することを示した。
これは、音声ナビゲーションの駆動におけるディープラーニングの最初の大規模応用であり、インテリジェントな輸送と運転支援技術の大幅な進歩を示している。
関連論文リスト
- AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。
無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。
本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
論文 参考訳（メタデータ） (2026-02-10T11:08:07Z) - VLingNav: Embodied Navigation with Adaptive Reasoning and Visual-Assisted Linguistic Memory [43.2995099083993]
VLAモデルは、認識と計画を統合することで、航法を具現化する有望な可能性を示してきた。
既存のVLAモデルは、観察から行動へのリアクティブマッピングに直接依存している。
VLingNav(VLAモデル)を提案する。
論文 参考訳（メタデータ） (2026-01-13T15:43:43Z) - KnowVal: A Knowledge-Augmented and Value-Guided Autonomous Driving System [44.93698347738791]
視覚言語推論を可能にする新しい自律運転システムであるKnowValを提案する。
交通法則,防衛運転原則,倫理規範を符号化した総合運転知識グラフを構築した。
KnowVal は nuScene 上での衝突速度と Bench2Drive 上での最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-12-23T12:08:00Z) - A Multi-Modal Knowledge-Enhanced Framework for Vessel Trajectory Prediction [15.632923519516295]
船舶軌道予測のためのマルチモーダル知識強化フレームワーク(MAKER)を提案する。
不規則なサンプリング時間間隔に対抗するため、MAKERはLarge Language Model-Guided Knowledge Transfer (LKT)モジュールを備えている。
複雑な軌跡パターンを学習する能力を強化するため、MAKERは知識ベースのセルフペースト学習(KSL)モジュールを組み込んでいる。
論文 参考訳（メタデータ） (2025-03-27T00:01:35Z) - From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。
複雑な動的トラフィックシナリオを処理できる。
CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
論文 参考訳（メタデータ） (2024-10-03T06:45:59Z) - AVLEN: Audio-Visual-Language Embodied Navigation in 3D Environments [60.98664330268192]
AVLEN(Audio-Visual-Language Embodied Navigationの対話型エージェント)を提案する。
AVLENの目標は、3Dビジュアルワールドをナビゲートすることでオーディオイベントをローカライズすることである。
これらの能力を実現するために、AVLENはマルチモーダル階層的な強化学習バックボーンを使用する。
論文 参考訳（メタデータ） (2022-10-14T16:35:06Z) - Counterfactual Cycle-Consistent Learning for Instruction Following and
Generation in Vision-Language Navigation [172.15808300686584]
本稿では,2つのタスクを同時に学習し,それぞれのトレーニングを促進するために本質的な相関性を利用するアプローチについて述べる。
提案手法は,様々な追従モデルの性能を改善し,正確なナビゲーション命令を生成する。
論文 参考訳（メタデータ） (2022-03-30T18:15:26Z) - Visual-Language Navigation Pretraining via Prompt-based Environmental
Self-exploration [83.96729205383501]
本稿では,言語埋め込みの高速適応を実現するために,プロンプトベースの学習を導入する。
我々のモデルは、VLNやREVERIEを含む多様な視覚言語ナビゲーションタスクに適応することができる。
論文 参考訳（メタデータ） (2022-03-08T11:01:24Z) - Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。
小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。
本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T20:14:02Z) - Affordance-based Reinforcement Learning for Urban Driving [3.507764811554557]
経路点と低次元視覚表現を用いた最適制御ポリシーを学習するための深層強化学習フレームワークを提案する。
スクラッチから訓練されたエージェントは、車線追従のタスクを学習し、区間間を走り回り、密集した交通状況でも他のアクターや信号機の前で立ち止まることを実証する。
論文 参考訳（メタデータ） (2021-01-15T05:21:25Z)
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。