論文の概要: Scalable Edge-assisted Fusion and Path Prediction for Connected Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2609.04364v1
- Date: Thu, 03 Sep 2026 18:25:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.784859
- Title: Scalable Edge-assisted Fusion and Path Prediction for Connected Autonomous Vehicles
- Title（参考訳）: 接続型自律走行車における拡張性エッジアシスト核融合と経路予測
- Abstract要約: 固定アンカーの観点から統一世界モデルを構築するためのエッジベースのソリューションであるConductorを提案する。
私たちのソリューションは、最高の品質の成果につながるAVの数を動的に制限することで、情報時代予算に準拠します。
- 参考スコア（独自算出の注目度）: 34.48638046693974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The planning algorithms inside an Autonomous Vehicle (AV) rely on information from on-board sensors whose line of sight is limited by emerging traffic conditions and occlusions. Edge-assisted creation of a unified world model fusing information from AVs and Road Side Units (RSUs) in a geographical locale, and the prediction of AVs' future trajectories, can enhance the planning algorithms inside AVs to improve quality metrics, such as better traffic flow and collision prevention. AVs participating in such enhancements are called Connected Autonomous Vehicles (CAVs). However, such information generated by the edge (world model and motion predictions) must reach the planners within a tight Age of Information (AoI) time budget to be useful. The state of the art fuses per-CAV information: each AV fuses inputs from other actors locally, which limits both scalability with actor count and quality of results. We present Conductor, an edge-based solution for creating a unified world model from the perspective of a fixed anchor (e.g., an RSU) in a locale and predicting future trajectories of AVs in that locale. Our solution adheres to the AoI time budget by dynamically limiting the number of AVs that would lead to the best quality of results. Specifically, we introduce an occlusion-aware selector that favors information contribution by AVs that detect objects in the locale not covered by RSUs. We pair this selector with a runtime controller that adapts both the number of AV inputs to fuse and the amount of trajectory predictions in each cycle to stay within the AoI time budget. Evaluation on CAV simulation infrastructure shows our joint selector-controller meets the AoI safety bound across traffic scenarios with up to 31 CAVs, with fusion fidelity close to an Oracle and much better than a random selector under the same AoI constraint.
- Abstract（参考訳）: 自律走行車(AV)内の計画アルゴリズムは、新たな交通状況や閉塞によって視線が制限されるオンボードセンサーの情報に依存している。
AVと道路側ユニット(RSU)からの情報を地理的に融合した統一世界モデルの構築と、AVの今後の軌道予測により、AV内部の計画アルゴリズムを強化し、交通流や衝突防止などの品質指標を改善することができる。
このような拡張に参加するAVはコネクテッド・オートモービルズ (Connected Autonomous Vehicles, CAV) と呼ばれる。
しかし、エッジ(世界モデルと動き予測)によって生成された情報は、情報時代(AoI)の時間予算が有効であるためには、プランナーに届く必要がある。
AVは各アクターからの入力をローカルにフューズし、アクター数によるスケーラビリティと結果の品質の両方を制限します。
本研究では、固定アンカー(例えば、RSU)をローカライズし、そのローカライズにおけるAVの将来の軌跡を予測する観点から、統一世界モデルを作成するためのエッジベースのソリューションであるConductorを提案する。
私たちのソリューションは、AoIの時間予算に準拠しており、結果の最高の品質につながるAVの数を動的に制限します。
具体的には、RASがカバーしていないローカライズ中の物体を検出するAVによる情報提供を優先するオクルージョン対応セレクタを提案する。
このセレクタをランタイムコントローラと組み合わせて,AoI時間予算内に留まるために,ヒューズへのAV入力数と各サイクルにおける軌道予測量の両方を適応させる。
CAVシミュレーションインフラストラクチャの評価では,AoIの安全性が最大31個のCAVの交通シナリオにまたがり,Oracleに近く,同じAoI制約の下でランダムなセレクタよりもはるかに優れていることが示されている。
関連論文リスト
- Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。
VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
論文 参考訳（メタデータ） (2024-10-02T02:20:42Z) - Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。
本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-05T12:36:08Z) - Stackelberg Driver Model for Continual Policy Improvement in
Scenario-Based Closed-Loop Autonomous Driving [5.765939495779461]
安全クリティカルなシナリオを合成するための効率的な手法のクラスとして、敵生成法が登場した。
Stackelberg Driver Model (SDM) を調整し、車両相互作用の階層的な性質を正確に特徴づける。
提案アルゴリズムは,特に高次元シナリオにおいて,いくつかのベースラインと比較して優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-25T15:47:07Z) - Fusion-GRU: A Deep Learning Model for Future Bounding Box Prediction of
Traffic Agents in Risky Driving Videos [20.923004256768635]
Fusion-Gated Recurrent Unit (Fusion-GRU)は、将来のバウンディングボックスローカライゼーションのための新しいエンコーダデコーダアーキテクチャである。
提案手法は, ROL と HEV-I の2つの公開データセットを用いて評価する。
論文 参考訳（メタデータ） (2023-08-12T18:35:59Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - Shared Information-Based Safe And Efficient Behavior Planning For
Connected Autonomous Vehicles [6.896682830421197]
我々は、連結自動運転車のための統合情報共有と安全なマルチエージェント強化学習フレームワークを設計する。
まず、重畳畳み込み畳み込みニューラルネットワーク(CNN)を用いて、生画像とポイントクラウドのLIDARデータを各自動運転車でローカルに処理する。
次に、車両の局部観測とV2V通信を介して受信した情報の両方を利用する安全なアクター批判アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-02-08T20:31:41Z) - Intersection focused Situation Coverage-based Verification and
Validation Framework for Autonomous Vehicles Implemented in CARLA [1.1602089225841632]
本稿では,AVの検証・検証(V&V)と安全性保証のための状況カバレッジベース(SitCov) AV-testingフレームワークを提案する。
SitCov AV-testing frameworkは、異なる環境および交差点構成下での道路交差点における車両と車両の相互作用に焦点を当てる。
私たちのコードはオンラインで公開されており、誰でも私たちのSitCov AV-testingフレームワークを使って、それを使って、さらにその上に構築することができます。
論文 参考訳（メタデータ） (2021-12-24T02:56:56Z) - Attention-based Reinforcement Learning for Real-Time UAV Semantic
Communication [53.46235596543596]
移動地利用者に対する空対地超信頼性・低遅延通信(URLLC)の問題点について検討する。
グラフアテンション交換ネットワーク(GAXNet)を用いたマルチエージェント深層強化学習フレームワークを提案する。
GAXNetは、最先端のベースラインフレームワークと比較して、0.0000001エラー率で6.5倍のレイテンシを実現している。
論文 参考訳（メタデータ） (2021-05-22T12:43:25Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z)
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。