論文の概要: Situation Awareness for Intelligent Data Distribution in Connected Vehicles

• arxiv url: http://arxiv.org/abs/2609.05521v1
• Date: Tue, 01 Sep 2026 07:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.084521
• Title: Situation Awareness for Intelligent Data Distribution in Connected Vehicles
• Title（参考訳）: 連結車両におけるインテリジェントデータ配信の状況認識
• Abstract要約: 本研究では,Bird's-Eye-View画像を用いた車両の状況識別の概念を提案する。 この概念は、CARLAシミュレータ上でソフトウェアを実行することで評価され、検証された。 実世界のアプリケーションに対する状況識別モジュールのポータビリティを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The limitations of on-board sensors and blind spots caused by occlusion cause the reduction of perception quality in autonomous vehicles. In such cases, cooperative perception provides additional data via Vehicle-to-Everything communication to enhance local perception, causing a large volume of data transmission. The vehicle can focus on acquiring and utilizing relevant data according to the prevailing road context by identifying the current traffic situation. To achieve this, we propose a concept for the situation identification of the vehicle using Bird's-Eye-View images. Firstly, the situation around the vehicle is identified using object detection with semantic segmentation, followed by understanding the context of the traffic using a situation identification module consisting of an open-source projective transformation network Cam2BEV and a situation identification neural network. The concept was evaluated and validated by running the software on the CARLA simulator using the in-built RGB camera and the semantic segmentation camera. Additionally, the portability of the situation identification module for real-world applications was verified on Cityscapes and nuScenes urban driving datasets. Overall, the proposed situation identification approach enables efficient sensor data management by prioritizing relevant data to the current traffic situation. The source code is available in the following link: https://github.com/akshaynarla/DySi_Select
• Abstract（参考訳）: 車載センサーと閉塞による盲点の限界は、自動運転車の知覚品質の低下を引き起こす。 このような場合、協調的な知覚は、局所的な知覚を高めるために、車両間通信を介して追加のデータを提供し、大量のデータ伝達を引き起こす。 車両は、現在の交通状況を特定することにより、道路状況に応じて関連データを取得し、活用することに集中することができる。 そこで本稿では,Bird's-Eye-View画像を用いた車両の状況識別の概念を提案する。 まず、セマンティックセグメンテーションによる物体検出を用いて車両周囲の状況を識別し、次いで、オープンソースの投影型トランスフォーメーションネットワークCam2BEVと状況識別ニューラルネットワークからなる状況識別モジュールを用いて、トラフィックのコンテキストを理解する。 この概念は、内蔵RGBカメラとセマンティックセグメンテーションカメラを用いて、CARLAシミュレータ上でソフトウェアを動作させることにより評価され、検証された。 さらに,都市景観とヌースシーンの都市運転データセットを用いて,実世界のアプリケーションに対する状況識別モジュールのポータビリティを検証した。 全体として、提案手法は、現在の交通状況に関連データを優先順位付けすることで、効率的なセンサデータ管理を可能にする。 ソースコードは以下のリンクで入手できる。

関連論文リスト

• A Dynamic Transformer Network for Vehicle Detection [57.4144097001218]
  車両検出のための動的トランスフォーマーネットワーク(DTNet)を提案する。 DTNetは動的畳み込みを利用してディープネットワークを誘導し、重量を動的に生成し、得られた検出器の適応性を高める。 画像アカウントにおける差の欠点を克服するため、変換変分畳み込みは、取得した車両検出構造情報を洗練するために、空間的位置情報に依存する。
  論文  参考訳（メタデータ） (2025-06-03T11:29:35Z)
• Scalable AI Generative Content for Vehicular Network Semantic Communication [46.589349524682966]
  本稿では,エンコーダ・デコーダアーキテクチャを活用したスケーラブルな人工知能生成コンテンツ(AIGC)システムについて紹介する。 本システムは,画像をテキスト表現に変換し,品質を許容する画像に再構成し,車載ネットワークセマンティック通信の伝送を最適化する。 実験結果から,提案手法は盲点における車両の認識基準を超越し,通信データを効果的に圧縮することが示唆された。
  論文  参考訳（メタデータ） (2023-11-23T02:57:04Z)
• Edge-Aided Sensor Data Sharing in Vehicular Communication Networks [8.67588704947974]
  車両・車間通信と車両・車間通信を併用した車両ネットワークにおけるセンサデータ共有と融合を考察する。 本稿では、エッジサーバが車両からセンサ計測データを収集・キャッシュするBidirectional Feedback Noise Estimation (BiFNoE) 手法を提案する。 認識精度は平均80%向上し, アップリンクは12kbps, ダウンリンク帯域は28kbpsであった。
  論文  参考訳（メタデータ） (2022-06-17T16:30:56Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)
• Cooperative Perception with Deep Reinforcement Learning for Connected Vehicles [7.7003495898919265]
  本研究では, 周辺物体の検出精度を高めるために, 深層強化学習を用いた協調認識方式を提案する。 本手法は、車両通信網におけるネットワーク負荷を軽減し、通信信頼性を高める。
  論文  参考訳（メタデータ） (2020-04-23T01:44:12Z)

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。