論文の概要: RoboSense: Leveraging Robotaxi Fleets as Drive-by Sensors for Urban Traffic Monitoring
- arxiv url: http://arxiv.org/abs/2609.06813v1
- Date: Sun, 06 Sep 2026 20:12:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 04:27:04.361689
- Title: RoboSense: Leveraging Robotaxi Fleets as Drive-by Sensors for Urban Traffic Monitoring
- Title（参考訳）: RoboSense:都市交通監視のためのドライブバイセンサーとしてロボタクシーを活用
- Abstract要約: ロボット軸の展開が進むと、ネットワークレベルのトラフィック監視の新たな機会が生まれる。
本稿では,交通監視タスクを目的として明示的に組み込んだ新しい動的ロボタクシールーティングフレームワークを提案する。
目的関数に時間的ネットワークカバレッジを組み込むことで,トラヒック監視性能を効果的に向上できることを示す。
- 参考スコア（独自算出の注目度）: 12.625504268294378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban traffic monitoring plays a critical role in safety analysis, congestion management, and incident response. The growing deployment of robotaxis creates a new opportunity for network-level traffic monitoring. Although robotaxis are primarily designed to serve passengers, they can also be leveraged as drive-by sensors to collect traffic data. Compared to conventional infrastructure sensors or probe vehicles, a fleet of robotaxis forms a cooperative perception environment, which can collectively gather spatially and temporally continuous traffic information. This paper proposes a novel dynamic robotaxi routing framework that explicitly incorporates traffic monitoring tasks as an objective. The framework introduces: (1) a cell-based network representation that aligns with sensing capabilities of robotaxis; (2) a cell-level monitoring metric to quantify spatiotemporal robotaxi coverage; and (3) a mixed-integer linear programming (MILP) formulation that jointly minimizes time-dependent travel time and maximizes traffic monitoring performance. A 5 by 5 urban grid network is built in SUMO to evaluate the framework under three robotaxi market penetration rates (2%, 5%, and 10%) with a range of objective weight combinations. Results show that incorporating spatiotemporal network coverage in the objective function can effectively improve the traffic monitoring performance. Interestingly, with appropriate weights between the two objectives, monitoring performance and robotaxi average speed can be improved simultaneously. This suggests better network monitoring leads to more accurate traffic state prediction and improved mobility. This win-win situation could incentivize robotaxi operators to contribute their vehicles as drive-by sensors for traffic monitoring.
- Abstract（参考訳）: 都市交通監視は、安全分析、渋滞管理、インシデント対応において重要な役割を果たしている。
ロボット軸の展開が増加することで、ネットワークレベルのトラフィック監視の新たな機会が生まれる。
ロボットタクシーは主に乗客にサービスを提供するように設計されているが、交通データを収集するためにドライブバイセンサーとして利用することもできる。
従来のインフラセンサーやプローブ車両と比較して、ロボット軸の群れは協調的な知覚環境を形成し、空間的かつ時間的に連続した交通情報を集合的に収集することができる。
本稿では,交通監視タスクを目的として明示的に組み込んだ新しい動的ロボタクシールーティングフレームワークを提案する。
本フレームワークでは,(1)ロボット軸の知覚能力と整合するセルベースネットワーク表現,(2)時空間ロボタクシー網を定量化するためのセルレベル監視指標,(3)時間依存の移動時間を最小化し,交通監視性能を最大化する混合整数線形プログラミング(MILP)の定式化について紹介する。
SUMOに5×5の都市グリッドネットワークを構築し、3つのロボタクシー市場浸透率(2%, 5%, 10%)を対象重量の組み合わせで評価する。
目的関数に時空間網のカバレッジを組み込むことで,トラヒック監視性能を効果的に向上できることを示す。
興味深いことに、両目標間の適切な重み付けにより、監視性能とロボタクシー平均速度を同時に改善することができる。
これは、ネットワーク監視の改善により、より正確なトラフィック状態予測とモビリティ向上につながることを示唆している。
この勝利の状況は、ロボットタクシーのオペレーターに、交通監視のためのドライブバイセンサーとして自分の車両に貢献するインセンティブを与える可能性がある。
関連論文リスト
- SkyDrive: Learning to Drive in a New City from Aerial Traffic Monitoring [69.91458772455071]
emphSkyDriveは、ドローンベースのトラフィック監視を使用して、新しい環境における自律運転エージェントの効率的な監視を提供するフレームワークである。
以上の結果から,航空交通監視は,新都市における自律走行システムに適応するための,効率的かつスケーラブルなデータソースであることが示唆された。
論文 参考訳（メタデータ） (2026-08-25T20:47:09Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z) - Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - 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) - Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning [16.25152138605216]
本稿では,TTC-Xのマルチレベル交通タイミングカメラ監視システムについて紹介する。
TTC-Xは、従来の監視システムにおける固定視野の限界を克服し、動員および360度のカバレッジを提供する。
ニューヨーク州ブルックリンの現実世界の交通データを用いて,3つの実験シナリオで検証および評価を行った。
論文 参考訳（メタデータ） (2024-08-05T03:17:44Z) - Graph Attention Network for Lane-Wise and Topology-Invariant Intersection Traffic Simulation [8.600701437207725]
交差点に対する2つの効率的かつ正確な「デジタルツイン」モデルを提案する。
これらのデジタルツインは、交差点内の交通の時間的、空間的、文脈的な側面を捉えている。
本研究の応用は、車線再構成、運転行動分析、交差点の安全性と効率向上に関する情報決定の促進まで及んでいる。
論文 参考訳（メタデータ） (2024-04-11T03:02:06Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Traffic-Net: 3D Traffic Monitoring Using a Single Camera [1.1602089225841632]
我々は,1台のCCTVトラヒックカメラを用いたリアルタイムトラヒック監視のための実用的なプラットフォームを提供する。
車両・歩行者検出のためのカスタムYOLOv5ディープニューラルネットワークモデルとSORT追跡アルゴリズムの改良を行った。
また、短時間・長期の時間的ビデオデータストリームに基づく階層的なトラフィックモデリングソリューションも開発している。
論文 参考訳（メタデータ） (2021-09-19T16:59:01Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z) - Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。
具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。
提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文 参考訳（メタデータ） (2020-12-26T19:41:15Z) - Artificial Intelligence Enabled Traffic Monitoring System [3.085453921856008]
本稿では,深層畳み込みニューラルネットワークを用いたリアルタイム交通映像の自動監視手法を提案する。
提案システムは、さまざまなトラフィック監視ニーズを自動化するために、最先端のディープラーニングアルゴリズムをデプロイする。
論文 参考訳（メタデータ） (2020-10-02T22:28:02Z)
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。