論文の概要: Anomaly Detection and Localization for the Pantograph-Catenary System

• arxiv url: http://arxiv.org/abs/2610.01721v1
• Date: Thu, 01 Oct 2026 13:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.175006
• Title: Anomaly Detection and Localization for the Pantograph-Catenary System
• Title（参考訳）: パンタグラフ・カテナリーシステムにおける異常検出と位置推定
• Abstract要約: パンタグラフ・キャテナリーシステム(PCS)のモニタリングは、パンタグラフと鉄道インフラの健康状態に関する洞察を提供する。 近年の産業用ソリューションは、畳み込みニューラルネットワークによるビデオ監視を用いて、パンタグラフの接触線高さとスタガー(PCS高さ/スタガー)をトレースしている。 本稿では,(1)基準経路のGPS座標と一致してPCSの高さ/短所の局所化を行うための新しい枠組みを提案し,2)PCSの健康状態を評価するための集団異常検出手法を提案する。
• 参考スコア（独自算出の注目度）: 4.072603437764628
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Monitoring the Pantograph-Catenary System (PCS) provides insight into the health conditions of the pantograph and the railway infrastructure. Recent industrial solutions trace the pantograph's contact wire height and stagger (PCS height/stagger) using video monitoring through convolutional neural networks. However, these solutions do not account for the train route's geographic location. Therefore, in this paper we propose a novel framework for 1) localization of the PCS height/stagger by alignment with the nominal GPS coordinates of the reference route, and 2) collective anomaly detection to evaluate the health conditions of the PCS. We apply and assess the localization and detection performance of the methodology to a case-study based on a real-world industrial dataset provided by a railway transportation company, which includes the PCS height/stagger of several train journeys across Italian railway routes.
• Abstract（参考訳）: パンタグラフ・キャテナリーシステム(PCS)のモニタリングは、パンタグラフと鉄道インフラの健康状態に関する洞察を提供する。 近年の産業用ソリューションは、畳み込みニューラルネットワークによるビデオ監視を用いて、パンタグラフの接触線高さとスタガー(PCS高さ/スタガー)をトレースしている。 しかし、これらの解決策は路線の地理的位置を考慮に入れていない。 そこで本稿では,新しい枠組みを提案する。 1)基準経路のGPS座標との整合によるPCS高さ・短剣の局所化 2)PCSの健康状態を評価するための集団異常検出。 本研究は,イタリアの鉄道路線を横断する列車のPCS高さ・短距離化を含む,鉄道輸送会社が提供する実世界の産業データセットに基づくケーススタディに,方法論の局所化と検出性能を適用し,評価する。

関連論文リスト

• Railway Artificial Intelligence Learning Benchmark (RAIL-BENCH): A Benchmark Suite for Perception in the Railway Domain [1.342309454877223]
  レイル・ベンチ(RAIL-BENCH)は、鉄道分野における最初の知覚ベンチマークスイートである。 レールトラック検出、オブジェクト検出、植生セグメンテーション、マルチオブジェクトトラッキング、モノクロビジュアル・オドメトリーの5つの課題を含む。 LineAPは、ポリリン予測の幾何学的精度を評価する新しいセグメントベース平均精度指標である。
  論文  参考訳（メタデータ） (2026-04-24T12:37:04Z)
• Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid [56.838297900091426]
  高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。 提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
  論文  参考訳（メタデータ） (2023-08-14T17:14:58Z)
• Wooden Sleeper Deterioration Detection for Rural Railway Prognostics Using Unsupervised Deeper FCDDs [0.0]
  本研究では, 鉄道部品の欠陥に対する深いFCDDを用いた一級損傷分類を自動化するための識別器パイプラインを考案した。 畳み込みニューラルネットワーク(CNN)を用いた深部骨のアブレーション研究も行った。 曇りの日当たりの後方から鉄道線路の映像取得データセットを用いた鉄道検査への適用を実演した。
  論文  参考訳（メタデータ） (2023-05-09T00:16:49Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Hough2Map -- Iterative Event-based Hough Transform for High-Speed Railway Mapping [27.365173155642996]
  送電線からの極など有意義なランドマークを車両近傍でマッピングできる,完全なオンボードマッピングパイプラインを提案する。 我々は、新しいイベントベースのカメラであるダイナミックビジョンセンサを用いて、鉄道シナリオにおける動きのぼやけや照明の変化の課題に対処する。 Hough2Mapは, 近接構造の検出, 追跡, 三角測量が可能な, 連続的なイベントベースのHough変換フレームワークである。
  論文  参考訳（メタデータ） (2021-02-16T13:36:07Z)
• Automatic Counting and Identification of Train Wagons Based on Computer Vision and Deep Learning [70.84106972725917]
  提案手法は費用対効果が高く,RFIDに基づく解を容易に置き換えることができる。 このシステムは、識別コードに損傷があるため、列車のワゴンの一部を自動的に拒絶することができる。
  論文  参考訳（メタデータ） (2020-10-30T14:56:54Z)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。