論文の概要: Mitigating Concept Drift in QoS Prediction for Teleoperation of Autonomous Vehicles Using Historic Data

• arxiv url: http://arxiv.org/abs/2610.08297v1
• Date: Tue, 06 Oct 2026 13:01:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.996879
• Title: Mitigating Concept Drift in QoS Prediction for Teleoperation of Autonomous Vehicles Using Historic Data
• Title（参考訳）: 歴史データを用いた自動運転車の遠隔操作のためのQoS予測におけるコンセプトドリフトの緩和
• Abstract要約: 本稿では,2つの重要な遠隔操作ネットワークであるアップリンクデータレートとラウンドトリップ遅延を予測するための予測フレームワークを提案する。 また,遠隔操作に特化して予測性能を評価するために,臨界シナリオ検出の指標を導入する。
• 参考スコア（独自算出の注目度）: 0.44798341036073835
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Teleoperation serves as the fallback solution to autonomous driving but reliable functions of the teleoperation require a certain amount of mobile network resources, which cannot be guaranteed at all times. Therefore, predictive quality of service (pQoS) is introduced as a concept to increase the resilience of the teleoperation. In this paper, based on a data measurement campaign, we propose a prediction framework to prediction two important network KPIs of teleoperation: uplink data-rate and round-trip latency. Furthermore, we introduce a method to alleviate the performance degradation of machine-learning-based prediction models on previously unseen data due to concept drift by incorporating historic data into the prediction pipeline. Additionally, we introduce the metric of critical scenario detection to evaluate the prediction performance specifically for teleoperation.
• Abstract（参考訳）: 遠隔操作は自動運転のフォールバックソリューションとして機能するが、遠隔操作の信頼性の高い機能には一定の量のモバイルネットワークリソースが必要であるため、常に保証できない。 したがって、遠隔操作のレジリエンスを高める概念として、予測サービス品質(pQoS)が導入された。 本稿では,データ計測キャンペーンに基づく遠隔操作の2つの重要なネットワークKPIであるアップリンクデータレートとラウンドトリップ遅延を予測するための予測フレームワークを提案する。 さらに,従来の履歴データを予測パイプラインに組み込むことで,概念のドリフトによる未確認データに対する機械学習に基づく予測モデルの性能劣化を軽減する手法を提案する。 さらに,遠隔操作に特化して予測性能を評価するために,臨界シナリオ検出の指標を導入する。

関連論文リスト

• Cellular Predictions on the Move: What about Data? [0.15039745292757667]
  本稿では,モバイルデータトラフィックの時系列化に加えて,セルラートラフィック源の潜在的数とその移動量といった人口動態を特徴付けることを提案する。 総合的な実験では、これらのデータのみを使用することで、60ドルのオーダーで予測の改善が示される。
  論文  参考訳（メタデータ） (2026-06-24T11:21:17Z)
• Multi-grained spatial-temporal feature complementarity for accurate online cellular traffic prediction [25.37334609319972]
  提案手法は,現実的な連続予測シナリオにおいて高精度な予測を実現するために考案された。 4つの実世界のデータセットで実施された実験は、MGSTCが11の最先端のベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-01T05:33:32Z)
• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• 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)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Event-Driven Source Traffic Prediction in Machine-Type Communications Using LSTM Networks [5.995091801910689]
  イベント駆動ソーストラフィック予測のためのLong Short-Term Memory (LSTM)ベースのディープラーニングアプローチを提案する。 我々のモデルは、既存のベースラインソリューションよりも、リソースの節約と精度を約9%で上回ります。
  論文  参考訳（メタデータ） (2021-01-12T09:31:18Z)
• DSDNet: Deep Structured self-Driving Network [92.9456652486422]
  本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。 我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
  論文  参考訳（メタデータ） (2020-08-13T17:54:06Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)
• CARPAL: Confidence-Aware Intent Recognition for Parallel Autonomy [24.358828325716427]
  本稿では,確率的ドライバ軌道だけでなく,下流タスクの予測に付随する実用統計も予測する,新しいマルチタスク意図認識ニューラルネットワークを提案する。 我々は,現実的な都市運転データセット上でオンラインシステムをテストし,基準手法と比較して,リコールとフォールアウトの指標でその利点を実証する。
  論文  参考訳（メタデータ） (2020-03-18T01:25:06Z)

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。