Virtual‐real‐fusion simulation framework for evaluating and optimizing small‐spatial‐scale placement of cooperative roadside sensing units
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Roadside sensing units’ (RSUs) perception capability may be substantially impaired by occlusion issue even they work cooperatively. However, the joint influence of static and dynamic occlusions in real-life situations remains inadequately considered in optimizing RSUs’ placement. This study proposes a virtual-real-fusion simulation (VRFS) framework that combines traffic simulation and point clouds of real-world road environment to optimize RSUs’ deployment. Point clouds and triangular meshes are used to model static and dynamic obstacles, respectively. A structure-retained spherical projection method is developed to efficiently emulate RSUs’ data collection. Based on the developed VRFS, the probabilistic occupancy maps (POM) are created to represent traffic scenarios. The POM-based cross entropy (CE) is proposed as the surrogate metric for evaluating the detection performance of cooperative RSUs. The Bayesian optimizer is applied to optimize the RSUs’ placement parameters (decision variables) by minimizing CE. Test results show that it is viable to use the POM-based CE as a proxy for evaluating cooperative RSUs’ sensing performance. Considering the occlusion effect adds to the efficacy of POM-based CE as a surrogate metric. Compared with traffic volume, the adverse effect of the proportion of large vehicles on RSUs’ detection performance is more significant. There are no significant patterns regarding how the optimized RSU positions vary with traffic parameters. The comparisons with existing methods further verify the importance of considering both static and dynamic occlusions in optimizing RSUs’ placement. Besides, the proposed method can yield better optimization results more efficiently than existing approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle