STC: Spatial and Temporal Clustering for Cooperative Perception System
Notice bibliographique
Résumé
Transportation safety is a very important concern for many decision-makers. Not only does it aim at preventing vehicle accidents, but also saves the lives of individuals who may be distracted while crossing the streets. Various traffic conditions can hinder the visibility of pedestrians and other vehicles when only relying on the local sensors attached to these AVs. Therefore, Cooperative Perception (CP) among Connected Autonomous Vehicles (CAV) is suggested to overcome this problem by utilizing inter-vehicle communication. However, communication network limitations, including limited bandwidth, packet loss, operator compatibilities, or even lack of coverage, can significantly impede the performance of these cooperative perception solutions. To this end, we propose a spatial safety-aware clustering algorithm. This algorithm clusters the perceived objects across AVs. This effective idea allows a decrease in communication payload by approximately 20% and efficiently increases the information reception over an infrastructure-less Vehicle-to-Vehicle (V2V) network by 10% compared to ETSI. Furthermore, we suggest integration of the spatial clustering algorithm with existing baselines, showing improvements of up to 18% for road object perception. Lastly, we propose a Spatial and Temporal Clustering (STC) approach that performs a clustering for information sent over the time domain in addition to the spatial clustering. This further decreases the payload by 41% and increases the perception up to 37% while showing more than a 12X increase in the reception of safety-relevant information compared to ETSI.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».