An Enhanced 3D Sensor Deployment Method for Intelligent Cooperative Sensing in Connected and Autonomous Vehicles
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
Currently, heterogeneous driving scenarios and complex traffic conditions challenge connected and autonomous vehicles (CAVs) to achieve accurate sensing of road conditions. Existing research on the sensing capabilities of vehicles only relys on adding more onboard sensors, which makes the driving safety unable to be guaranteed due to the installment and cost limit of various sensors. Therefore, this paper proposes an enhanced 3D sensor deployment method to break through the sensing capabilities of CAVs’ own equipment limitations. By efficiently utilizing road infrastructure, reasonable roadside sensor deployment will effectively assist CAVs to expand the sensing range and improve overall sensing accuracy. Firstly, in order to address the limitations of existing works that often rely on simplified sensor models and idealized road conditions, we propose a Bresenham-based sensor and environment model that can be used to construct realistic road environments. Secondly, a decision transformer (DT)-based method is adopted to solve the problem of optimal deployment of sensors in road environments. Our approach effectively addresses the limitations of traditional static deployment methods, which often fail to consider the complexities of real-world driving conditions and the diverse factors influencing optimal sensor deployment. Finally, in order to solve the problem of DT delayed rewards, we propose a two-layer optimization method to redistribute the reward function to solve the challenge of local optimization. A large number of simulations oriented to sensing effects not only verify the effectiveness of the sensor deployment method but also ensure the reliability of sensing assistance.
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