A Surrogate Metric-Based Framework for Placing Infrastructure Sensing Units to Enhance Cooperative Vehicle-Infrastructure Perception
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
It is anticipated that roadside infrastructure sensing units (ISU) can cooperatively work with intelligent and connected vehicles (ICVs) to perceive traffic scenes more accurately when ICVs increasingly penetrate the market. However, the dynamic occlusion issue may still impair the cooperative vehicle-infrastructure perception capability (CVIPC). This study addresses the lack of an effective method for placing ISUs to augment CVIPC in a partially connected traffic environment. This study introduces probabilistic occupancy grids (POGs) to model the uncertainty of dynamic occlusions. The ground truth POG is estimated with a co-simulation method, while the observed POG by ISUs and ICVs are estimated using the proposed occlusion-considered ray-tracing algorithm. The cross entropy (CE) is applied to measure the difference between the ground truth and observed POGs and is used as a surrogate metric for estimating CVIPC. Setting ISUs’ placement parameters and POG-based CE as decision variables and the objective, respectively, Bayesian optimization (BO) is integrated with the multi-agent deep reinforcement learning (DRL) to maximize CVIPC. The test results imply that combining BO and DRL can outperform BO in optimizing ISUs’ placement. Compared to the simulation-in-the-loop optimization, the surrogate metric -based framework can achieve faster optimization with a small compromise on the optimized CVIPC measured by intersection over union. Traffic volume, traffic composition and ICV penetration rate all substantially affect CVIPC. In the test cases, as the ICV penetration rate reaches 50%, the observed POG is very close to the ground truth POG, and a further increase in the number of ICVs does not substantially contribute to improving CVIPC.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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