MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016935354
■00520240214101922
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380607384
■035    ▼a(MiAaPQ)AAI30690989
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a624
■1001  ▼aXu,  Runsheng.
■24510▼aCooperative  Driving  Automation:  Simulation  and  Perception▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(216  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Ma,  Jiaqi.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAutomated  driving  technology  has  emerged  in  recent  years  due  to  its  potential  to  revolutionize  transportation,  bringing  enhanced  safety  and  efficiency.  However,  large-scale  deployment  is  restricted  by  challenges  inherent  to  single-vehicle  systems,  including  occlusions,  interactions  with  diverse  traffic  elements,  and  complicated  decision-making.  This  dissertation  advances  the  realm  of  Cooperative  Driving  Automation  (CDA)  as  a  solution,  focusing  on  simulation  frameworks  and  cooperative  perception  algorithms  design.The  research  starts  with  introducing  OpenCDA,  a  comprehensive  simulation  framework  for  CDA  system  prototyping,  and  OPV2V,  the  first  large-scale  simulated  cooperative  perception  dataset.  These  tools  address  the  need  for  a  simulated  environment  to  prototype  and  validate  CDA  algorithms,  bridging  existing  gaps  in  cooperative  perception  advancement.Built  upon  OpenCDA  and  OPV2V,  I  present  two  state-of-the-art  cooperative  perception  algorithms.  The  first,  a  cooperative  3D  LiDAR  detection  framework,  employs  a  Vision  Transformer  architecture  to  tackle  challenges  like  sensor  heterogeneity,  localization  error,  and  bandwidth  constraints.  The  second,  CoBEVT,  is  a  pioneering  multi-agent,  multi-camera  perception  framework  that  uses  economical  RGB  cameras  to  generate  Bird-eye-view  map  predictions,  offering  a  cost-effective  solution.The  final  segment  of  the  research  emphasizes  real-world  deployment.  I  present  V2V4Real,  the  first  real-world  dataset  for  V2V  perception,  detailing  its  comprehensive  benchmarks  and  introducing  novel  tasks.  Further,  I  delve  into  strategies  to  optimally  train  cooperative  perception  models  using  simulated  data,  introducing  a  novel  module,  the  Homogeneous  Training  Augmenter,  which  demonstrates  the  efficacy  of  simulation  in  real-world  applications.In  essence,  this  thesis  provides  significant  contributions  to  the  domain  of  CDA,  offering  tools,  datasets,  and  algorithms  that  pave  the  way  for  the  broader,  real-world  implementation  of  cooperative  automated  driving.
■590    ▼aSchool  code:  0031.
■650  4▼aCivil  engineering.
■650  4▼aTransportation.
■650  4▼aRemote  sensing.
■653    ▼aCooperative  Driving  Automation
■653    ▼aSingle-vehicle  systems
■653    ▼aAutomated  driving
■653    ▼aPerception  algorithms
■653    ▼aDatasets
■690    ▼a0543
■690    ▼a0709
■690    ▼a0800
■690    ▼a0799
■71020▼aUniversity  of  California,  Los  Angeles▼bCivil  and  Environmental  Engineering  0300.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935354▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서