論文の概要: Trained Trajectory based Automated Parking System using Visual SLAM on Surround View Cameras

• arxiv url: http://arxiv.org/abs/2001.02161v3
• Date: Wed, 19 May 2021 20:34:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 21:10:39.783722
• Title: Trained Trajectory based Automated Parking System using Visual SLAM on Surround View Cameras
• Title（参考訳）: サラウンドビューカメラにおけるビジュアルスラムを用いた軌道訓練型自動駐車システム
• Authors: Nivedita Tripathi and Senthil Yogamani
• Abstract要約: 我々は、訓練された軌道自動駐車システムの使用事例、設計、実装について論じる。 提案システムは商用車両に展開し, 消費者アプリケーションについて解説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated Parking is becoming a standard feature in modern vehicles. Existing parking systems build a local map to be able to plan for maneuvering towards a detected slot. Next generation parking systems have an use case where they build a persistent map of the environment where the car is frequently parked, say for example, home parking or office parking. The pre-built map helps in re-localizing the vehicle better when its trying to park the next time. This is achieved by augmenting the parking system with a Visual SLAM pipeline and the feature is called trained trajectory parking in the automotive industry. In this paper, we discuss the use cases, design and implementation of a trained trajectory automated parking system. The proposed system is deployed on commercial vehicles and the consumer application is illustrated in \url{https://youtu.be/nRWF5KhyJZU}. The focus of this paper is on the application and the details of vision algorithms are kept at high level.
• Abstract（参考訳）: 自動駐車は現代の車両の標準機能になりつつある。 既存の駐車システムは、検出されたスロットへの操作を計画できるローカルマップを構築する。 次世代の駐車システムは、例えばホームパーキングやオフィスパーキングのように、車が頻繁に駐車される環境の永続的なマップを構築するユースケースを持つ。 事前構築されたマップは、次の駐車時に車両を再配置するのに役立つ。 これは、視覚的SLAMパイプラインで駐車場システムを強化することで実現され、自動車産業において訓練された軌道駐車と呼ばれる。 本稿では,訓練された軌道自動駐車システムの使用事例,設計,実装について論じる。 提案するシステムは商用車両にデプロイされ、コンシューマアプリケーションは \url{https://youtu.be/nrwf5khyjzu} で示される。 本論文の焦点はアプリケーションであり,ビジョンアルゴリズムの詳細は高レベルに保たれている。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Smart Camera Parking System With Auto Parking Spot Detection [1.0512475026060208]
  PakStaと呼ばれる新しい手法で駐車場の状態を自動識別する。 本手法はPakLocのオブジェクト検出器を用いて,ビデオフレーム内の駐車場の占有状況を同時に判定する。 提案手法がPKLotデータセットに与える影響は, 人的労働力の94.25%を大幅に削減する結果となった。
  論文  参考訳（メタデータ） (2024-07-07T19:00:11Z)
• Haris: an Advanced Autonomous Mobile Robot for Smart Parking Assistance [2.3779780917500544]
  このシステムは、自動ナビゲーションと駐車場の正確なマッピングのために、同時位置決めとマッピング(SLAM)を採用している。 提案システムは,スポーツスタジアム等の混雑地において,短期的な大規模屋外駐車場の管理を改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-01-31T11:00:26Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• Automatic Vision-Based Parking Slot Detection and Occupancy Classification [3.038642416291856]
  パーキング誘導情報(PGI)システムは、最も近い駐車場と空き駐車場の数についてドライバーに情報を提供するために使用される。 近年、視覚ベースのソリューションは標準的なPGIシステムに代わる費用対効果の代替として現れ始めている。 本稿では,入力画像のみに基づいて自動駐車スロット検出・職業分類(APSD-OC)を行うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-16T07:44:34Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
  本稿では,インテリジェントな自動運転トラックシステムについて紹介する。 提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。 また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
  論文  参考訳（メタデータ） (2021-12-31T04:54:13Z)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• Computer vision in automated parking systems: Design, implementation and challenges [0.24704967483128953]
  本稿では,コンピュータビジョンアルゴリズムの観点から,自動駐車システムの設計と実装について議論する。 パーキングユースケースを実現するキービジョンモジュールは、3D再構築、パーキングスロットマーキング認識、空きスペース、車両/歩行者検出です。
  論文  参考訳（メタデータ） (2021-04-26T13:18:02Z)
• AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous Vehicles in the Parking Lot [10.101500923075633]
  我々はロバストなセマンティックな特徴を利用して地図を構築し、駐車場で車両をローカライズする。 我々は4つのサラウンドビューカメラを用いて知覚範囲を拡大する。 我々は,システムの精度とリコールを分析し,実実験で他の手法と比較する。
  論文  参考訳（メタデータ） (2020-07-03T17:02:46Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。