論文の概要: Vehicle Ego-Lane Estimation with Sensor Failure Modeling

• arxiv url: http://arxiv.org/abs/2002.01913v2
• Date: Thu, 6 Feb 2020 15:06:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:30:26.120390
• Title: Vehicle Ego-Lane Estimation with Sensor Failure Modeling
• Title（参考訳）: センサ故障モデルを用いた車両エゴレーン推定
• Authors: Augusto Luis Ballardini, Daniele Cattaneo, Rub\'en Izquierdo, Ignacio Parra Alonso, Andrea Piazzoni, Miguel \'Angel Sotelo, Domenico Giorgio Sorrenti
• Abstract要約: 高速道路のようなシナリオに対する確率的エゴレーン推定アルゴリズムを提案する。 このコントリビューションは、過渡的障害モデルを備えた隠れマルコフモデル(HMM)に依存します。 このアルゴリズムの有効性は、異なる線検出器を用いて証明される。
• 参考スコア（独自算出の注目度）: 6.0591945552030735
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a probabilistic ego-lane estimation algorithm for highway-like scenarios that is designed to increase the accuracy of the ego-lane estimate, which can be obtained relying only on a noisy line detector and tracker. The contribution relies on a Hidden Markov Model (HMM) with a transient failure model. The proposed algorithm exploits the OpenStreetMap (or other cartographic services) road property lane number as the expected number of lanes and leverages consecutive, possibly incomplete, observations. The algorithm effectiveness is proven by employing different line detectors and showing we could achieve much more usable, i.e. stable and reliable, ego-lane estimates over more than 100 Km of highway scenarios, recorded both in Italy and Spain. Moreover, as we could not find a suitable dataset for a quantitative comparison with other approaches, we collected datasets and manually annotated the Ground Truth about the vehicle ego-lane. Such datasets are made publicly available for usage from the scientific community.
• Abstract（参考訳）: 本研究では,高規格道路におけるエゴレーン推定の精度向上を目的として,騒音検出とトラッカーのみに依存する確率的エゴレーン推定アルゴリズムを提案する。 この貢献は、過渡的障害モデルを持つ隠れマルコフモデル(HMM)に依存します。 提案アルゴリズムは,OpenStreetMap(あるいは他の地図サービス)ロードプロパティレーン番号を期待されるレーン数として利用し,連続的かつおそらく不完全な観測に活用する。 このアルゴリズムの有効性は、異なるライン検出器を用いることで証明され、イタリアとスペインの両方で記録された100Km以上のハイウェイシナリオで安定かつ信頼性の高いエゴレーン推定を実現できることを示す。 さらに,他の手法と定量的に比較するに適したデータセットが見つからなかったため,データセットを収集し,車両のエゴレーンについて手動で解説した。 このようなデータセットは、科学コミュニティから一般公開されている。

関連論文リスト

• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Topo-boundary: A Benchmark Dataset on Topological Road-boundary Detection Using Aerial Images for Autonomous Driving [11.576868193291997]
  オフライントポロジカル道路境界検出のための新しいベンチマークデータセットであるtextitTopo-boundaryを提案する。 データセットには21,556$1000times 1000$-size 4-channel aerial imageが含まれる。 データセットを用いて,3つのセグメンテーションベースラインと5つのグラフベースラインを実装し,評価する。
  論文  参考訳（メタデータ） (2021-03-31T14:42:00Z)
• Large Scale Autonomous Driving Scenarios Clustering with Self-supervised Feature Extraction [6.804209932400134]
  本稿では,自動車運転データの大規模集合に対する包括的データクラスタリングフレームワークを提案する。 提案手法では,トラヒック内エージェントオブジェクトとマップ情報の両方を含むトラフィック要素を網羅的に検討する。 新たに設計されたデータクラスタリング評価メトリクスは、データ拡張に基づくものであるため、精度評価には人間のラベル付きデータセットは必要ない。
  論文  参考訳（メタデータ） (2021-03-30T06:22:40Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Probabilistic Multi-modal Trajectory Prediction with Lane Attention for Autonomous Vehicles [10.485790589381704]
  軌道予測は自動運転車にとって不可欠である。 レーン表現のための新しいインスタンス認識表現を提案する。 提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-06T07:57:23Z)
• Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios [26.016292792373815]
  本稿では,検出アルゴリズムの性能向上に優れた,デジタル地図に含まれる事前知識を活用する。 このようにして、路面形状と実車線の位置誤差を除去するためには、少数の車線特徴しか必要としない。 実験の結果,提案手法は様々なシナリオに適用可能であり,20Hzの周波数でリアルタイムに動作可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-02T16:06:48Z)
• GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction [6.12727713172576]
  Google、Uber、DiDiなどのAI指向企業は、より正確な車両軌道予測アルゴリズムを調査している。 本稿では,対象車両とその周辺車両間の情報共有を可能にする新しいグラフベース情報共有ネットワーク(GISNet)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:24:31Z)

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。