論文の概要: Pedestrian Models for Autonomous Driving Part I: Low-Level Models, from Sensing to Tracking

• arxiv url: http://arxiv.org/abs/2002.11669v2
• Date: Mon, 20 Jul 2020 14:42:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 15:01:44.567907
• Title: Pedestrian Models for Autonomous Driving Part I: Low-Level Models, from Sensing to Tracking
• Title（参考訳）: 自動運転のための歩行者モデル 第1報:センシングから追跡まで,低レベルモデル
• Authors: Fanta Camara, Nicola Bellotto, Serhan Cosar, Dimitris Nathanael, Matthias Althoff, Jingyuan Wu, Johannes Ruenz, Andr\'e Dietrich and Charles W. Fox
• Abstract要約: このナラティブレビュー記事は、ペアのパートIであり、このプロセスに関わる現在のテクノロジスタックを調査します。 この自己完結型パートIは、検知や認識、歩行者の追跡など、このスタックの低レベルをカバーしている。 これらのレベルの技術は成熟しており、振る舞いモデリング、予測、相互作用制御といった高レベルのシステムでの使用の基礎として利用することができる。
• 参考スコア（独自算出の注目度）: 10.789792281963422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) must share space with pedestrians, both in carriageway cases such as cars at pedestrian crossings and off-carriageway cases such as delivery vehicles navigating through crowds on pedestrianized high-streets. Unlike static obstacles, pedestrians are active agents with complex, interactive motions. Planning AV actions in the presence of pedestrians thus requires modelling of their probable future behaviour as well as detecting and tracking them. This narrative review article is Part I of a pair, together surveying the current technology stack involved in this process, organising recent research into a hierarchical taxonomy ranging from low-level image detection to high-level psychology models, from the perspective of an AV designer. This self-contained Part I covers the lower levels of this stack, from sensing, through detection and recognition, up to tracking of pedestrians. Technologies at these levels are found to be mature and available as foundations for use in high-level systems, such as behaviour modelling, prediction and interaction control.
• Abstract（参考訳）: 自動走行車(AV)は、歩行者が横断する車のような車道のケースや、歩行者化された高層道路で群衆を通り抜ける配達車のようなオフカージュウェイのケースの両方において、歩行者と空間を共有しなければならない。 静的な障害物とは異なり、歩行者は複雑なインタラクティブな動きを持つアクティブエージェントである。 歩行者の存在下でのAV行動の計画には、将来の行動のモデル化と検出と追跡が必要である。 この物語レビューの記事はペアのパートiであり、このプロセスに関わる現在の技術スタックを調査し、avデザイナーの観点から、低レベル画像検出から高レベル心理学モデルまで、階層的分類法に関する最近の研究を組織している。 この自己完結型パートiは、センシングから検出と認識、歩行者の追跡まで、このスタックの低レベルをカバーする。 これらのレベルの技術は成熟しており、振る舞いモデリングや予測、インタラクション制御など、ハイレベルなシステムで使用される基盤として利用可能である。

関連論文リスト

• GPT-4V Takes the Wheel: Promises and Challenges for Pedestrian Behavior Prediction [12.613528624623514]
  本研究は,自律運転における歩行者行動予測の文脈において,視覚言語モデル(VLM)の定量的および定性的な評価を行った最初のものである。 JAAD と WiDEVIEW を用いて GPT-4V の評価を行った。 このモデルは、ゼロショット方式で57%の精度で達成されているが、それでもなお、歩行者の横断行動を予測する最先端のドメイン固有モデル(70%)の背後にある。
  論文  参考訳（メタデータ） (2023-11-24T18:02:49Z)
• Social Interaction-Aware Dynamical Models and Decision Making for Autonomous Vehicles [20.123965317836106]
  IAAD(Interaction-Aware Autonomous Driving)は、急速に成長する研究分野である。 それは、人間の道路利用者と安全かつ効率的に対話できる自動運転車の開発に焦点を当てている。 これは、自動運転車が人間の道路利用者の行動を理解し予測できることを要求するため、困難な作業である。
  論文  参考訳（メタデータ） (2023-10-29T03:43:50Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• TransDARC: Transformer-based Driver Activity Recognition with Latent Space Feature Calibration [31.908276711898548]
  本稿では、視覚変換器に基づく二次運転行動認識のための視覚ベースのフレームワークと、機能分散キャリブレーションモジュールを提案する。 当社のフレームワークは,すべてのレベルにおいて,公的なDrive&Actベンチマークの過去の成果を上回り,認識率を常に向上させています。
  論文  参考訳（メタデータ） (2022-03-02T08:14:06Z)
• Pedestrian Detection: Domain Generalization, CNNs, Transformers and Beyond [82.37430109152383]
  その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。 限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。 本稿では、一般化を改善する進歩的な微調整戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-10T06:00:26Z)
• Pedestrian Trajectory Prediction via Spatial Interaction Transformer Network [7.150832716115448]
  交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。 このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。 本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T13:08:04Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• 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)
• Pedestrian Models for Autonomous Driving Part II: High-Level Models of Human Behavior [12.627716603026391]
  歩行者の存在下で自動運転車を計画するには、将来の振る舞いをモデル化する必要がある。 この調査は、最適な歩行行動には良いモデルがあるが、歩行者行動の高レベル心理学的・社会的モデリングは依然としてオープンな研究課題であることを示している。
  論文  参考訳（メタデータ） (2020-03-26T14:55:18Z)

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。