論文の概要: SDVTracker: Real-Time Multi-Sensor Association and Tracking for
Self-Driving Vehicles
- arxiv url: http://arxiv.org/abs/2003.04447v1
- Date: Mon, 9 Mar 2020 23:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 09:09:08.708548
- Title: SDVTracker: Real-Time Multi-Sensor Association and Tracking for
Self-Driving Vehicles
- Title(参考訳): SDVTracker: リアルタイムマルチセンサーアソシエーションと自動運転車のトラッキング
- Authors: Shivam Gautam, Gregory P. Meyer, Carlos Vallespi-Gonzalez and Brian C.
Becker
- Abstract要約: 本稿では,関連性や状態推定に深層学習モデルを用いた,実用的で軽量なトラッキングシステムSDVTrackerを提案する。
本システムは,実世界の都市運転データセットにおいて,アクター100のシーンにおいて,CPU上で2.5ms未満で実行しながら,手作業による手法を著しく上回ることを示す。
- 参考スコア(独自算出の注目度): 11.317136648551537
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate motion state estimation of Vulnerable Road Users (VRUs), is a
critical requirement for autonomous vehicles that navigate in urban
environments. Due to their computational efficiency, many traditional autonomy
systems perform multi-object tracking using Kalman Filters which frequently
rely on hand-engineered association. However, such methods fail to generalize
to crowded scenes and multi-sensor modalities, often resulting in poor state
estimates which cascade to inaccurate predictions. We present a practical and
lightweight tracking system, SDVTracker, that uses a deep learned model for
association and state estimation in conjunction with an Interacting Multiple
Model (IMM) filter. The proposed tracking method is fast, robust and
generalizes across multiple sensor modalities and different VRU classes. In
this paper, we detail a model that jointly optimizes both association and state
estimation with a novel loss, an algorithm for determining ground-truth
supervision, and a training procedure. We show this system significantly
outperforms hand-engineered methods on a real-world urban driving dataset while
running in less than 2.5 ms on CPU for a scene with 100 actors, making it
suitable for self-driving applications where low latency and high accuracy is
critical.
- Abstract(参考訳): Vulnerable Road Users (VRUs) の正確な動き状態推定は、都市環境を走行する自動運転車にとって重要な要件である。
計算効率のため、多くの伝統的な自律システムは手作業によるアソシエーションに依存するカルマンフィルタを用いて多目的追跡を行う。
しかし、そのような手法は混み合ったシーンやマルチセンサーのモダリティに一般化できず、しばしば不正確な予測にカスケードする状態推定が不十分になる。
本稿では,協調と状態推定のための深層学習モデルと,相互干渉型多元モデル(IMM)フィルタを併用した,実用的で軽量なトラッキングシステムSDVTrackerを提案する。
提案手法は高速で堅牢で,複数のセンサモードと異なるVRUクラスにまたがって一般化されている。
本稿では,新たな損失と相関関係と状態推定を協調的に最適化するモデル,地道監督のためのアルゴリズム,訓練手順について述べる。
本システムは,100アクタを持つシーンのCPU上で2.5ms以下で実行しながら,実世界の都市走行データセット上での手動運転法を著しく上回り,低レイテンシかつ高精度な自動運転アプリケーションに適していることを示す。
関連論文リスト
- Trajeglish: Learning the Language of Driving Scenarios [75.61820235290608]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳(メタデータ) (2023-12-07T18:53:27Z) - Probabilistic 3D Multi-Object Cooperative Tracking for Autonomous
Driving via Differentiable Multi-Sensor Kalman Filter [11.081218144245506]
微分可能マルチセンサカルマンフィルタを用いた自律走行のための新しい3次元多目的協調追従アルゴリズムを提案する。
V2V4Realの最先端手法と比較して,通信コストが0.037倍の追跡精度を17%向上する。
論文 参考訳(メタデータ) (2023-09-26T04:14:13Z) - 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) - Context-Aware Timewise VAEs for Real-Time Vehicle Trajectory Prediction [4.640835690336652]
マルチモーダル車軌道予測のためのコンテキスト認識手法であるContextVAEを提案する。
本手法は,現場のエージェントが提示する社会的特徴と,身体環境の制約を考慮に入れたものである。
すべてのテストデータセットにおいて、ContextVAEモデルはトレーニングが高速で、リアルタイムに高品質なマルチモーダル予測を提供する。
論文 参考訳(メタデータ) (2023-02-21T18:42:24Z) - Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
ドライバーの気晴らしが道路事故の主要な原因であることが知られている。
State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。
本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
論文 参考訳(メタデータ) (2022-10-17T21:22:41Z) - CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous
Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。
オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。
この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文 参考訳(メタデータ) (2022-05-18T04:15:42Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳(メタデータ) (2021-09-16T13:10:27Z) - DQ-GAT: Towards Safe and Efficient Autonomous Driving with Deep
Q-Learning and Graph Attention Networks [12.714551756377265]
従来の計画手法は概ねルールベースであり、複雑な動的シナリオではスケールが不十分である。
スケーラブルでプロアクティブな自動運転を実現するためにDQ-GATを提案する。
我々の手法は、見知らぬシナリオと見えないシナリオの両方において、安全と効率のトレードオフを改善することができる。
論文 参考訳(メタデータ) (2021-08-11T04:55:23Z) - 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) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳(メタデータ) (2021-01-20T00:31:52Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-08-18T03:40:25Z)
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。