論文の概要: End-to-End Velocity Estimation For Autonomous Racing

• arxiv url: http://arxiv.org/abs/2003.06917v2
• Date: Sun, 16 Aug 2020 16:47:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 09:13:21.519933
• Title: End-to-End Velocity Estimation For Autonomous Racing
• Title（参考訳）: 自律走行における終端速度推定
• Authors: Sirish Srinivasan, Inkyu Sa, Alex Zyner, Victor Reijgwart, Miguel I. Valls and Roland Siegwart
• Abstract要約: 速度推定は無人走行車において中心的な役割を果たすが、標準的かつ安価な手法は極端なシナリオに対処するのに苦労する。 本稿では、入力として利用可能な生センサを取り込み、速度推定を出力するエンドツーエンドのリカレントニューラルネットワークを提案する。 提案したネットワークは、等価なセンサ入力を持つカルマンフィルタよりも最大15倍高い横速度を推定できる。
• 参考スコア（独自算出の注目度）: 28.456886526097527
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Velocity estimation plays a central role in driverless vehicles, but standard and affordable methods struggle to cope with extreme scenarios like aggressive maneuvers due to the presence of high sideslip. To solve this, autonomous race cars are usually equipped with expensive external velocity sensors. In this paper, we present an end-to-end recurrent neural network that takes available raw sensors as input (IMU, wheel odometry, and motor currents) and outputs velocity estimates. The results are compared to two state-of-the-art Kalman filters, which respectively include and exclude expensive velocity sensors. All methods have been extensively tested on a formula student driverless race car with very high sideslip (10{\deg} at the rear axle) and slip ratio (~20%), operating close to the limits of handling. The proposed network is able to estimate lateral velocity up to 15x better than the Kalman filter with the equivalent sensor input and matches (0.06 m/s RMSE) the Kalman filter with the expensive velocity sensor setup.
• Abstract（参考訳）: 速度推定はドライバーレス車では中心的な役割を果たすが、標準的な手頃な方法では、サイドフリップが高いため、攻撃的な操作のような極端なシナリオに対処するのは難しい。 これを解決するために、自動運転車は通常高価な外部速度センサーを備えている。 本稿では,センサを入力(IMU,ホイールオドメトリー,モータ電流)とし,速度推定を出力するエンド・ツー・エンド・エンド・リカレントニューラルネットワークを提案する。 結果は2つの最先端のカルマンフィルタと比較され、それぞれ高価な速度センサを含む。 すべての方法は、非常に高いサイドリップ(10{\deg})とスリップ比(約20%)を持つフォーミュラ学生用無人レースカーで広範囲にテストされ、ハンドリングの限界に近く動作している。 提案するネットワークは、等価センサ入力を持つカルマンフィルタの最大15倍の速度を推定でき、(0.06 m/s rmse)カルマンフィルタと高価な速度センサの設定と一致する。

関連論文リスト

• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• Race Driver Evaluation at a Driving Simulator using a physical Model and a Machine Learning Approach [1.9395755884693817]
  本稿では,ドライバー・イン・ザ・ループシミュレータ上でのレースドライバーの研究と評価を行う。 ドライバーを評価するために、総合的なパフォーマンススコア、車両軌道スコア、ハンドリングスコアを導入する。 ニューラルネットワークは2-5%のルート平均二乗誤差で正確で堅牢であり、最適化に基づく手法を置き換えることができることを示す。
  論文  参考訳（メタデータ） (2022-01-27T07:32:32Z)
• SenseMag: Enabling Low-Cost Traffic Monitoring using Non-invasive Magnetic Sensing [40.55828486246774]
  そこで本稿では, 直線道路上に展開する2つの非侵襲型磁気センサを用いて, 車両の車体型を認識するための低コストなSenseMagを提案する。 SenseMagは、車両がすべてのセンサーノードから到着または出発する正確な時間ポイントによって、受信したノイズとセグメントをフィルタリングする。 フィールド実験の結果,SenseMagは車種分類精度が90%以上,車両長分類誤差が5%未満であることが確認された。
  論文  参考訳（メタデータ） (2021-10-24T07:47:43Z)
• 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)
• Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
  我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。 提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
  論文  参考訳（メタデータ） (2020-11-12T02:18:16Z)
• SPFCN: Select and Prune the Fully Convolutional Networks for Real-time Parking Slot Detection [3.4948705785954917]
  精度を保ちながら高速でモデルサイズが小さいCNNを用いた検出器を提案する。 提案モデルでは,パーキングスロットのコーナーやラインの特徴を,平均的なプロセッサ上で効率よく実行しながら,共同で検出することができる。
  論文  参考訳（メタデータ） (2020-03-25T11:35:16Z)

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。