Fugu-MT 論文翻訳(概要): DeepCrashTest: Turning Dashcam Videos into Virtual Crash Tests for Automated Driving Systems

論文の概要: DeepCrashTest: Turning Dashcam Videos into Virtual Crash Tests for Automated Driving Systems

arxiv url: http://arxiv.org/abs/2003.11766v1
Date: Thu, 26 Mar 2020 07:03:45 GMT
ステータス: 処理完了
システム内更新日: 2022-12-19 21:31:24.701396
Title: DeepCrashTest: Turning Dashcam Videos into Virtual Crash Tests for Automated Driving Systems
Title（参考訳）: deepcrashtest:dashcamビデオを自動走行システムのためのバーチャルクラッシュテストに変える
Authors: Sai Krishna Bashetty, Heni Ben Amor, Georgios Fainekos
Abstract要約: 私たちは、インターネットにアップロードされたダッシュカムのクラッシュビデオを使って、貴重な衝突データを抽出します。未知のモノクロカメラで撮影されたビデオから3次元車両軌跡を抽出する問題に対処する。
参考スコア（独自算出の注目度）: 9.17424462858218
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The goal of this paper is to generate simulations with real-world collision scenarios for training and testing autonomous vehicles. We use numerous dashcam crash videos uploaded on the internet to extract valuable collision data and recreate the crash scenarios in a simulator. We tackle the problem of extracting 3D vehicle trajectories from videos recorded by an unknown and uncalibrated monocular camera source using a modular approach. A working architecture and demonstration videos along with the open-source implementation are provided with the paper.
Abstract（参考訳）: この論文の目的は、自動運転車の訓練とテストのために、現実世界の衝突シナリオをシミュレーションすることである。インターネットにアップロードされたダッシュカムのクラッシュビデオを使って、貴重な衝突データを抽出し、シミュレータでクラッシュシナリオを再現します。モジュラーアプローチを用いて,未知・未対応の単眼カメラ源が記録した映像から3次元車両軌跡を抽出する問題に取り組む。オープンソース実装とともに動作するアーキテクチャとデモビデオが論文で紹介されている。

関連論文リスト

CycleCrash: A Dataset of Bicycle Collision Videos for Collision Prediction and Analysis [21.584020544141797]
CycleCrashは、3000のダッシュカムビデオと436,347フレームからなる新しいデータセットだ。このデータセットは、サイクリストにとって潜在的に危険な条件に焦点を当てた、9つの異なるサイクリスト衝突予測と分類タスクを可能にする。本稿では,ConvNeXt空間エンコーダと非定常トランスフォーマーを併用した新しい手法であるVidNeXtを提案する。
論文参考訳（メタデータ） (2024-09-30T04:46:35Z)
Deep Reinforcement Learning for Adverse Garage Scenario Generation [5.482809279542029]
本論文では,自律運転シミュレーションテストのための自動プログラム生成フレームワークを提案する。深層強化学習に基づいて、3Dモデルファイルとマップモデルファイルが構築される異なる2Dグラウンドスクリプトコードを生成することができる。生成された3DグラウンドシーンはCarlaシミュレータに表示され、実験者はこのシーンをナビゲーションアルゴリズムのシミュレーションテストに使用することができる。
論文参考訳（メタデータ） (2024-07-01T14:41:18Z)
MagicDrive3D: Controllable 3D Generation for Any-View Rendering in Street Scenes [72.02827211293736]
制御可能な3Dストリートシーン生成のための新しいパイプラインであるMagicDrive3Dを紹介する。生成モデルをトレーニングする前に再構築する従来の方法とは異なり、MagicDrive3Dはまずビデオ生成モデルをトレーニングし、生成したデータから再構成する。以上の結果から, 自律運転シミュレーションなどにおけるトランスフォーメーションの可能性を示すとともに, フレームワークの優れた性能を示す。
論文参考訳（メタデータ） (2024-05-23T12:04:51Z)
Learning 3D Particle-based Simulators from RGB-D Videos [15.683877597215494]
本研究では,シミュレータを直接観測から学習する手法を提案する。視覚粒子ダイナミクス(VPD)は、3Dシーンの潜在粒子ベースの表現を共同で学習する。既存の2Dビデオ予測モデルとは異なり、VPDの3D構造はシーン編集と長期予測を可能にする。
論文参考訳（メタデータ） (2023-12-08T20:45:34Z)
Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving Without Real Data [56.49494318285391]
我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
論文参考訳（メタデータ） (2022-10-25T17:50:36Z)
3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
論文参考訳（メタデータ） (2021-12-09T08:50:54Z)
Monocular 3D Vehicle Detection Using Uncalibrated Traffic Cameras through Homography [12.062095895630563]
本稿では,1台の交通カメラから3次元世界における車両の位置とポーズを抽出する手法を提案する。道路平面と画像平面の相同性が3D車両の検出に不可欠であることを観察する。本稿では,BEV画像の歪み検出精度を高めるためのtextittailedr-box と textitdual-view Network アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-03-29T02:57:37Z)
Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文参考訳（メタデータ） (2020-08-13T17:20:02Z)
Edge Computing for Real-Time Near-Crash Detection for Smart Transportation Applications [29.550609157368466]
交通事故に近いイベントは、さまざまなスマートトランスポートアプリケーションにとって重要なデータソースとなる。本稿では,既存のダッシュカムの映像ストリームをリアルタイムに処理することで,エッジコンピューティングのパワーを活用してこれらの課題に対処する。エッジコンピューティングをリアルタイムトラフィックビデオ分析に適用する最初の取り組みのひとつであり、スマートトランスポート研究やアプリケーションにおいて、複数のサブフィールドに恩恵をもたらすことが期待されている。
論文参考訳（メタデータ） (2020-08-02T19:39:14Z)
LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
論文参考訳（メタデータ） (2020-06-16T17:44:35Z)
SimAug: Learning Robust Representations from Simulation for Trajectory Prediction [78.91518036949918]
本研究では,シミュレーション学習データの拡張により,ロバスト表現を学習する新しい手法を提案する。我々は,SimAugが実世界の3つのベンチマークで有望な結果を得ることを示す。
論文参考訳（メタデータ） (2020-04-04T21:22:01Z)

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。