論文の概要: Extraction and Assessment of Naturalistic Human Driving Trajectories
from Infrastructure Camera and Radar Sensors
- arxiv url: http://arxiv.org/abs/2004.01288v1
- Date: Thu, 2 Apr 2020 22:28:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 13:23:24.199578
- Title: Extraction and Assessment of Naturalistic Human Driving Trajectories
from Infrastructure Camera and Radar Sensors
- Title（参考訳）: インフラカメラとレーダセンサを用いた自然主義的人間運転軌跡の抽出と評価
- Authors: Dominik Notz, Felix Becker, Thomas K\"uhbeck, Daniel Watzenig
- Abstract要約: 本稿では,インフラセンサを用いた交通物体の軌跡抽出手法を提案する。
私たちのビジョンパイプラインは、オブジェクトを正確に検出し、カメラとレーダーを融合させ、時間とともに追跡します。
センサ融合アプローチは、カメラとレーダー検出の利点をうまく組み合わせ、いずれのセンサよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collecting realistic driving trajectories is crucial for training machine
learning models that imitate human driving behavior. Most of today's autonomous
driving datasets contain only a few trajectories per location and are recorded
with test vehicles that are cautiously driven by trained drivers. In particular
in interactive scenarios such as highway merges, the test driver's behavior
significantly influences other vehicles. This influence prevents recording the
whole traffic space of human driving behavior. In this work, we present a novel
methodology to extract trajectories of traffic objects using infrastructure
sensors. Infrastructure sensors allow us to record a lot of data for one
location and take the test drivers out of the loop. We develop both a hardware
setup consisting of a camera and a traffic surveillance radar and a trajectory
extraction algorithm. Our vision pipeline accurately detects objects, fuses
camera and radar detections and tracks them over time. We improve a
state-of-the-art object tracker by combining the tracking in image coordinates
with a Kalman filter in road coordinates. We show that our sensor fusion
approach successfully combines the advantages of camera and radar detections
and outperforms either single sensor. Finally, we also evaluate the accuracy of
our trajectory extraction pipeline. For that, we equip our test vehicle with a
differential GPS sensor and use it to collect ground truth trajectories. With
this data we compute the measurement errors. While we use the mean error to
de-bias the trajectories, the error standard deviation is in the magnitude of
the ground truth data inaccuracy. Hence, the extracted trajectories are not
only naturalistic but also highly accurate and prove the potential of using
infrastructure sensors to extract real-world trajectories.
- Abstract（参考訳）: リアルな運転軌跡を集めることは、人間の運転行動を模倣する機械学習モデルの訓練に不可欠である。
今日の自動運転データセットのほとんどが、場所ごとのわずかな軌道しか含んでおらず、訓練されたドライバーによって慎重に運転される試験車両で記録されている。
特に高速道路のマージのようなインタラクティブなシナリオでは、テストドライバーの振る舞いは他の車両に大きな影響を与えます。
この影響は、人間の運転行動の交通空間全体を記録することを妨げる。
本研究では,インフラセンサを用いた交通物体の軌跡抽出手法を提案する。
インフラストラクチャーセンサーは、1つの場所で大量のデータを記録し、テストドライバをループから外すことができます。
我々は、カメラと交通監視レーダーと軌跡抽出アルゴリズムを組み合わせたハードウェア構成を開発する。
私たちのビジョンパイプラインは、オブジェクトを正確に検出し、カメラとレーダーを融合させ、時間とともに追跡します。
画像座標のトラッキングと道路座標のカルマンフィルタを組み合わせることにより,最先端のオブジェクトトラッカを改善する。
センサフュージョンアプローチは,カメラとレーダ検出の利点をうまく組み合わせ,いずれのセンサよりも優れています。
また,軌道抽出パイプラインの精度も評価した。
そのために、テスト車両に差分GPSセンサーを装着し、地上の真実の軌跡を収集する。
このデータを用いて測定誤差を計算する。
平均誤差を用いて軌道を逸脱するが、誤差標準偏差は基底真理データの不正確さの大きさである。
したがって、抽出された軌道は自然主義的なだけでなく、精度も高く、実世界の軌道を抽出するためにインフラセンサを使用する可能性も証明できる。
関連論文リスト
- Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - 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) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - 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) - Radar-based Automotive Localization using Landmarks in a Multimodal
Sensor Graph-based Approach [0.0]
本稿では,自動車用レーダによる局部化の問題に対処する。
システムは抽象層としてランドマークとオドメトリ情報を使用する。
単一のセマンティックランドマークマップが、すべてのセンサーで使用され、維持される。
論文 参考訳（メタデータ） (2021-04-29T07:35:20Z) - On the Role of Sensor Fusion for Object Detection in Future Vehicular
Networks [25.838878314196375]
異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。
最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
論文 参考訳（メタデータ） (2021-04-23T18:58:37Z) - 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) - CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion [0.8722958995761769]
カーブ検出と追跡は、車両のローカライゼーションと経路計画に有用である。
本稿では,複数のセンサからデータを融合して縁石を検出・追跡する手法を提案する。
提案アルゴリズムは,KITTIデータセットとデータセットでそれぞれ4.5～22m,0～14m以内の精度を90%以上維持する。
論文 参考訳（メタデータ） (2020-10-09T22:48:20Z) - High-Precision Digital Traffic Recording with Multi-LiDAR Infrastructure
Sensor Setups [0.0]
融解したLiDAR点雲と単一LiDAR点雲との差について検討した。
抽出した軌道の評価は, 融合インフラストラクチャーアプローチが追跡結果を著しく増加させ, 数cm以内の精度に達することを示す。
論文 参考訳（メタデータ） (2020-06-22T10:57:52Z) - SurfelGAN: Synthesizing Realistic Sensor Data for Autonomous Driving [27.948417322786575]
本稿では,現実的なシナリオセンサデータを生成するための,シンプルで効果的な手法を提案する。
われわれのアプローチでは、テクスチャマップされたサーフを使用して、初期車両のパスやセットのパスからシーンを効率的に再構築する。
次に、SurfelGANネットワークを利用して、現実的なカメライメージを再構築し、自動運転車の新たな位置と方向を推定する。
論文 参考訳（メタデータ） (2020-05-08T04:01:14Z)
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。