論文の概要: Probabilistic End-to-End Vehicle Navigation in Complex Dynamic
Environments with Multimodal Sensor Fusion
- arxiv url: http://arxiv.org/abs/2005.01935v1
- Date: Tue, 5 May 2020 03:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 13:59:44.962545
- Title: Probabilistic End-to-End Vehicle Navigation in Complex Dynamic
Environments with Multimodal Sensor Fusion
- Title（参考訳）: マルチモーダルセンサ融合を用いた複雑な動的環境における確率論的エンドツーエンド車両ナビゲーション
- Authors: Peide Cai, Sukai Wang, Yuxiang Sun, Ming Liu
- Abstract要約: 全日と全天候のナビゲーションは、自動運転にとって重要な機能である。
本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。
その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
- 参考スコア（独自算出の注目度）: 16.018962965273495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: All-day and all-weather navigation is a critical capability for autonomous
driving, which requires proper reaction to varied environmental conditions and
complex agent behaviors. Recently, with the rise of deep learning, end-to-end
control for autonomous vehicles has been well studied. However, most works are
solely based on visual information, which can be degraded by challenging
illumination conditions such as dim light or total darkness. In addition, they
usually generate and apply deterministic control commands without considering
the uncertainties in the future. In this paper, based on imitation learning, we
propose a probabilistic driving model with ultiperception capability utilizing
the information from the camera, lidar and radar. We further evaluate its
driving performance online on our new driving benchmark, which includes various
environmental conditions (e.g., urban and rural areas, traffic densities,
weather and times of the day) and dynamic obstacles (e.g., vehicles,
pedestrians, motorcyclists and bicyclists). The results suggest that our
proposed model outperforms baselines and achieves excellent generalization
performance in unseen environments with heavy traffic and extreme weather.
- Abstract（参考訳）: 終日および全天候ナビゲーションは、様々な環境条件や複雑なエージェントの行動に対して適切な反応を必要とする自動運転にとって重要な機能である。
近年,ディープラーニングの普及に伴い,自動運転車のエンドツーエンド制御が研究されている。
しかし、ほとんどの作品は視覚情報のみに基づいており、薄暗い光や暗黒光といった照明条件に挑戦することで劣化することがある。
加えて、それらは通常、将来不確実性を考慮せずに決定論的制御コマンドを生成し、適用する。
本稿では,模倣学習に基づき,カメラ,ライダー,レーダからの情報を活用して,認識能力を備えた確率的駆動モデルを提案する。
我々はさらに,様々な環境条件(都市や農村,交通密度,天気やその時刻など)や動的障害物(車両,歩行者,モーターサイクリスト,自転車など)を含む,運転実績をオンライン上で評価した。
以上の結果から,提案モデルがベースラインを上回っており,交通量が多く,天候の厳しい未熟な環境では優れた一般化性能が得られることが示唆された。
関連論文リスト
- DeepIPCv2: LiDAR-powered Robust Environmental Perception and Navigational Control for Autonomous Vehicle [7.642646077340124]
DeepIPCv2は、より堅牢な乾燥性のためにLiDARセンサーを使用して環境を知覚する自律運転モデルである。
DeepIPCv2は、LiDAR点雲の集合を主知覚入力とする。
論文 参考訳（メタデータ） (2023-07-13T09:23:21Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - 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) - SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain
Adaptation [152.60469768559878]
ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。
曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。
私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
論文 参考訳（メタデータ） (2022-06-16T17:59:52Z) - Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。
我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
論文 参考訳（メタデータ） (2022-02-10T16:46:24Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Calibration of Human Driving Behavior and Preference Using Naturalistic
Traffic Data [5.926030548326619]
自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。
我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
論文 参考訳（メタデータ） (2021-05-05T01:20:03Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Multimodal End-to-End Learning for Autonomous Steering in Adverse Road
and Weather Conditions [0.0]
自動ステアリングにおけるエンド・ツー・エンドの学習に関するこれまでの研究を,マルチモーダルデータを用いた有害な実生活環境での運用に拡張する。
道路および気象条件下で28時間の運転データを収集し,車両のハンドル角度を予測するために畳み込みニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2020-10-28T12:38:41Z) - PLOP: Probabilistic poLynomial Objects trajectory Planning for
autonomous driving [8.105493956485583]
条件付き模倣学習アルゴリズムを用いて,エゴ車とその周辺地域の軌道を推定する。
私たちのアプローチは計算効率が高く、オンボードセンサーのみに依存します。
公開データセットnuScenesでオフラインで評価する。
論文 参考訳（メタデータ） (2020-03-09T16:55:07Z)
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。