論文の概要: Uncertainty-Aware Vehicle Orientation Estimation for Joint
Detection-Prediction Models
- arxiv url: http://arxiv.org/abs/2011.03114v1
- Date: Thu, 5 Nov 2020 21:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 12:15:23.750699
- Title: Uncertainty-Aware Vehicle Orientation Estimation for Joint
Detection-Prediction Models
- Title(参考訳): 関節検出予測モデルにおける不確実性を考慮した車両配向推定
- Authors: Henggang Cui, Fang-Chieh Chou, Jake Charland, Carlos
Vallespi-Gonzalez, Nemanja Djuric
- Abstract要約: オリエンテーションは、自律システムの下流モジュールにとって重要な特性である。
本稿では,既存のモデルを拡張し,共同物体検出と動き予測を行う手法を提案する。
さらに、この手法は予測の不確かさを定量化することができ、推定された向きが反転する確率を出力することができる。
- 参考スコア(独自算出の注目度): 12.56249869551208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection is a critical component of a self-driving system, tasked
with inferring the current states of the surrounding traffic actors. While
there exist a number of studies on the problem of inferring the position and
shape of vehicle actors, understanding actors' orientation remains a challenge
for existing state-of-the-art detectors. Orientation is an important property
for downstream modules of an autonomous system, particularly relevant for
motion prediction of stationary or reversing actors where current approaches
struggle. We focus on this task and present a method that extends the existing
models that perform joint object detection and motion prediction, allowing us
to more accurately infer vehicle orientations. In addition, the approach is
able to quantify prediction uncertainty, outputting the probability that the
inferred orientation is flipped, which allows for improved motion prediction
and safer autonomous operations. Empirical results show the benefits of the
approach, obtaining state-of-the-art performance on the open-sourced nuScenes
data set.
- Abstract(参考訳): 物体検出は自動運転システムの重要な要素であり、周囲の交通機関の状態を推測する任務を担っている。
アクタの位置と形状を推測する問題には多くの研究があるが、アクタの向きを理解することは、既存の最先端の検出器にとって課題である。
オリエンテーションは自律システムの下流モジュールにとって重要な特性であり、特に現在のアプローチが困難である定常または反転アクターの動作予測に関係している。
本稿では,この課題に着目し,物体検出と運動予測を併用した既存モデルの拡張を行い,車両の向きを精度良く推定する手法を提案する。
さらに、このアプローチは予測の不確かさを定量化し、推定された向きが反転する確率を出力し、動きの予測を改善し、より安全な自律操作を可能にする。
実験結果は、このアプローチの利点を示し、オープンソースのnuscenesデータセットで最先端のパフォーマンスを得る。
関連論文リスト
- Scene Informer: Anchor-based Occlusion Inference and Trajectory
Prediction in Partially Observable Environments [43.28710918095309]
複雑な環境と動的な環境をナビゲートするには、自動運転車が目に見える地域と隠された地域の両方を推論する必要がある。
これには、観測されたエージェントの将来の動きを予測し、隠蔽されたエージェントを推測し、相互作用をモデル化することが含まれる。
我々は,観察対象の軌跡を予測し,観察可能な部分的設定で隠蔽物を推定するための統一的なアプローチであるScene Informerを紹介した。
論文 参考訳(メタデータ) (2023-09-25T06:16:09Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-03-17T00:28:33Z) - Towards trustworthy multi-modal motion prediction: Holistic evaluation
and interpretability of outputs [3.5240925434839054]
我々は,アウトプットの評価基準,堅牢性,解釈可能性に焦点をあてる。
マルチモーダル動作予測モデルにアタッチ可能な意図予測層を提案する。
論文 参考訳(メタデータ) (2022-10-28T14:14:22Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - Probabilistic Approach for Road-Users Detection [0.0]
最先端のディープラーニングに基づくオブジェクト検出における大きな課題の1つは、自信過剰なスコアで発生する偽陽性である。
本稿では, 深層物体検出ネットワークに新しい確率層を導入することにより, 過信予測の問題を緩和する手法を提案する。
提案手法は, 真正に対する性能を劣化させることなく, 偽正の過信を低減できることを実証した。
論文 参考訳(メタデータ) (2021-12-02T16:02:08Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳(メタデータ) (2021-05-28T09:23:05Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z)
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。