Fugu-MT 論文翻訳(概要): Deep Multi-Task Learning for Joint Localization, Perception, and Prediction

論文の概要: Deep Multi-Task Learning for Joint Localization, Perception, and Prediction

arxiv url: http://arxiv.org/abs/2101.06720v2
Date: Tue, 19 Jan 2021 03:17:34 GMT
ステータス: 処理完了
システム内更新日: 2021-03-27 20:19:34.642589
Title: Deep Multi-Task Learning for Joint Localization, Perception, and Prediction
Title（参考訳）: 共同定位・知覚・予測のための深部マルチタスク学習
Authors: John Phillips, Julieta Martinez, Ioan Andrei B\^arsan, Sergio Casas, Abbas Sadat, Raquel Urtasun
Abstract要約: 本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。我々は,認識,予測,局所化を共同で行うシステムの設計を行う。本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
参考スコア（独自算出の注目度）: 68.50217234419922
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Over the last few years, we have witnessed tremendous progress on many subtasks of autonomous driving, including perception, motion forecasting, and motion planning. However, these systems often assume that the car is accurately localized against a high-definition map. In this paper we question this assumption, and investigate the issues that arise in state-of-the-art autonomy stacks under localization error. Based on our observations, we design a system that jointly performs perception, prediction, and localization. Our architecture is able to reuse computation between both tasks, and is thus able to correct localization errors efficiently. We show experiments on a large-scale autonomy dataset, demonstrating the efficiency and accuracy of our proposed approach.
Abstract（参考訳）: 過去数年間、私たちは認識、動き予測、モーションプランニングなど、自動運転の多くのサブタスクで大きな進歩を見てきた。しかし、これらのシステムは、車が高精細度マップに対して正確に局所化されていると仮定することが多い。本稿では,この仮定に疑問を呈し,ローカライズエラー下での最先端の自律性スタックで発生する問題を考察する。観測結果に基づき,認識,予測,局所化を共同で行うシステムの設計を行った。本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。本研究では,大規模自律データセットを用いた実験を行い,提案手法の効率と精度を示す。

関連論文リスト

RING#: PR-by-PE Global Localization with Roto-translation Equivariant Gram Learning [20.688641105430467]
GPS信号が信頼できない場合、グローバルなローカライゼーションは自動運転やロボティクスの応用において不可欠である。ほとんどのアプローチは、逐次位置認識(PR)とポーズ推定(PE)により、グローバルなローカライゼーションを実現する。ポーズ推定から直接導出することで、別の場所認識の必要性を回避できる新しいパラダイムであるPR-by-PEローカライゼーションを導入する。本稿では,鳥眼視(BEV)空間で動作する終端PR-by-PEローカライゼーションネットワークであるRING#を提案する。
論文参考訳（メタデータ） (2024-08-30T18:42:53Z)
Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文参考訳（メタデータ） (2024-07-22T12:32:09Z)
Monocular Localization with Semantics Map for Autonomous Vehicles [8.242967098897408]
低レベルのテクスチャ機能の代わりに安定したセマンティック機能を利用する新しい視覚的セマンティックローカライゼーションアルゴリズムを提案する。まず、セマンティックマップは、カメラやLiDARセンサーを使用して、グラウンドマーカー、レーンライン、ポールなどのセマンティックオブジェクトを検出してオフラインで構築される。オンラインの視覚的ローカライゼーションは意味的特徴とマップオブジェクトのデータアソシエーションによって行われる。
論文参考訳（メタデータ） (2024-06-06T08:12:38Z)
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)
Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
論文参考訳（メタデータ） (2022-09-06T18:38:34Z)
The Traveling Observer Model: Multi-task Learning Through Spatial Variable Embeddings [28.029643109302715]
我々は、連続した空間を移動し、ある場所で値を計測し、他の場所でそれらを予測する観察者として、一般的な予測システムを構築した。この視点は、一見無関係なタスクを単一のモデルで解決できる、機械学習フレームワークにつながります。実験では,(1)空間と時間における変数の直感的な位置の復元,(2)完全に不整合な入力空間と出力空間を持つ関連するデータセット間の正則性の利用,(3)無関係なタスク間の正則性を利用する。
論文参考訳（メタデータ） (2020-10-05T21:51:37Z)
Visual Localization for Autonomous Driving: Mapping the Accurate Location in the City Maze [16.824901952766446]
視覚的局所化のための新しい特徴投票手法を提案する。本研究では,提案した特徴投票手法を,最先端の3つの視覚的ローカライゼーションネットワークに実装する。当社のアプローチは、挑戦的な都市内設定においても、ロバストな位置予測を可能にします。
論文参考訳（メタデータ） (2020-08-13T03:59:34Z)
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)
From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
論文参考訳（メタデータ） (2020-05-13T14:22:20Z)
DA4AD: End-to-End Deep Attention-based Visual Localization for Autonomous Driving [19.02445537167235]
本稿では,自律運転のための新しい注目機能に基づく視覚的位置決めフレームワークを提案する。提案手法は,LiDARに基づくローカライズソリューションと比較して,競合するローカライズ精度を実現する。
論文参考訳（メタデータ） (2020-03-06T04:34:39Z)

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。