論文の概要: Worsening Perception: Real-time Degradation of Autonomous Vehicle
Perception Performance for Simulation of Adverse Weather Conditions
- arxiv url: http://arxiv.org/abs/2103.02760v1
- Date: Wed, 3 Mar 2021 23:49:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-07 11:41:43.366701
- Title: Worsening Perception: Real-time Degradation of Autonomous Vehicle
Perception Performance for Simulation of Adverse Weather Conditions
- Title（参考訳）: 認識の悪化: 逆気象条件シミュレーションのための自律走行車知覚性能のリアルタイム劣化
- Authors: Ivan Fursa, Elias Fandi, Valentina Musat, Jacob Culley, Enric Gil,
Louise Bilous, Isaac Vander Sluis, Alexander Rast and Andrew Bradley
- Abstract要約: 本研究では,自律走行車両における簡易かつ軽量な画像強調システムの利用の可能性を検討する。
最小限の調整で、プロトタイプシステムは、カメラレンズ上の水滴と退色光条件の両方の効果を複製することができます。
- 参考スコア（独自算出の注目度）: 47.529411576737644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous vehicles rely heavily upon their perception subsystems to see the
environment in which they operate. Unfortunately, the effect of varying weather
conditions presents a significant challenge to object detection algorithms, and
thus it is imperative to test the vehicle extensively in all conditions which
it may experience. However, unpredictable weather can make real-world testing
in adverse conditions an expensive and time consuming task requiring access to
specialist facilities, and weatherproofing of sensitive electronics. Simulation
provides an alternative to real world testing, with some studies developing
increasingly visually realistic representations of the real world on powerful
compute hardware. Given that subsequent subsystems in the autonomous vehicle
pipeline are unaware of the visual realism of the simulation, when developing
modules downstream of perception the appearance is of little consequence -
rather it is how the perception system performs in the prevailing weather
condition that is important. This study explores the potential of using a
simple, lightweight image augmentation system in an autonomous racing vehicle -
focusing not on visual accuracy, but rather the effect upon perception system
performance. With minimal adjustment, the prototype system developed in this
study can replicate the effects of both water droplets on the camera lens, and
fading light conditions. The system introduces a latency of less than 8 ms
using compute hardware that is well suited to being carried in the vehicle -
rendering it ideally suited to real-time implementation that can be run during
experiments in simulation, and augmented reality testing in the real world.
- Abstract（参考訳）: 自動運転車は、運転する環境を見るために知覚サブシステムに大きく依存している。
残念ながら、さまざまな気象条件の影響は、物体検出アルゴリズムに重要な課題をもたらし、したがって、それが経験する可能性のあるすべての条件で車両を広くテストすることが不可欠です。
しかし、予測不可能な天候は、悪条件下での現実世界のテストを、専門施設へのアクセス、敏感な電子機器の耐候性を必要とする高価で時間のかかるタスクにすることができます。
シミュレーションは実世界のテストの代替となり、強力な計算ハードウェア上で実世界のより視覚的な表現を開発する研究もある。
自動運転車パイプラインのその後のサブシステムは、シミュレーションの視覚的リアリズムに気づいていないことを考えると、知覚の下流のモジュールを開発するとき、外観はほとんどの結果ではありません。
本研究は、視覚精度ではなく、知覚システム性能に与える影響に着目した自律走行車における、単純で軽量な画像拡張システムの利用の可能性を検討するものである。
本研究で開発したプロトタイプシステムは、最小限の調整で、カメラレンズへの水滴の影響と光条件の低下の両方を再現できます。
このシステムは、計算ハードウェアを使用して8ms未満のレイテンシを導入し、車両に搭載するのに適しており、シミュレーションの実験中に実行できるリアルタイム実装や、現実世界での拡張現実テストに理想的に適している。
関連論文リスト
- NeRF-To-Real Tester: Neural Radiance Fields as Test Image Generators for Vision of Autonomous Systems [3.031375888004876]
シミュレーション条件に対するコントローラの過度な適合は、運用環境における性能の低下につながる。
本稿では,ニューラルネットワークを利用した自律システムにおける知覚テストデータ生成の課題に対処する。
当社のツールであるN2R-Testerは、カスタムシーンのトレーニングモデルと、摂動位置からのテストイメージのレンダリングを可能にする。
論文 参考訳（メタデータ） (2024-12-20T18:40:53Z) - DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。
その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。
動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
論文 参考訳（メタデータ） (2024-11-18T03:00:33Z) - CADSim: Robust and Scalable in-the-wild 3D Reconstruction for
Controllable Sensor Simulation [44.83732884335725]
センサシミュレーションでは、車などの交通参加者を高品質な外観と明瞭な幾何学でモデル化する。
現在の再構築アプローチは、その広さとノイズのために、Wildのセンサーデータに苦労している。
本稿では,車体形状を自動再構成するために,CADモデルの小さなセットと微分レンダリングを併用したCADSimを提案する。
論文 参考訳（メタデータ） (2023-11-02T17:56:59Z) - Using simulation to quantify the performance of automotive perception
systems [2.2320512724449233]
本稿では,物体(自動車)検出のための画像システムの性能を評価するために,画像システムシミュレーションソフトウェアツールについて述べる。
我々は,平均精度の測定によりシステム性能を定量化し,システム解像度とオブジェクト検出性能に関する傾向を報告する。
論文 参考訳（メタデータ） (2023-03-02T05:28:35Z) - Data generation using simulation technology to improve perception
mechanism of autonomous vehicles [0.0]
実世界から収集したデータと模擬世界から生成されたデータを組み合わせることで、認識システムを訓練する効果を実証する。
また,人間の学習体験をエミュレートすることを目的とした多段階深層学習知覚フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-01T03:42:33Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - 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) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z) - Probabilistic End-to-End Vehicle Navigation in Complex Dynamic
Environments with Multimodal Sensor Fusion [16.018962965273495]
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。
論文 参考訳（メタデータ） (2020-05-05T03:48:10Z)
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。