論文の概要: A Framework for 3D Tracking of Frontal Dynamic Objects in Autonomous
Cars
- arxiv url: http://arxiv.org/abs/2103.13430v1
- Date: Wed, 24 Mar 2021 18:21:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 13:22:07.148141
- Title: A Framework for 3D Tracking of Frontal Dynamic Objects in Autonomous
Cars
- Title(参考訳): 自律走行車における前方動的物体の3次元追跡フレームワーク
- Authors: Faraz Lotfi, Hamid D. Taghirad
- Abstract要約: 本論文では, YOLOv3 アプローチを OpenCV トラッカーの横に使用し, 画像から特徴を引き出す。
横距離と縦距離を得るため、状態依存リッカティ方程式フィルタと並行して非線形sfmモデルを考える。
SDREフィルタの堅牢な性能を高めるために, スイッチング推定誤差共分散方式のスイッチング方式を提案する。
- 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: Both recognition and 3D tracking of frontal dynamic objects are crucial
problems in an autonomous vehicle, while depth estimation as an essential issue
becomes a challenging problem using a monocular camera. Since both camera and
objects are moving, the issue can be formed as a structure from motion (SFM)
problem. In this paper, to elicit features from an image, the YOLOv3 approach
is utilized beside an OpenCV tracker. Subsequently, to obtain the lateral and
longitudinal distances, a nonlinear SFM model is considered alongside a
state-dependent Riccati equation (SDRE) filter and a newly developed
observation model. Additionally, a switching method in the form of switching
estimation error covariance is proposed to enhance the robust performance of
the SDRE filter. The stability analysis of the presented filter is conducted on
a class of discrete nonlinear systems. Furthermore, the ultimate bound of
estimation error caused by model uncertainties is analytically obtained to
investigate the switching significance. Simulations are reported to validate
the performance of the switched SDRE filter. Finally, real-time experiments are
performed through a multi-thread framework implemented on a Jetson TX2 board,
while radar data is used for the evaluation.
- Abstract(参考訳): 前方動態物体の認識と3次元追跡は、自律走行車において重要な問題である一方、深度推定は単眼カメラによる課題となっている。
カメラとオブジェクトの両方が動いているため、この問題はモーション(SFM)問題から構造として形成することができる。
本稿では,画像から特徴を抽出するために,OpenCVトラッカーの横にYOLOv3アプローチを利用する。
その後、横距離と縦距離を得るため、状態依存リッカティ式(sdre)フィルタと新しく開発された観測モデルと並行して非線形sfmモデルを検討する。
また,sdreフィルタのロバスト性能を向上させるため,スイッチング推定誤差共分散方式のスイッチング方式を提案する。
提案フィルタの安定性解析は, 離散非線形系のクラスで行った。
さらに,モデル不確実性に起因する推定誤差の究極境界を解析的に求め,スイッチングの意義について検討する。
スイッチングされたSDREフィルタの性能を検証するシミュレーションが報告されている。
最後に,jetson tx2基板上に実装したマルチスレッドフレームワークを用いてリアルタイム実験を行い,レーダデータを用いて評価を行う。
関連論文リスト
- Multi-Object Tracking with Camera-LiDAR Fusion for Autonomous Driving [0.8356765961526956]
提案したMOTアルゴリズムは、3段階のアソシエーションプロセスと、検出された動的障害物の運動を推定する拡張カルマンフィルタと、トラック管理フェーズとを備える。
多くの最先端のマルチモーダルMOTアプローチとは異なり、提案アルゴリズムはエゴのグローバルなポーズの地図や知識に依存しない。
このアルゴリズムはシミュレーションと実世界のデータの両方で検証され、良好な結果が得られる。
論文 参考訳(メタデータ) (2024-03-06T23:49:16Z) - Mip-Splatting: Alias-free 3D Gaussian Splatting [52.366815964832426]
3D Gaussian Splattingは素晴らしいビュー合成結果を示し、高い忠実度と効率を実現した。
ストロングアーティファクトは、サンプリングレート、例えば焦点距離やカメラ距離を変えることで観測することができる。
この現象の原因は,3次元周波数制約の欠如と2次元拡張フィルタの利用によると考えられる。
論文 参考訳(メタデータ) (2023-11-27T13:03:09Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳(メタデータ) (2022-12-14T01:21:05Z) - Detecting Rotated Objects as Gaussian Distributions and Its 3-D
Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。
このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。
回転した物体をガウス分布としてモデル化することを提案する。
2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文 参考訳(メタデータ) (2022-09-22T07:50:48Z) - CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object
Tracking with Camera-LiDAR Fusion [34.42289908350286]
3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。
LiDAR法で物体の不規則な動きを正確に追跡することは困難である。
複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-06T14:41:38Z) - Monocular 3D Object Detection with Depth from Motion [74.29588921594853]
我々は、正確な物体深度推定と検出にカメラエゴモーションを利用する。
我々のフレームワークはDfM(Depth from Motion)と呼ばれ、2D画像の特徴を3D空間に持ち上げて3Dオブジェクトを検出する。
我々のフレームワークは、KITTIベンチマークにおいて最先端の手法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2022-07-26T15:48:46Z) - RNNPose: Recurrent 6-DoF Object Pose Refinement with Robust
Correspondence Field Estimation and Pose Optimization [46.144194562841435]
本稿では、オブジェクトポーズ改善のためのリカレントニューラルネットワーク(RNN)に基づくフレームワークを提案する。
この問題は、推定対応フィールドに基づいて非線形最小二乗問題として定式化される。
各イテレーションにおいて、対応フィールド推定とポーズ精錬を代替して行い、正確なオブジェクトポーズを復元する。
論文 参考訳(メタデータ) (2022-03-24T06:24:55Z) - Temp-Frustum Net: 3D Object Detection with Temporal Fusion [0.0]
3Dオブジェクト検出は、自動運転システムの中核コンポーネントです。
フレームバイフレームの3dオブジェクト検出はノイズ、視野障害、スパーシティに苦しむ。
これらの問題を緩和するための新しい時間融合モジュールを提案する。
論文 参考訳(メタデータ) (2021-04-25T09:08:14Z) - PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。
この2つのタスクを同一のメトリック空間で統一するモデルを提案する。
提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
論文 参考訳(メタデータ) (2021-01-17T05:11:38Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳(メタデータ) (2020-08-31T17:10:48Z) - Active Depth Estimation: Stability Analysis and its Applications [18.582561853987034]
本稿では,Structure-from-Motion(SfM)方式の理論的性質について述べる。
インクリメンタルという言葉は、画像フレームの時系列上のシーンの3次元構造を推定することを意味する。
リアプノフ理論を用いて推定子の収束を解析することにより、画像平面内の3次元点の射影に対する制約を緩和する。
論文 参考訳(メタデータ) (2020-03-16T12:12:24Z)
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。