論文の概要: Improved and efficient inter-vehicle distance estimation using road
gradients of both ego and target vehicles
- arxiv url: http://arxiv.org/abs/2104.00169v1
- Date: Thu, 1 Apr 2021 00:12:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:43:38.061198
- Title: Improved and efficient inter-vehicle distance estimation using road
gradients of both ego and target vehicles
- Title(参考訳): エゴと目標車両の道路勾配を用いた車間距離推定の効率化と効率化
- Authors: Muhyun Back, Jinkyu Lee, Kyuho Bae, Sung Soo Hwang, Il Yong Chun
- Abstract要約: 高度な運転支援システムや自動運転では、エゴ車とターゲット車の間の距離を推定することが不可欠です。
本稿では,道路前方の傾斜変化を考慮した車間距離推定フレームワークを提案する。
数値実験により,提案手法が距離推定精度と時間複雑性を大幅に改善することを示す。
- 参考スコア(独自算出の注目度): 14.147976074752023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In advanced driver assistant systems and autonomous driving, it is crucial to
estimate distances between an ego vehicle and target vehicles. Existing
inter-vehicle distance estimation methods assume that the ego and target
vehicles drive on a same ground plane. In practical driving environments,
however, they may drive on different ground planes. This paper proposes an
inter-vehicle distance estimation framework that can consider slope changes of
a road forward, by estimating road gradients of \emph{both} ego vehicle and
target vehicles and using a 2D object detection deep net. Numerical experiments
demonstrate that the proposed method significantly improves the distance
estimation accuracy and time complexity, compared to deep learning-based depth
estimation methods.
- Abstract(参考訳): 先進運転支援システムと自律運転では,エゴ車と目標車との距離を推定することが重要である。
既存の車間距離推定法では、エゴと目標車両は同じ地上を走行していると仮定する。
しかし、実際の運転環境では、異なる地上機で運転することができる。
本稿では,2次元物体検出深層ネットを用いて,emph{both} ego車両と目標車両の道路勾配を推定し,車間距離推定手法を提案する。
数値実験により, 深層深部推定法と比較して, 距離推定精度と時間複雑性が有意に向上することを示した。
関連論文リスト
- Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement
Learning in CARLA [0.0]
このプロジェクトの目的は、深層強化学習技術を用いて、不確実な環境での走行を判断できるように自動運転車を訓練することである。
シミュレータは、自動運転モデルのトレーニングとテストのための現実的で都市環境を提供する。
論文 参考訳(メタデータ) (2023-10-23T04:23:07Z) - Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios [5.193470362635256]
既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。
2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
論文 参考訳(メタデータ) (2023-06-08T18:03:48Z) - Learning Position From Vehicle Vibration Using an Inertial Measurement
Unit [4.117347527143616]
本稿では,グローバルナビゲーション衛星システム(GNSS)に依存しない車両位置決め手法を提案する。
従来のアプローチは特定の環境での干渉に弱いため、都市キャニオンやフライオーバーや低受信エリアなどの状況では信頼性が低い。
本研究では,慣性計測ユニット(IMU)センサで得られた加速度計およびジャイロスコープ測定から道路信号の学習に基づく車両位置決め手法を提案する。
論文 参考訳(メタデータ) (2023-03-06T18:55:00Z) - Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳(メタデータ) (2023-01-06T15:13:23Z) - Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。
我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文 参考訳(メタデータ) (2022-11-15T13:52:41Z) - SurroundDepth: Entangling Surrounding Views for Self-Supervised
Multi-Camera Depth Estimation [101.55622133406446]
本研究では,複数の周囲からの情報を組み込んだSurroundDepth法を提案し,カメラ間の深度マップの予測を行う。
具体的には、周囲のすべてのビューを処理し、複数のビューから情報を効果的に融合するクロスビュー変換器を提案する。
実験において,本手法は,挑戦的なマルチカメラ深度推定データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-04-07T17:58:47Z) - Multi-Stream Attention Learning for Monocular Vehicle Velocity and
Inter-Vehicle Distance Estimation [25.103483428654375]
車両速度と車間距離の推定は、ADAS(Advanced driver-assistance system)と自律走行車にとって不可欠である。
近年の研究では、低コストの単眼カメラを用いて、車周りの環境をデータ駆動方式で知覚することに焦点を当てている。
MSANetは、例えば、共同走行速度と車間距離推定のための空間的特徴と文脈的特徴の異なる特徴を抽出するために提案されている。
論文 参考訳(メタデータ) (2021-10-22T06:14:12Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳(メタデータ) (2021-09-16T13:10:27Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳(メタデータ) (2021-08-10T17:57:03Z) - End-to-end Learning for Inter-Vehicle Distance and Relative Velocity
Estimation in ADAS with a Monocular Camera [81.66569124029313]
本稿では,ディープニューラルネットワークのエンドツーエンドトレーニングに基づくカメラによる車間距離と相対速度推定手法を提案する。
提案手法の重要な特徴は,2つの時間的単眼フレームによって提供される複数の視覚的手がかりの統合である。
また,移動場における視線歪みの影響を緩和する車両中心サンプリング機構を提案する。
論文 参考訳(メタデータ) (2020-06-07T08:18:31Z) - 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。