論文の概要: Deep Evaluation Metric: Learning to Evaluate Simulated Radar Point Clouds for Virtual Testing of Autonomous Driving

• arxiv url: http://arxiv.org/abs/2104.06772v1
• Date: Wed, 14 Apr 2021 11:04:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 13:30:02.348465
• Title: Deep Evaluation Metric: Learning to Evaluate Simulated Radar Point Clouds for Virtual Testing of Autonomous Driving
• Title（参考訳）: Deep Evaluation Metric: 自律運転の仮想テストのためのシミュレーションレーダポイントクラウドの評価を学ぶ
• Authors: Anthony Ngo, Max Paul Bauer, Michael Resch
• Abstract要約: 仮想テストのための環境センサモデルの使用は、自動運転のテスト労力を減らすための有望なアプローチです。 本研究では,ニューラルネットワークを訓練し,実際のレーダセンサデータとシミュレートしたレーダセンサデータを区別する。 本稿では,合成レーダデータの忠実度を決定する指標として,実レーダ点雲のクラスに対する分類器の信頼性スコアを提案する。
• 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: The usage of environment sensor models for virtual testing is a promising approach to reduce the testing effort of autonomous driving. However, in order to deduce any statements regarding the performance of an autonomous driving function based on simulation, the sensor model has to be validated to determine the discrepancy between the synthetic and real sensor data. Since a certain degree of divergence can be assumed to exist, the sufficient level of fidelity must be determined, which poses a major challenge. In particular, a method for quantifying the fidelity of a sensor model does not exist and the problem of defining an appropriate metric remains. In this work, we train a neural network to distinguish real and simulated radar sensor data with the purpose of learning the latent features of real radar point clouds. Furthermore, we propose the classifier's confidence score for the `real radar point cloud' class as a metric to determine the degree of fidelity of synthetically generated radar data. The presented approach is evaluated and it can be demonstrated that the proposed deep evaluation metric outperforms conventional metrics in terms of its capability to identify characteristic differences between real and simulated radar data.
• Abstract（参考訳）: 仮想テストにおける環境センサモデルの利用は、自動運転のテスト労力を減らすための有望なアプローチである。 しかし、シミュレーションに基づく自動運転機能の性能に関する記述を推測するには、合成センサと実センサデータとの差を判定するために、センサモデルを検証する必要がある。 ある程度のばらつきが存在すると仮定できるので、十分な忠実度が決定されなければならず、これは大きな挑戦となる。 特に、センサモデルの忠実度を定量化する方法は存在せず、適切な計量を定義する問題が残っている。 本研究では,実際のレーダポイント雲の潜伏特性を学習するために,実および模擬レーダセンサデータを識別するためにニューラルネットワークを訓練する。 さらに,'real radar point cloud'クラスに対する分類器の信頼度スコアを,合成したレーダデータの忠実度を決定する指標として提案する。 提案手法を評価した結果,提案手法は実レーダデータとシミュレートされたレーダデータの特徴的差異を識別する能力において,従来の測定値よりも優れていることが示された。

関連論文リスト

• Radar-Based Recognition of Static Hand Gestures in American Sign Language [17.021656590925005]
  本研究では,先進レーダ線トレーシングシミュレータによる合成データの有効性について検討した。 シミュレータは直感的な材料モデルを採用し、データ多様性を導入するように調整することができる。 NNを合成データで専用にトレーニングしているにもかかわらず、実際の測定データでテストを行うと、有望な性能を示す。
  論文  参考訳（メタデータ） (2024-02-20T08:19:30Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• A Multi-Layered Approach for Measuring the Simulation-to-Reality Gap of Radar Perception for Autonomous Driving [0.0]
  仮想テストに頼るためには、採用されているセンサーモデルを検証する必要がある。 レーダ知覚のこのシミュレーションと現実のギャップを測定するための音響手法は存在しない。 提案手法の有効性を,詳細なセンサモデルによる評価により検証した。
  論文  参考訳（メタデータ） (2021-06-15T18:51:39Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Deep Interference Mitigation and Denoising of Real-World FMCW Radar Signals [16.748215232763517]
  実世界レーダ計測における干渉緩和のための畳み込みニューラルネットワーク(CNN)に基づくアプローチの評価を行った。 実測値と模擬干渉を組み合わせることで,モデルの学習に適した入力出力データを生成する。
  論文  参考訳（メタデータ） (2020-12-04T11:22:13Z)
• There and Back Again: Learning to Simulate Radar Data for Real-World Applications [21.995474023869388]
  我々は、シミュレーションされた標高マップに基づいて忠実なレーダー観測を合成できるレーダセンサモデルを学ぶ。 我々は、不整合レーダの例から前方センサーモデルを学ぶための敵対的アプローチを採用する。 実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-11-29T15:49:23Z)
• 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)
• A Sensitivity Analysis Approach for Evaluating a Radar Simulation for Virtual Testing of Autonomous Driving Functions [0.0]
  レーダシミュレーションの開発と評価のための感度解析手法を提案する。 モジュラーレーダシステムのシミュレーションを提示・パラメータ化して感度解析を行う。 レーダモデルの出力と実走行の測定値を比較して,現実的なモデルの挙動を確かめる。
  論文  参考訳（メタデータ） (2020-08-06T15:51:52Z)

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。