論文の概要: Probabilistic Rainfall Estimation from Automotive Lidar
- arxiv url: http://arxiv.org/abs/2104.11467v1
- Date: Fri, 23 Apr 2021 08:35:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 13:10:24.999779
- Title: Probabilistic Rainfall Estimation from Automotive Lidar
- Title（参考訳）: 自動車ライダーからの確率的降雨推定
- Authors: Robin Karlsson, David Robert Wong, Kazunari Kawabata, Simon Thompson,
Naoki Sakai
- Abstract要約: 本研究は,自動車のライダーポイント雲列から降雨率を推定する確率的階層ベイズモデルを提案する。
その結果,ディドロメータの測定解像度に匹敵する予測精度と,不確実性推定の健全性と有用性を示した。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust sensing and perception in adverse weather conditions remains one of
the biggest challenges for realizing reliable autonomous vehicle mobility
services. Prior work has established that rainfall rate is a useful measure for
adversity of atmospheric weather conditions. This work presents a probabilistic
hierarchical Bayesian model that infers rainfall rate from automotive lidar
point cloud sequences with high accuracy and reliability. The model is a
hierarchical mixture of expert model, or a probabilistic decision tree, with
gating and expert nodes consisting of variational logistic and linear
regression models. Experimental data used to train and evaluate the model is
collected in a large-scale rainfall experiment facility from both stationary
and moving vehicle platforms. The results show prediction accuracy comparable
to the measurement resolution of a disdrometer, and the soundness and
usefulness of the uncertainty estimation. The model achieves RMSE 2.42 mm/h
after filtering out uncertain predictions. The error is comparable to the mean
rainfall rate change of 3.5 mm/h between measurements. Model parameter studies
show how predictive performance changes with tree depth, sampling duration, and
crop box dimension. A second experiment demonstrate the predictability of
higher rainfall above 300 mm/h using a different lidar sensor, demonstrating
sensor independence.
- Abstract（参考訳）: 悪天候下でのロバストなセンシングと認識は、信頼できる自動運転車の移動サービスを実現する上での最大の課題の1つだ。
先行研究により、降雨速度は気象条件の逆行性にとって有用な指標であると判明した。
本研究では,自動車ライダー点雲列から降雨速度を高精度かつ信頼性で推定する確率的階層型ベイズモデルを提案する。
このモデルは、確率的決定木(probabilistic decision tree)と、変分ロジスティックおよび線形回帰モデルからなるゲーティングとエキスパートノードの階層的な混合である。
静止および移動車両プラットフォームからの大規模な降雨実験施設において,モデルを訓練し,評価するための実験データを収集した。
その結果,ディドロメータの測定精度に匹敵する予測精度,不確実性推定の健全性と有用性が得られた。
このモデルは不確定な予測をフィルタリングした後、rmse 2.42 mm/hを達成する。
この誤差は、測定値の間の平均降雨速度変化3.5mm/hに匹敵する。
モデルパラメーター研究は、樹木の深さ、サンプリング期間、作物箱寸法による予測性能の変化を示す。
2つ目の実験は、異なるlidarセンサーを用いて300mm/h以上の降雨の予測可能性を示し、センサの独立性を示している。
関連論文リスト
- Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution [0.0]
本研究では,降雨予測精度の向上を目的とした深層学習空間モデルを提案する。
この仮説を検証するため,インド・ムンバイに先立つ降水量6hrと12hrを予測するために,ConvLSTM2Dモデルを導入した。
論文 参考訳（メタデータ） (2024-04-01T13:56:12Z) - Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。
具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。
欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文 参考訳（メタデータ） (2024-03-20T10:07:51Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。
また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
論文 参考訳（メタデータ） (2024-01-27T05:53:16Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - 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) - Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance
of Severe Weather Hazards in the Warn-on-Forecast System [0.0]
我々は,NOAAの厳しい天気予報を校正するための一連の機械学習(ML)アルゴリズムと,アップドラフトヘリシティを用いた簡単な手法のスキルを比較した。
その結果,MLによるダイナミックアンサンブル出力のキャリブレーションにより,短期的,ストームスケールの厳しい気象予測が向上することが示唆された。
論文 参考訳（メタデータ） (2020-11-12T19:07:32Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。