論文の概要: Measuring Novelty in Autonomous Vehicles Motion Using Local Outlier Factor Algorithm

• arxiv url: http://arxiv.org/abs/2104.11970v1
• Date: Sat, 24 Apr 2021 15:19:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 12:41:32.045019
• Title: Measuring Novelty in Autonomous Vehicles Motion Using Local Outlier Factor Algorithm
• Title（参考訳）: 局所外周係数アルゴリズムを用いた自動車運動の新規性の測定
• Authors: Hassan Alsawadi and Muhammad Bilal
• Abstract要約: 本論文では,自律走行の新規な動きをリアルタイムに定量化する手法を提案する。 実世界の車両ミッションから得られたデータセットを用いて、提案されたメトリクスがある程度の新規性を定量化できることを実証する。
• 参考スコア（独自算出の注目度）: 2.6747893782972105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Under unexpected conditions or scenarios, autonomous vehicles (AV) are more likely to follow abnormal unplanned actions, due to the limited set of rules or amount of experience they possess at that time. Enabling AV to measure the degree at which their movements are novel in real-time may help to decrease any possible negative consequences. We propose a method based on the Local Outlier Factor (LOF) algorithm to quantify this novelty measure. We extracted features from the inertial measurement unit (IMU) sensor's readings, which captures the vehicle's motion. We followed a novelty detection approach in which the model is fitted only using the normal data. Using datasets obtained from real-world vehicle missions, we demonstrate that the suggested metric can quantify to some extent the degree of novelty. Finally, a performance evaluation of the model confirms that our novelty metric can be practical.
• Abstract（参考訳）: 予期せぬ状況やシナリオの下では、自動運転車(av)は、その時点でのルールや経験が限られているため、計画外の異常な行動に追随する傾向が強い。 AVをリアルタイムで動作が新規である程度を測定することで、潜在的な負の結果が減少する可能性がある。 本稿では,この新奇性尺度を定量化するために,Local Outlier Factor (LOF)アルゴリズムに基づく手法を提案する。 我々は、慣性測定ユニット(IMU)センサーの読み出しから特徴を抽出し、車両の動きを捉えた。 我々は,通常のデータのみを用いてモデルを取り付ける新たな検出手法に従った。 実世界の車両ミッションから得られたデータセットを用いて,提案する指標がある程度の新規性の定量化が可能であることを実証する。 最後に,本モデルの性能評価により,新規性指標が実用可能であることを確認した。

関連論文リスト

• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Data-driven Semi-supervised Machine Learning with Surrogate Measures of Safety for Abnormal Driving Behavior Detection [6.972018255192681]
  本研究では,いくつかの異常運転行動を明らかにする大規模実世界のデータを分析した。 部分ラベル付きデータを用いた半教師付き機械学習(ML)法を開発し,異常運転行動を正確に検出する。
  論文  参考訳（メタデータ） (2023-12-07T16:16:09Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Towards Driving-Oriented Metric for Lane Detection Models [19.81163190104571]
  我々は、車線検出のための2つの新しい駆動指向メトリクスを設計する:エンド・ツー・エンド横方向偏差距離(E2E-LD)とフレームごとの擬似横方向偏差距離(PSLD)。 提案手法の有効性を評価するため,TuSimpleデータセットと新たに構築したComma2k19-LDの4種類のレーン検出手法を用いて大規模実験を行った。
  論文  参考訳（メタデータ） (2022-03-31T07:24:44Z)
• MotionHint: Self-Supervised Monocular Visual Odometry with Motion Constraints [70.76761166614511]
  モノクローナルビジュアル・オドメトリー(VO)のための新しい自己教師型アルゴリズムMotionHintを提案する。 我々のMotionHintアルゴリズムは、既存のオープンソースSSM-VOシステムに容易に適用できる。
  論文  参考訳（メタデータ） (2021-09-14T15:35:08Z)
• Trust Your IMU: Consequences of Ignoring the IMU Drift [2.253916533377465]
  本研究では,未知の焦点長と半径歪みプロファイルを持つ相対ポーズ問題を共同で解くための最初の解法を開発した。 部分校正されたセットアップでは,精度が小さく,あるいは無視できるような,最先端のアルゴリズムに比べて大幅なスピードアップを示す。 市販の異なる低コストのUAV上で提案されたソルバーを評価し、IMUドリフトに関する新しい仮定が実用アプリケーションで実現可能であることを実証する。
  論文  参考訳（メタデータ） (2021-03-15T11:24:54Z)
• Beelines: Motion Prediction Metrics for Self-Driving Safety and Comfort [4.670814682436471]
  動作予測が安全性に与える影響を定量化する2つの相補的指標を提案する。 我々の安全基準は、安全でない事象を特定する際の変位誤差よりもはるかに優れた信号対雑音比を有する。
  論文  参考訳（メタデータ） (2020-11-01T01:09:23Z)
• Self-awareness in Intelligent Vehicles: Experience Based Abnormality Detection [4.721146043492144]
  本稿では,車両内部の相互相関パラメータに基づく異常検出手法を提案する。 動的ベイズネットワーク(DBN)モデルをトレーニングすることで、車両が誤動作している可能性を自動評価し、検出することができる。
  論文  参考訳（メタデータ） (2020-10-28T16:08:54Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)

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。