論文の概要: Risk Ranked Recall: Collision Safety Metric for Object Detection Systems
in Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2106.04146v1
- Date: Tue, 8 Jun 2021 07:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 16:09:07.730898
- Title: Risk Ranked Recall: Collision Safety Metric for Object Detection Systems
in Autonomous Vehicles
- Title(参考訳): リスクランク付けリコール:自動運転車の物体検出システムにおける衝突安全基準
- Authors: Ayoosh Bansal, Jayati Singh, Micaela Verucchi, Marco Caccamo and Lui
Sha
- Abstract要約: この研究は、オブジェクト検出システムに対するリスクランク付きリコール(R3$)メトリクスを紹介します。
ランクは衝突のリスクに対する客観的なサイバー物理モデルに基づいて割り当てられる。
- 参考スコア(独自算出の注目度): 4.076349045391852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Commonly used metrics for evaluation of object detection systems (precision,
recall, mAP) do not give complete information about their suitability of use in
safety critical tasks, like obstacle detection for collision avoidance in
Autonomous Vehicles (AV). This work introduces the Risk Ranked Recall ($R^3$)
metrics for object detection systems. The $R^3$ metrics categorize objects
within three ranks. Ranks are assigned based on an objective cyber-physical
model for the risk of collision. Recall is measured for each rank.
- Abstract(参考訳): オブジェクト検出システム(precision、recall、map)の評価のための一般的なメトリクスは、自動運転車(av)における衝突回避のための障害物検出のような、安全性クリティカルなタスクでの使用の適性に関する完全な情報を提供していない。
この研究は、オブジェクト検出システムに対するリスクランク付きリコール(R^3$)メトリクスを紹介します。
r^3$メトリクスは、オブジェクトを3つのランクに分類する。
ランクは衝突のリスクに対する客観的なサイバー物理モデルに基づいて割り当てられる。
ランクごとにリコールを計測する。
関連論文リスト
- 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) - Towards Building Self-Aware Object Detectors via Reliable Uncertainty
Quantification and Calibration [17.461451218469062]
本稿では,自己認識オブジェクト検出(SAOD)タスクを紹介する。
SAODタスクは、自律運転のような安全クリティカルな環境でオブジェクト検出器が直面する課題を尊重し、遵守する。
我々は、多数のオブジェクト検出器をテストするために、新しいメトリクスと大規模なテストデータセットを導入したフレームワークを広範囲に使用しています。
論文 参考訳(メタデータ) (2023-07-03T11:16:39Z) - Exorcising ''Wraith'': Protecting LiDAR-based Object Detector in
Automated Driving System from Appearing Attacks [20.38692153553779]
自動駆動システムは、LiDAR点雲から可能な障害物を認識するために、3Dオブジェクト検出器に依存している。
近年の研究では、偽のポイント数点の予測結果において、敵が存在していない車を偽造できることが示されている。
そこで本研究では,LiDARをベースとしたオブジェクト検出装置を並列に動作させる,新しいプラグ・アンド・プレイディフェンスモジュールを提案する。
論文 参考訳(メタデータ) (2023-03-17T02:20:47Z) - Safety Metrics and Losses for Object Detection in Autonomous Driving [3.2259574483835673]
自律運転における3次元物体検出器の安全性について考察する。
定式化中、画像上に投影された2次元境界ボックスと鳥の目視平面で3次元オブジェクトを抽象化することで、提案された安全要件に対して必要かつ十分な条件を実現できることが判明した。
連続的な改善のために、物体検出器をより高い安全性スコアに最適化するために使用できる安全損失を定式化する。
論文 参考訳(メタデータ) (2022-09-21T14:03:08Z) - Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。
オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。
提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
論文 参考訳(メタデータ) (2022-09-06T12:01:07Z) - Evaluating Object (mis)Detection from a Safety and Reliability
Perspective: Discussion and Measures [1.8492669447784602]
本稿では,最も危険で運転決定に影響を及ぼす可能性が最も高い物体の正確な識別に報いる新しい物体検出手法を提案する。
我々は、最近の自律走行データセットnuScenesにモデルを適用し、9つの物体検出器を比較した。
その結果、いくつかの環境では、安全性と信頼性に重点を置いている場合、nuScenesランキングでベストに機能するオブジェクト検出器は好ましくないことが判明した。
論文 参考訳(メタデータ) (2022-03-04T09:31:20Z) - Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion
based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。
物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。
以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
論文 参考訳(メタデータ) (2021-06-17T05:11:07Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳(メタデータ) (2021-03-26T01:18:11Z) - Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception
Proposal [87.11988786121447]
本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。
このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。
自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
論文 参考訳(メタデータ) (2020-08-21T20:36:21Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳(メタデータ) (2020-04-01T16:11:04Z)
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。