論文の概要: 3D Radar Velocity Maps for Uncertain Dynamic Environments

• arxiv url: http://arxiv.org/abs/2107.11039v1
• Date: Fri, 23 Jul 2021 06:03:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 14:17:07.872249
• Title: 3D Radar Velocity Maps for Uncertain Dynamic Environments
• Title（参考訳）: 不確定な動的環境に対する3次元レーダー速度マップ
• Authors: Ransalu Senanayake, Kyle Beltran Hatch, Jason Zheng and Mykel J. Kochenderfer
• Abstract要約: 本稿では,トレーニングデータから得られた地図における不確実性を捉えるベイズ的アプローチについて検討する。 航空や地上のデータセットの収集において、このアプローチはいくつかの代替手法よりも効果的でスケーラブルであることを示す。
• 参考スコア（独自算出の注目度）: 37.11633023088781
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future urban transportation concepts include a mixture of ground and air vehicles with varying degrees of autonomy in a congested environment. In such dynamic environments, occupancy maps alone are not sufficient for safe path planning. Safe and efficient transportation requires reasoning about the 3D flow of traffic and properly modeling uncertainty. Several different approaches can be taken for developing 3D velocity maps. This paper explores a Bayesian approach that captures our uncertainty in the map given training data. The approach involves projecting spatial coordinates into a high-dimensional feature space and then applying Bayesian linear regression to make predictions and quantify uncertainty in our estimates. On a collection of air and ground datasets, we demonstrate that this approach is effective and more scalable than several alternative approaches.
• Abstract（参考訳）: 将来の都市交通の概念には、密集した環境で様々な自律性を持つ地上車両と航空車両の混合が含まれる。 このような動的な環境では、占有マップだけでは安全な経路計画には不十分である。 安全で効率的な輸送には、交通の3次元流れを推論し、不確実性を適切にモデル化する必要がある。 3次元速度マップの開発にはいくつかの異なるアプローチが考えられる。 本稿では,訓練データから不確かさを捉えたベイズ的アプローチについて検討する。 このアプローチでは、空間座標を高次元特徴空間に投影し、ベイズ線形回帰を適用して予測を行い、推定の不確かさを定量化する。 航空や地上のデータセットの収集において、このアプローチはいくつかの代替手法よりも効果的でスケーラブルであることを示す。

関連論文リスト

• WildOcc: A Benchmark for Off-Road 3D Semantic Occupancy Prediction [9.639795825672023]
  オフロード環境は幾何学的情報に富んでいるため、3Dセマンティック占有予測タスクに適している。 オフロード3Dセマンティック占有予測タスクに密接な占有アノテーションを提供する最初のベンチマークであるWildOccを紹介する。 本稿では, より現実的な結果を得るために, 粗大な再構成を用いた基礎的真理生成パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-21T09:02:40Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Learning multiobjective rough terrain traversability [0.0]
  本研究では, 地形の高分解能地形データと地上車両シミュレーションを用いて, トラバーサビリティの予測を行う手法を提案する。 深層ニューラルネットワークは、局所的なハイトマップと目標速度からトラバーサビリティ対策を予測するために訓練される。 従来は見つからなかったレーザ走査型森林地形のモデルについて検討した。
  論文  参考訳（メタデータ） (2022-03-30T14:31:43Z)
• Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
  近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
  論文  参考訳（メタデータ） (2020-08-09T09:26:30Z)
• The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
  本稿では,船体移動軌跡予測の教師なし手法を提案する。 これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。 多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
  論文  参考訳（メタデータ） (2020-07-27T17:45:21Z)
• Physically constrained short-term vehicle trajectory forecasting with naive semantic maps [6.85316573653194]
  本稿では,エージェントの一般的な動きだけでなく,意味地図から関連する道路特徴を抽出する学習モデルを提案する。 我々は,道路境界を考慮した将来の動きを予測できるだけでなく,当初の訓練よりも長い時間的地平線の軌道を効果的かつ正確に予測できることを示した。
  論文  参考訳（メタデータ） (2020-06-09T09:52:44Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。