論文の概要: An Efficient Deep Learning Approach Using Improved Generative
Adversarial Networks for Incomplete Information Completion of Self-driving
- arxiv url: http://arxiv.org/abs/2109.02629v1
- Date: Wed, 1 Sep 2021 08:06:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-12 11:41:26.788197
- Title: An Efficient Deep Learning Approach Using Improved Generative
Adversarial Networks for Incomplete Information Completion of Self-driving
- Title（参考訳）: 自動走行不完全情報補完のための改良型生成型逆ネットワークを用いた効率的な深層学習手法
- Authors: Jingzhi Tu, Gang Mei, Francesco Piccialli
- Abstract要約: 自律運転において不完全な車両点雲を高精度かつ効率的に修復するための効率的な深層学習手法を提案する。
改良されたPF-Netは、オリジナルのPF-Netと比べてほぼ同じ精度で19倍以上のスピードアップを達成することができる。
- 参考スコア（独自算出の注目度）: 2.8504921333436832
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous driving is the key technology of intelligent logistics in
Industrial Internet of Things (IIoT). In autonomous driving, the appearance of
incomplete point clouds losing geometric and semantic information is inevitable
owing to limitations of occlusion, sensor resolution, and viewing angle when
the Light Detection And Ranging (LiDAR) is applied. The emergence of incomplete
point clouds, especially incomplete vehicle point clouds, would lead to the
reduction of the accuracy of autonomous driving vehicles in object detection,
traffic alert, and collision avoidance. Existing point cloud completion
networks, such as Point Fractal Network (PF-Net), focus on the accuracy of
point cloud completion, without considering the efficiency of inference
process, which makes it difficult for them to be deployed for vehicle point
cloud repair in autonomous driving. To address the above problem, in this
paper, we propose an efficient deep learning approach to repair incomplete
vehicle point cloud accurately and efficiently in autonomous driving. In the
proposed method, an efficient downsampling algorithm combining incremental
sampling and one-time sampling is presented to improves the inference speed of
the PF-Net based on Generative Adversarial Network (GAN). To evaluate the
performance of the proposed method, a real dataset is used, and an autonomous
driving scene is created, where three incomplete vehicle point clouds with 5
different sizes are set for three autonomous driving situations. The improved
PF-Net can achieve the speedups of over 19x with almost the same accuracy when
compared to the original PF-Net. Experimental results demonstrate that the
improved PF-Net can be applied to efficiently complete vehicle point clouds in
autonomous driving.
- Abstract（参考訳）: 自律運転は、産業用モノのインターネット(IIoT)におけるインテリジェントなロジスティクスの重要な技術である。
自律運転では、光検出と照準(LiDAR)を適用したとき、閉塞、センサ解像度、視野角の制限により、幾何学的・意味的な情報が失われる不完全点雲の出現は避けられない。
不完全な点雲、特に不完全な点雲の出現は、物体検出、交通警報、衝突回避における自動運転車の精度の低下につながる。
ポイントフラクタルネットワーク(pf-net)のような既存のポイントクラウド完成ネットワークは、推論プロセスの効率を考慮せず、ポイントクラウド完成の精度に重点を置いているため、自動運転におけるポイントクラウド修復のために展開することが困難である。
そこで本稿では,自動走行において不完全な車両点雲を高精度かつ効率的に修復するための効率的な深層学習手法を提案する。
提案手法では、インクリメンタルサンプリングとワンタイムサンプリングを組み合わせた効率的なダウンサンプリングアルゴリズムを提案し、GAN(Generative Adversarial Network)に基づくPF-Netの推論速度を改善する。
提案手法の性能を評価するために,実データを用いて,3つの自律運転状況に対して,5つの異なる大きさの不完全なポイント雲を3つ設定した自律運転シーンを作成する。
改良されたpf-netは、オリジナルのpf-netとほぼ同じ精度で19倍のスピードアップを達成できる。
実験結果から、改良されたPF-Netは自律走行において効率よく車点雲に応用できることが示された。
関連論文リスト
- Edge-Cloud Collaborative Motion Planning for Autonomous Driving with Large Language Models [3.6503689363051364]
EC-Driveは、データドリフト検出機能を備えた新しいエッジクラウド協調自動運転システムである。
本研究では,データドリフト検出機能を備えたエッジクラウド協調自動運転システムであるEC-Driveを紹介する。
論文 参考訳（メタデータ） (2024-08-19T13:19:15Z) - RainSD: Rain Style Diversification Module for Image Synthesis
Enhancement using Feature-Level Style Distribution [5.500457283114346]
本稿では,実際の道路データセットBDD100Kから発生するセンサブロックを用いた道路合成データセットを提案する。
このデータセットを用いて、自律運転のための多様なマルチタスクネットワークの劣化を評価し、分析した。
深層ニューラルネットワークを用いた自動運転車の認識システムの性能劣化傾向を深く分析した。
論文 参考訳（メタデータ） (2023-12-31T11:30:42Z) - FastRLAP: A System for Learning High-Speed Driving via Deep RL and
Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。
我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。
結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文 参考訳（メタデータ） (2023-04-19T17:33:47Z) - Penalty-Based Imitation Learning With Cross Semantics Generation Sensor
Fusion for Autonomous Driving [1.2749527861829049]
本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。
最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。
本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
論文 参考訳（メタデータ） (2023-03-21T14:29:52Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - Edge YOLO: Real-Time Intelligent Object Detection System Based on
Edge-Cloud Cooperation in Autonomous Vehicles [5.295478084029605]
本稿では,エッジクラウド協調と再構成畳み込みニューラルネットワークに基づくオブジェクト検出(OD)システムを提案する。
このシステムは、クラウドコンピューティングリソースの計算能力と不均一な分散への過度な依存を効果的に回避することができる。
我々は,COCO 2017 および KITTI データセットにおける Edge YOLO の信頼性と効率を実験的に実証した。
論文 参考訳（メタデータ） (2022-05-30T09:16:35Z) - PCSCNet: Fast 3D Semantic Segmentation of LiDAR Point Cloud for
Autonomous Car using Point Convolution and Sparse Convolution Network [8.959391124399925]
ポイント・コンボリューションと3次元スパース・コンボリューション(PCSCNet)を用いた高速なボクセル・セマンティック・セマンティック・セマンティック・セマンティック・セマンティクスモデルを提案する。
提案モデルは,点畳み込みに基づく特徴抽出を用いて,高ボクセル分解能と低ボクセル分解能を両立させるように設計されている。
論文 参考訳（メタデータ） (2022-02-21T08:31:37Z) - Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文 参考訳（メタデータ） (2021-08-25T18:24:34Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。