論文の概要: Infrastructure-Based Object Detection and Tracking for Cooperative Driving Automation: A Survey

• arxiv url: http://arxiv.org/abs/2201.11871v1
• Date: Fri, 28 Jan 2022 00:55:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 16:12:03.892800
• Title: Infrastructure-Based Object Detection and Tracking for Cooperative Driving Automation: A Survey
• Title（参考訳）: 協調運転自動化のためのインフラストラクチャに基づく物体検出と追跡:調査
• Authors: Zhengwei Bai, Guoyuan Wu, Xuewei Qi, Yongkang Liu, Kentaro Oguchi, Matthew J. Barth
• Abstract要約: インフラベースの物体検出・追跡システムは、連結車両の知覚能力を高めることができる。 現在の機会、オープンな問題、今後のトレンドを指摘するために行われた議論。
• 参考スコア（独自算出の注目度）: 16.20885642028316
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Object detection plays a fundamental role in enabling Cooperative Driving Automation (CDA), which is regarded as the revolutionary solution to addressing safety, mobility, and sustainability issues of contemporary transportation systems. Although current computer vision technologies could provide satisfactory object detection results in occlusion-free scenarios, the perception performance of onboard sensors could be inevitably limited by the range and occlusion. Owing to flexible position and pose for sensor installation, infrastructure-based detection and tracking systems can enhance the perception capability for connected vehicles and thus quickly become one of the most popular research topics. In this paper, we review the research progress for infrastructure-based object detection and tracking systems. Architectures of roadside perception systems based on different types of sensors are reviewed to show a high-level description of the workflows for infrastructure-based perception systems. Roadside sensors and different perception methodologies are reviewed and analyzed with detailed literature to provide a low-level explanation for specific methods followed by Datasets and Simulators to draw an overall landscape of infrastructure-based object detection and tracking methods. Discussions are conducted to point out current opportunities, open problems, and anticipated future trends.
• Abstract（参考訳）: オブジェクト検出は、現代交通システムの安全性、モビリティ、持続可能性問題に対処する革命的なソリューションであるCDA(Cooperative Driving Automation)を実現する上で、基本的な役割を果たす。 現在のコンピュータビジョン技術は、咬合のないシナリオで十分な物体検出結果を提供できるが、搭載センサーの知覚性能は、範囲や咬合によって必然的に制限される可能性がある。 センサ設置のための柔軟な位置とポーズのため、インフラストラクチャベースの検出および追跡システムは、コネクテッドカーの認識能力を高めることができ、すぐに最も人気のある研究トピックの1つとなる。 本稿では,インフラに基づく物体検出・追跡システムの研究動向について述べる。 各種センサに基づく道路サイドセンシングシステムのアーキテクチャをレビューし,インフラベースのセンシングシステムにおけるワークフローの高レベルな記述を示す。 道路サイドセンサと異なる知覚方法論を詳細な文献でレビュー・分析し、特定の方法の低レベルな説明と、インフラストラクチャベースの物体検出と追跡方法の全体像を描くためのデータセットとシミュレータを提供する。 議論は、現在の機会、オープンな問題、将来のトレンドを指摘するために行われます。

関連論文リスト

• InScope: A New Real-world 3D Infrastructure-side Collaborative Perception Dataset for Open Traffic Scenarios [13.821143687548494]
  本稿では,新しい3次元インフラ側協調認識データセットについて紹介する。 InScopeは303の追跡軌道と187,787個の3D境界ボックスで20日間の捕獲期間をカプセル化している。
  論文  参考訳（メタデータ） (2024-07-31T13:11:14Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
  オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。 本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。 データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T19:32:39Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• A Survey and Framework of Cooperative Perception: From Heterogeneous Singleton to Hierarchical Cooperation [14.525705886707089]
  本稿では,協調知覚(CP)研究の進展を概観し,統一的なCPフレームワークを提案する。 CPは、自動化を促進するための認識のボトルネックを解き放つために生まれた。 階層的なCPフレームワークが提案され、続いて既存のデータセットとシミュレータをレビューし、CPの全体像をスケッチする。
  論文  参考訳（メタデータ） (2022-08-22T20:47:35Z)
• 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
  自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。 本稿では,自律運転における3次元物体検出技術の進歩を概観する。
  論文  参考訳（メタデータ） (2022-06-19T19:43:11Z)
• Self-supervised Video Object Segmentation by Motion Grouping [79.13206959575228]
  動きの手がかりを利用して物体をセグメンテーションできるコンピュータビジョンシステムを開発した。 本稿では,光フローフレームを一次オブジェクトと背景に分割するトランスフォーマーの簡単なバリエーションを紹介する。 提案したアーキテクチャを公開ベンチマーク(DAVIS2016, SegTrackv2, FBMS59)で評価する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:32Z)
• RGB-D Railway Platform Monitoring and Scene Understanding for Enhanced Passenger Safety [3.4298729855744026]
  本稿では,人間を地上平面上で検出し追跡するための柔軟な解析手法を提案する。 我々は、RGBと深度に基づく検出と追跡の複数の組み合わせについて検討する。 その結果,奥行きに基づく空間情報と学習表現の組み合わせにより,検出精度と追跡精度が大幅に向上した。
  論文  参考訳（メタデータ） (2021-02-23T14:44:34Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。