論文の概要: Conquering Ghosts: Relation Learning for Information Reliability
Representation and End-to-End Robust Navigation
- arxiv url: http://arxiv.org/abs/2203.09952v1
- Date: Mon, 14 Mar 2022 14:11:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 05:10:06.524788
- Title: Conquering Ghosts: Relation Learning for Information Reliability
Representation and End-to-End Robust Navigation
- Title（参考訳）: ゴースト克服:情報信頼性表現とエンドツーエンドロバストナビゲーションのための関係学習
- Authors: Kefan Jin, Xingyao Han
- Abstract要約: 環境障害は、実際の自動運転アプリケーションでは避けられない。
主な問題のひとつは、偽陽性検出、すなわち、実際に存在しない、または間違った位置に発生するゴーストオブジェクト(例えば、存在しない車両など)である。
従来のナビゲーション手法は、検出された全てのオブジェクトを安全のために避ける傾向にある。
潜在的な解決策は、シナリオ全体間の関係学習を通じてゴーストを検出し、統合されたエンドツーエンドナビゲーションシステムを開発することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Environmental disturbances, such as sensor data noises, various lighting
conditions, challenging weathers and external adversarial perturbations, are
inevitable in real self-driving applications. Existing researches and testings
have shown that they can severely influence the vehicles perception ability and
performance, one of the main issue is the false positive detection, i.e., the
ghost object which is not real existed or occurs in the wrong position (such as
a non-existent vehicle). Traditional navigation methods tend to avoid every
detected objects for safety, however, avoiding a ghost object may lead the
vehicle into a even more dangerous situation, such as a sudden break on the
highway. Considering the various disturbance types, it is difficult to address
this issue at the perceptual aspect. A potential solution is to detect the
ghost through relation learning among the whole scenario and develop an
integrated end-to-end navigation system. Our underlying logic is that the
behavior of all vehicles in the scene is influenced by their neighbors, and
normal vehicles behave in a logical way, while ghost vehicles do not. By
learning the spatio-temporal relation among surrounding vehicles, an
information reliability representation is learned for each detected vehicle and
then a robot navigation network is developed. In contrast to existing works, we
encourage the network to learn how to represent the reliability and how to
aggregate all the information with uncertainties by itself, thus increasing the
efficiency and generalizability. To the best of the authors knowledge, this
paper provides the first work on using graph relation learning to achieve
end-to-end robust navigation in the presence of ghost vehicles. Simulation
results in the CARLA platform demonstrate the feasibility and effectiveness of
the proposed method in various scenarios.
- Abstract（参考訳）: センサデータノイズ、様々な照明条件、厳しい天候、外部の摂動といった環境障害は、実際の自動運転アプリケーションでは避けられない。
既存の研究やテストでは、車両の知覚能力や性能に重大な影響を与えることが示されているが、主な問題の一つは偽陽性検出、すなわち実在していない、あるいは間違った位置(例えば存在しない車両)で発生するゴースト物体である。
従来の航法は、検出された全ての物体を安全のために避ける傾向があるが、ゴースト物体を避けることは、高速道路の突破のようなさらに危険な状況に車両を導く可能性がある。
様々な障害タイプを考えると、この問題を知覚的に解決することは困難である。
潜在的な解決策は、シナリオ全体間の関係学習を通じてゴーストを検出し、エンドツーエンドナビゲーションシステムを開発することである。
我々の基本的な論理は、現場の全ての車両の挙動は隣人の影響を受けており、通常の車両は論理的に振る舞うが、ゴースト車両はそうではないということである。
周辺車両間の時空間関係を学習することにより、検出された車両毎に情報信頼性表現を学習し、ロボットナビゲーションネットワークを開発する。
既存の作業とは対照的に、ネットワークは信頼性の表現方法と不確実性だけで全ての情報を集約する方法を学ぶことを奨励し、効率と一般化性を高める。
著者の知る限りでは,ゴーストカーの存在下でのエンドツーエンドロバストなナビゲーションを実現するために,グラフ関係学習を用いた最初の研究を提供する。
CARLAプラットフォームにおけるシミュレーションの結果は,提案手法の有効性と有効性を示すものである。
関連論文リスト
- 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) - 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) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳（メタデータ） (2022-10-13T05:56:20Z) - ScaTE: A Scalable Framework for Self-Supervised Traversability
Estimation in Unstructured Environments [7.226357394861987]
本研究では,自己教師付きトラバーサビリティ学習のためのスケーラブルなフレームワークを提案する。
私たちは、車両が3Dポイントの雲から受ける受容的体験を予測するニューラルネットワークをトレーニングします。
シミュレーションと実世界から収集した各種車両の運転データから,本フレームワークは各種車両の自己監督的走行性を学ぶことができることを示す。
論文 参考訳（メタデータ） (2022-09-14T09:52:26Z) - Dynamic and Static Object Detection Considering Fusion Regions and
Point-wise Features [7.41540085468436]
本稿では,自動運転車の前方における静的・動的物体の検出手法を提案する。
われわれのアプローチは、検出された物体から、その位置、速度、方向などの他の特徴を得ることもできる。
提案手法の性能を示すために,ベンチマークデータセットと,自律プラットフォームから得られた実世界のデータを用いて評価する。
論文 参考訳（メタデータ） (2021-07-27T09:42:18Z) - 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) - Studying Person-Specific Pointing and Gaze Behavior for Multimodal
Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。
既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。
本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文 参考訳（メタデータ） (2020-09-23T14:56:19Z) - Object Detection Under Rainy Conditions for Autonomous Vehicles: A
Review of State-of-the-Art and Emerging Techniques [5.33024001730262]
本稿では,自律走行車における物体検出能力に対する降雨条件の影響を緩和するための最先端技術に関するチュートリアルを提案する。
我々のゴールは、澄んだ雨条件下で収集した視覚データを用いて訓練・試験された物体検出手法の性能を調査し、分析することである。
論文 参考訳（メタデータ） (2020-06-30T02:05:10Z) - Road obstacles positional and dynamic features extraction combining
object detection, stereo disparity maps and optical flow data [0.0]
ナビゲーション目的の視覚認識システムが障害を特定することは重要である。
本稿では,障害物の同定とクラス,位置,深さ,動き情報の抽出について述べる。
論文 参考訳（メタデータ） (2020-06-24T19:29:06Z) - Probabilistic End-to-End Vehicle Navigation in Complex Dynamic
Environments with Multimodal Sensor Fusion [16.018962965273495]
全日と全天候のナビゲーションは、自動運転にとって重要な機能である。
本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。
その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
論文 参考訳（メタデータ） (2020-05-05T03:48:10Z) - 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。