論文の概要: Towards Driving-Oriented Metric for Lane Detection Models
- arxiv url: http://arxiv.org/abs/2203.16851v1
- Date: Thu, 31 Mar 2022 07:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 15:17:29.145658
- Title: Towards Driving-Oriented Metric for Lane Detection Models
- Title（参考訳）: レーン検出モデルのための駆動指向計測法の開発
- Authors: Takami Sato and Qi Alfred Chen
- Abstract要約: 我々は、車線検出のための2つの新しい駆動指向メトリクスを設計する:エンド・ツー・エンド横方向偏差距離(E2E-LD)とフレームごとの擬似横方向偏差距離(PSLD)。
提案手法の有効性を評価するため,TuSimpleデータセットと新たに構築したComma2k19-LDの4種類のレーン検出手法を用いて大規模実験を行った。
- 参考スコア（独自算出の注目度）: 19.81163190104571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: After the 2017 TuSimple Lane Detection Challenge, its dataset and evaluation
based on accuracy and F1 score have become the de facto standard to measure the
performance of lane detection methods. While they have played a major role in
improving the performance of lane detection methods, the validity of this
evaluation method in downstream tasks has not been adequately researched. In
this study, we design 2 new driving-oriented metrics for lane detection:
End-to-End Lateral Deviation metric (E2E-LD) is directly formulated based on
the requirements of autonomous driving, a core downstream task of lane
detection; Per-frame Simulated Lateral Deviation metric (PSLD) is a lightweight
surrogate metric of E2E-LD. To evaluate the validity of the metrics, we conduct
a large-scale empirical study with 4 major types of lane detection approaches
on the TuSimple dataset and our newly constructed dataset Comma2k19-LD. Our
results show that the conventional metrics have strongly negative correlations
($\leq$-0.55) with E2E-LD, meaning that some recent improvements purely
targeting the conventional metrics may not have led to meaningful improvements
in autonomous driving, but rather may actually have made it worse by
overfitting to the conventional metrics. As autonomous driving is a
security/safety-critical system, the underestimation of robustness hinders the
sound development of practical lane detection models. We hope that our study
will help the community achieve more downstream task-aware evaluations for lane
detection.
- Abstract（参考訳）: 2017年のTuSimple Lane Detection Challengeの後、そのデータセットと精度とF1スコアに基づく評価が、車線検出手法の性能を測定するデファクトスタンダードになっている。
レーン検出法の性能向上に大きな役割を果たしてきたが,下流課題における評価手法の有効性は十分に研究されていない。
本研究では、車線検出のための2つの新しい駆動指向メトリクスを設計する: エンド・トゥ・エンド横方向偏差距離(E2E-LD)は、車線検出のコアダウンストリームタスクである自律走行の要求に基づいて直接定式化される; Per-frame Simulated Lateral偏差距離(PSLD)はE2E-LDの軽量サロゲート距離である。
提案手法の有効性を評価するため,TuSimpleデータセットと新たに構築したComma2k19-LDの4種類のレーン検出手法を用いて大規模実験を行った。
以上の結果から,従来の指標はE2E-LDと強く負の相関関係(\leq$-0.55)を持つことが明らかとなった。
自動運転は安全・安全・クリティカルなシステムであるため、ロバスト性の過小評価は実用的な車線検出モデルの健全な開発を妨げる。
今回の研究は,車線検出のための下流のタスクアウェア評価を,コミュニティがより達成できることを願っています。
関連論文リスト
- Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳（メタデータ） (2023-11-11T07:26:47Z) - 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) - Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。
本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-19T11:24:14Z) - On Offline Evaluation of 3D Object Detection for Autonomous Driving [33.16617625256519]
我々は、検知器が完全な自動運転スタックに統合されたときに、予測的な異なる検出指標が、パフォーマンスを駆動するかどうかを測定する。
nuScenes Detection Scoreは、広く使われている平均精度測定値よりも駆動性能に高い相関関係があることが判明した。
論文 参考訳（メタデータ） (2023-08-24T13:31:51Z) - Rethinking the Open-Loop Evaluation of End-to-End Autonomous Driving in
nuScenes [38.43491956142818]
計画課題は、内部意図と外部環境の両方からの入力に基づいて、エゴ車両の軌道を予測することである。
既存の研究の多くは、予測された軌道と地上の真実との衝突率とL2誤差を用いて、nuScenesデータセット上での性能を評価する。
本稿では,これらの既存の評価指標を再評価し,異なる手法の優越性を正確に測定するかどうかを検討する。
我々の単純な手法は、nuScenesデータセットと他の知覚に基づく手法と同じようなエンド・ツー・エンドの計画性能を実現し、平均L2誤差を約20%削減する。
論文 参考訳（メタデータ） (2023-05-17T17:59:11Z) - RONELDv2: A faster, improved lane tracking method [1.3965477771846408]
車線検出は、自動運転車や車線出発警報システムにおいて、制御システムの不可欠な部分である。
本稿では,改良された軽量車線検出手法 RONELDv2を提案する。
提案した改良モデルを用いた実験では、異なるデータセットとディープラーニングモデル間でレーン検出精度が一貫した向上を示した。
論文 参考訳（メタデータ） (2022-02-26T13:12:09Z) - On Robustness of Lane Detection Models to Physical-World Adversarial
Attacks in Autonomous Driving [12.412448947321828]
2017年のTuSimple Lane Detection Challengeの後、その精度とF1スコアに基づく評価は、車線検出手法の性能を測定するデファクトスタンダードとなっている。
本研究は,自動車走行における物理界の敵対的攻撃下での最先端車線検出手法の堅牢性を評価するための,最初の大規模実験研究である。
論文 参考訳（メタデータ） (2021-07-06T09:04:47Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z)
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。