論文の概要: RTMaps-based Local Dynamic Map for multi-ADAS data fusion
- arxiv url: http://arxiv.org/abs/2205.06497v1
- Date: Fri, 13 May 2022 08:07:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 21:14:29.150399
- Title: RTMaps-based Local Dynamic Map for multi-ADAS data fusion
- Title(参考訳): rtmapsを用いたマルチadasデータ融合のための局所動的マップ
- Authors: Marcos Nieto, Mikel Garcia, Itziar Urbieta, Oihana Otaegui
- Abstract要約: 車両内のリアルタイムデータベースとして動作するLCMコンポーネントは、マルチADASシステムの魅力的なソリューションである。
本稿では,RTMaps を用いたリアルタイム LDM コンポーネントの実装手法について述べる。
- 参考スコア(独自算出の注目度): 1.593065406609169
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Work on Local Dynamic Maps (LDM) implementation is still in its early stages,
as the LDM standards only define how information shall be structured in
databases, while the mechanism to fuse or link information across different
layers is left undefined. A working LDM component, as a real-time database
inside the vehicle is an attractive solution to multi-ADAS systems, which may
feed a real-time LDM database that serves as a central point of information
inside the vehicle, exposing fused and structured information to other
components (e.g., decision-making systems). In this paper we describe our
approach implementing a real-time LDM component using the RTMaps middleware, as
a database deployed in a vehicle, but also at road-side units (RSU), making use
of the three pillars that guide a successful fusion strategy: utilisation of
standards (with conversions between domains), middlewares to unify multiple
ADAS sources, and linkage of data via semantic concepts.
- Abstract(参考訳): ローカル・ダイナミック・マップ(LDM)の実装はまだ初期段階であり、LDM標準はデータベース内で情報がどのように構成されるかのみを定義し、異なるレイヤ間で情報を融合またはリンクするメカニズムは未定義のままである。
車両内のリアルタイムデータベースとしてのワーキング LDM コンポーネントは、車内の情報の中心となるリアルタイム LDM データベースを供給し、他のコンポーネント(例えば、意思決定システム)に融合して構造化された情報を公開する、マルチADAS システムの魅力的なソリューションである。
本稿では,rtmapsミドルウェアを用いたリアルタイムldmコンポーネントの実装手法について述べる。rtmapsミドルウェアを車両にデプロイしたデータベースとして,道路側ユニット(rsu)にも実装し,融合戦略を導く3つの柱(標準の利用(ドメイン間の変換),複数のadasソースを統一するためのミドルウェア,セマンティクス概念によるデータのリンク)を用いて実装する。
関連論文リスト
- PoIFusion: Multi-Modal 3D Object Detection via Fusion at Points of Interest [65.48057241587398]
PoIFusionは興味のある時点でRGB画像とLiDAR点雲の情報を融合する(略してPoI)
本手法は、ビュー変換による情報損失を防止し、計算集約的なグローバルな注意をなくす。
注目すべきは、私たちのPoIFusionは74.9%のNDSと73.4%のmAPを獲得し、マルチモーダルな3Dオブジェクト検出ベンチマークで最先端の記録を樹立したことです。
論文 参考訳(メタデータ) (2024-03-14T09:28:12Z) - Jointly Learning Representations for Map Entities via Heterogeneous
Graph Contrastive Learning [38.415692986360995]
マップエンティティの複数カテゴリの表現を学習するためのHOME-GCLという新しい手法を提案する。
本手法では,道路セグメントとランドパーセルの両方を統一したフレームワークに統合するヘテロジニアスマップエンティティグラフ(HOMEグラフ)を用いる。
我々の知る限り、HOME-GCLは統一モデルを用いて道路セグメントと土地区画の表現を共同で学習する最初の試みである。
論文 参考訳(メタデータ) (2024-02-09T01:47:18Z) - InstructDET: Diversifying Referring Object Detection with Generalized
Instructions [39.36186258308405]
本稿では,ユーザ指示に基づいて対象オブジェクトをローカライズするオブジェクト検出(ROD)をデータ中心で参照する手法を提案する。
1つの画像に対して、各オブジェクトと複数のオブジェクトの異なる組み合わせを参照する素晴らしい命令を生成します。
論文 参考訳(メタデータ) (2023-10-08T12:10:44Z) - Recommender AI Agent: Integrating Large Language Models for Interactive
Recommendations [53.76682562935373]
我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。
InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
論文 参考訳(メタデータ) (2023-08-31T07:36:44Z) - Benchmarking Diverse-Modal Entity Linking with Generative Models [78.93737257356784]
既存の EL データセットから様々なモード EL (DMEL) のベンチマークを構築した。
DMEL タスクにアプローチするため,マルチモーダルエンコーダ・デコーダのパラダイムに則って生成多モードモデル (GDMM) を提案する。
GDMMは、より強力なDMELベースラインを構築し、平均8.51F1スコアで最先端のタスク固有のELモデルを上回っている。
論文 参考訳(メタデータ) (2023-05-27T02:38:46Z) - IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。
インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。
我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
論文 参考訳(メタデータ) (2022-10-23T23:03:17Z) - LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context
Propagation in Transformers [60.51925353387151]
本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。
隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。
提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
論文 参考訳(メタデータ) (2022-10-23T15:43:01Z) - Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。
本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。
本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-23T12:58:20Z) - Metadata Shaping: Natural Language Annotations for the Tail [4.665656172490747]
言語モデル(LM)は目覚ましい進歩を遂げているが、訓練データから稀な言語パターンへの一般化に苦慮している。
本稿では,情報理論の指標に基づく例に,エンティティ記述やカテゴリタグなどの手軽に利用できるメタデータを付加する手法を提案する。
LMの変更はないが、メタデータの整形はBERTベースラインを5.3F1ポイントまで越え、最先端の結果と競合する。
論文 参考訳(メタデータ) (2021-10-16T01:00:47Z) - Unsupervised Multi-Source Domain Adaptation for Person Re-Identification [39.817734080890695]
unsupervised domain adaptation (uda) method for person re-idification (re-id) ラベル付きソースデータからラベル付きターゲットデータへの再id知識の転送を目的としている。
マルチソースの概念を UDA person re-ID フィールドに導入し、トレーニング中に複数のソースデータセットを使用する。
提案手法は,最先端のuda person re-idメソッドを高いマージンで上回り,後処理手法を使わずに教師付きアプローチに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2021-04-27T03:33:35Z)
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。