論文の概要: Collaborative 3D Object Detection for Automatic Vehicle Systems via Learnable Communications

• arxiv url: http://arxiv.org/abs/2205.11849v1
• Date: Tue, 24 May 2022 07:17:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 12:30:23.325408
• Title: Collaborative 3D Object Detection for Automatic Vehicle Systems via Learnable Communications
• Title（参考訳）: 学習型通信による自動車両システムの協調3次元物体検出
• Authors: Junyong Wang, Yuan Zeng and Yi Gong
• Abstract要約: 本稿では,3つのコンポーネントから構成される新しい3次元オブジェクト検出フレームワークを提案する。 実験結果と帯域使用量分析により,本手法は通信コストと計算コストを削減できることを示した。
• 参考スコア（独自算出の注目度）: 8.633120731620307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate detection of objects in 3D point clouds is a key problem in autonomous driving systems. Collaborative perception can incorporate information from spatially diverse sensors and provide significant benefits for improving the perception accuracy of autonomous driving systems. In this work, we consider that the autonomous vehicle uses local point cloud data and combines information from neighboring infrastructures through wireless links for cooperative 3D object detection. However, information sharing among vehicle and infrastructures in predefined communication schemes may result in communication congestion and/or bring limited performance improvement. To this end, we propose a novel collaborative 3D object detection framework that consists of three components: feature learning networks that map point clouds into feature maps; an efficient communication block that propagates compact and fine-grained query feature maps from vehicle to support infrastructures and optimizes attention weights between query and key to refine support feature maps; a region proposal network that fuses local feature maps and weighted support feature maps for 3D object detection. We evaluate the performance of the proposed framework using a synthetic cooperative dataset created in two complex driving scenarios: a roundabout and a T-junction. Experiment results and bandwidth usage analysis demonstrate that our approach can save communication and computation costs and significantly improve detection performance under different detection difficulties in all scenarios.
• Abstract（参考訳）: 3dポイントクラウド内の物体の正確な検出は、自動運転システムにおける重要な問題である。 協調的知覚は、空間的に多様なセンサーからの情報を取り入れ、自律運転システムの知覚精度を向上させるための重要な利点を提供する。 本研究では, 自律走行車両がローカルポイントクラウドデータを用いて, 協調的3次元物体検出のための無線リンクを介して, 周辺インフラからの情報を組み合わせることを検討する。 しかし、事前定義された通信方式における車両とインフラ間の情報共有は、通信の混雑や性能改善の制限をもたらす可能性がある。 To this end, we propose a novel collaborative 3D object detection framework that consists of three components: feature learning networks that map point clouds into feature maps; an efficient communication block that propagates compact and fine-grained query feature maps from vehicle to support infrastructures and optimizes attention weights between query and key to refine support feature maps; a region proposal network that fuses local feature maps and weighted support feature maps for 3D object detection. 2つの複雑な運転シナリオ(ラウンドアバウトとtジャンクション)で作成した合成協調データセットを用いて,提案フレームワークの性能評価を行った。 実験結果と帯域使用量分析により,本手法は通信コストと計算コストを削減し,全てのシナリオにおいて異なる検出困難下での検出性能を大幅に向上することを示した。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• 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)
• Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
  本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。 我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。 我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-03-10T10:36:32Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Cyber Mobility Mirror: Deep Learning-based Real-time 3D Object Perception and Reconstruction Using Roadside LiDAR [14.566471856473813]
  Cyber Mobility Mirrorは、3Dオブジェクトの検出、分類、追跡、再構築のための次世代のリアルタイム交通監視システムである。 実地試験の結果,試作システムでは96.99%の精度で,83.62%のリコールを達成できた。 高忠実度リアルタイム交通条件は、搭載車両のGUIに3-4Hzの周波数で表示することができる。
  論文  参考訳（メタデータ） (2022-02-28T01:58:24Z)
• Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
  本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。 具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。 提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
  論文  参考訳（メタデータ） (2020-12-26T19:41:15Z)
• LiveMap: Real-Time Dynamic Map in Automotive Edge Computing [14.195521569220448]
  LiveMapは、接続された車両のデータをサブ秒でクラウドソーシングし、道路上のオブジェクトを検出し、一致させ、追跡するリアルタイムダイナミックマップです。 車両の計算を適応的にオフロードできるlivemapの制御プレーンを開発した。 小型テストベッド上でLiveMapを実装し,大規模ネットワークシミュレータを開発した。
  論文  参考訳（メタデータ） (2020-12-16T15:00:49Z)
• 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)
• CoFF: Cooperative Spatial Feature Fusion for 3D Object Detection on Autonomous Vehicles [20.333191597167847]
  CoFFは、自動運転車の検知精度と有効検出範囲の両方において、大幅な改善を実現している。 その結果,自動走行車における検出精度と有効検出範囲の両面で,CoFFは著しく向上していることがわかった。
  論文  参考訳（メタデータ） (2020-09-24T22:51:50Z)
• Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
  ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。 現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T14:17:40Z)
• Cooperative Perception with Deep Reinforcement Learning for Connected Vehicles [7.7003495898919265]
  本研究では, 周辺物体の検出精度を高めるために, 深層強化学習を用いた協調認識方式を提案する。 本手法は、車両通信網におけるネットワーク負荷を軽減し、通信信頼性を高める。
  論文  参考訳（メタデータ） (2020-04-23T01:44:12Z)

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。