論文の概要: Pushing the Limits of Learning-based Traversability Analysis for
Autonomous Driving on CPU
- arxiv url: http://arxiv.org/abs/2206.03083v1
- Date: Tue, 7 Jun 2022 07:57:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 16:06:23.863939
- Title: Pushing the Limits of Learning-based Traversability Analysis for
Autonomous Driving on CPU
- Title(参考訳): CPU上での自律運転における学習ベーストレーサビリティ分析の限界を押し上げる
- Authors: Daniel Fusaro, Emilio Olivastri, Daniele Evangelista, Marco Imperoli,
Emanuele Menegatti, and Alberto Pretto
- Abstract要約: 本稿では,リアルタイム機械学習に基づくトラバーサビリティ分析手法の提案と評価を行う。
新しい幾何学的特徴と視覚的特徴を統合し、重要な実装の詳細に焦点を当てることで、パフォーマンスと信頼性が著しく向上することを示します。
提案手法は、屋外運転シナリオのパブリックデータセットに関する最先端のDeep Learningアプローチと比較されている。
- 参考スコア(独自算出の注目度): 1.841057463340778
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-driving vehicles and autonomous ground robots require a reliable and
accurate method to analyze the traversability of the surrounding environment
for safe navigation. This paper proposes and evaluates a real-time machine
learning-based Traversability Analysis method that combines geometric features
with appearance-based features in a hybrid approach based on a SVM classifier.
In particular, we show that integrating a new set of geometric and visual
features and focusing on important implementation details enables a noticeable
boost in performance and reliability. The proposed approach has been compared
with state-of-the-art Deep Learning approaches on a public dataset of outdoor
driving scenarios. It reaches an accuracy of 89.2% in scenarios of varying
complexity, demonstrating its effectiveness and robustness. The method runs
fully on CPU and reaches comparable results with respect to the other methods,
operates faster, and requires fewer hardware resources.
- Abstract(参考訳): 自動運転車と自動地上ロボットは、安全なナビゲーションのために周囲の環境の移動性を分析する信頼性と正確な方法を必要とする。
本稿では,svm分類器に基づくハイブリッド手法において,幾何学的特徴と外観的特徴を組み合わせたリアルタイム機械学習に基づくトラバーサビリティ解析手法を提案する。
特に,新しい幾何学的特徴と視覚的特徴を統合し,重要な実装詳細に注目することで,性能と信頼性が著しく向上することを示す。
提案手法は、屋外運転シナリオのパブリックデータセットに関する最先端のDeep Learningアプローチと比較されている。
複雑性の異なるシナリオでは89.2%の精度に達し、その有効性と堅牢性を示している。
このメソッドはcpu上で完全に動作し、他のメソッドと同等の結果に到達し、より高速に動作し、ハードウェアリソースを少なくする。
関連論文リスト
- RLIF: Interactive Imitation Learning as Reinforcement Learning [61.14928315004026]
オフ・ポリティクス強化学習は、インタラクティブな模倣学習よりも近いが、潜在的にさらに実践的な仮定の下で、パフォーマンスを向上させることができる。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳(メタデータ) (2023-11-21T21:05:21Z) - Learning Off-Road Terrain Traversability with Self-Supervisions Only [2.4316550366482357]
オフロード環境における自律走行の様々な条件下で、地形の走行可能性の推定は信頼性と正確性を有するべきである。
本稿では,手動ラベルを使わずに自己スーパービジョンのみを利用する画像からトラバーサビリティを学習する手法を提案する。
論文 参考訳(メタデータ) (2023-05-30T09:51:27Z) - Visual Exemplar Driven Task-Prompting for Unified Perception in
Autonomous Driving [100.3848723827869]
本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。
具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。
我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
論文 参考訳(メタデータ) (2023-03-03T08:54:06Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳(メタデータ) (2022-06-01T23:26:51Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳(メタデータ) (2022-05-16T12:14:42Z) - Estimating the Robustness of Public Transport Systems Using Machine
Learning [62.997667081978825]
公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。
乗客の観点からの堅牢性の統合により、作業はさらに困難になる。
本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-10T05:52:56Z) - Efficient falsification approach for autonomous vehicle validation using
a parameter optimisation technique based on reinforcement learning [6.198523595657983]
自律走行車(AV)の大規模展開は、まだ解決されていない多くの安全上の課題にもかかわらず、差し迫っているように見える。
交通参加者とダイナミックワールドの行動の不確実性は、先進的な自律システムにおいて反応を引き起こす。
本稿では,システム・アンダー・テストを評価するための効率的なファルシフィケーション手法を提案する。
論文 参考訳(メタデータ) (2020-11-16T02:56:13Z) - Hyperparameter Auto-tuning in Self-Supervised Robotic Learning [12.193817049957733]
不十分な学習(局所最適収束による)は、冗長な学習が時間と資源を浪費する一方で、低パフォーマンスの政策をもたらす。
自己教師付き強化学習のためのエビデンス下界(ELBO)に基づく自動チューニング手法を提案する。
本手法は,オンラインで自動チューニングが可能であり,計算資源のごく一部で最高の性能が得られる。
論文 参考訳(メタデータ) (2020-10-16T08:58:24Z) - Sample Efficient Interactive End-to-End Deep Learning for Self-Driving
Cars with Selective Multi-Class Safe Dataset Aggregation [0.13048920509133805]
エンドツーエンドの模倣学習は、自動運転車のポリシーを計算するための一般的な方法である。
標準的なアプローチは、エキスパートポリシーから入力(カメライメージ)と出力(ステアリングアングルなど)のペアを収集し、深層ニューラルネットワークをこのデータに適合させて駆動ポリシーを学ぶことに依存している。
論文 参考訳(メタデータ) (2020-07-29T08:38:00Z) - Robust Unsupervised Learning of Temporal Dynamic Interactions [21.928675010305543]
本稿では,対話の堅牢な表現学習のためのProcrustes距離に基づくモデルフリーメトリックを提案する。
また、相互作用プリミティブの分布を比較するために、最適な輸送ベース距離メートル法も導入する。
安全パイロットデータベースから抽出した車車間相互作用の教師なし学習において,その有用性を示す。
論文 参考訳(メタデータ) (2020-06-18T02:39:45Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳(メタデータ) (2020-05-21T19:47:05Z)
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。