Fugu-MT 論文翻訳(概要): Uncertainty Quantification of Collaborative Detection for Self-Driving

論文の概要: Uncertainty Quantification of Collaborative Detection for Self-Driving

arxiv url: http://arxiv.org/abs/2209.08162v1
Date: Fri, 16 Sep 2022 20:30:45 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 17:54:42.670400
Title: Uncertainty Quantification of Collaborative Detection for Self-Driving
Title（参考訳）: 自動運転における協調検出の不確実性定量化
Authors: Sanbao Su, Yiming Li, Sihong He, Songyang Han, Chen Feng, Caiwen Ding, Fei Miao
Abstract要約: 連結車両と自律車両(CAV)間の情報共有は、自動運転のための協調物体検出の性能を向上させる。しかし、CAVは実用上の課題のため、まだ物体検出に不確実性を持っている。我々の研究は、協調物体検出の不確かさを最初に見積もるものである。
参考スコア（独自算出の注目度）: 12.590332512097698
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sharing information between connected and autonomous vehicles (CAVs) fundamentally improves the performance of collaborative object detection for self-driving. However, CAVs still have uncertainties on object detection due to practical challenges, which will affect the later modules in self-driving such as planning and control. Hence, uncertainty quantification is crucial for safety-critical systems such as CAVs. Our work is the first to estimate the uncertainty of collaborative object detection. We propose a novel uncertainty quantification method, called Double-M Quantification, which tailors a moving block bootstrap (MBB) algorithm with direct modeling of the multivariant Gaussian distribution of each corner of the bounding box. Our method captures both the epistemic uncertainty and aleatoric uncertainty with one inference pass based on the offline Double-M training process. And it can be used with different collaborative object detectors. Through experiments on the comprehensive collaborative perception dataset, we show that our Double-M method achieves more than 4X improvement on uncertainty score and more than 3% accuracy improvement, compared with the state-of-the-art uncertainty quantification methods. Our code is public on https://coperception.github.io/double-m-quantification.
Abstract（参考訳）: 連結車両と自律車両(CAV)間の情報共有は、自動運転のための協調物体検出の性能を根本的に向上させる。しかし、CAVは実際的な課題のためにオブジェクト検出に不確実性があり、これは計画や制御などの自動運転における後のモジュールに影響を与える。したがって、CAVのような安全クリティカルなシステムには不確実性定量化が不可欠である。我々の研究は、協調物体検出の不確実性を推定する最初のものである。本稿では,移動ブロックブートストラップ(MBB)アルゴリズムを調整し,境界ボックスの各隅の多変ガウス分布を直接モデル化する,新しい不確実性定量化手法であるDouble-M Quantificationを提案する。本手法は,オフラインのDouble-Mトレーニングプロセスに基づいて,1回の推論パスでエピステマ性不確実性とアレータ性不確実性の両方をキャプチャする。また、異なる協調物体検出器で使用することもできる。総合的な協調的知覚データセットを用いた実験により,本手法は不確実度スコアの4倍以上の改善と3%以上の精度向上を達成できることを示した。私たちのコードはhttps://coperception.github.io/double-m-quantificationで公開しています。

関連論文リスト

Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文参考訳（メタデータ） (2024-10-31T13:13:32Z)
Predicting Safety Misbehaviours in Autonomous Driving Systems using Uncertainty Quantification [8.213390074932132]
本稿では, 深層学習領域と異なる不確実性定量化手法を, 安全クリティカルな誤動作の予測試験のために評価する。車両が実施する不確実性スコアは、高い不確実性スコアがサポートされていない実行条件を示すという直感に従って計算する。本研究では,MC-DropoutとDeep Ensemblesの2つの不確実な定量化手法,すなわち,誤動作回避のための有効性と計算オーバーヘッドの評価を行った。
論文参考訳（メタデータ） (2024-04-29T10:28:28Z)
UncertaintyTrack: Exploiting Detection and Localization Uncertainty in Multi-Object Tracking [8.645078288584305]
マルチオブジェクトトラッキング(MOT)手法は近年,性能が大幅に向上している。複数のTBDトラッカーに適用可能なエクステンションのコレクションであるUncertaintyTrackを紹介します。バークレーディープドライブMOTデータセットの実験では、我々の手法と情報的不確実性推定の組み合わせにより、IDスイッチの数を約19%削減している。
論文参考訳（メタデータ） (2024-02-19T17:27:04Z)
Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文参考訳（メタデータ） (2023-09-23T06:35:44Z)
Mutual Information-calibrated Conformal Feature Fusion for Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
論文参考訳（メタデータ） (2023-09-18T09:02:44Z)
Collaborative Multi-Object Tracking with Conformal Uncertainty Propagation [30.47064353266713]
コラボレーティブオブジェクト検出(COD)は,検出精度の向上と不確かさの低減を目的として提案されている。我々はMOT性能を向上させるためにMOT-CUPと呼ばれる不確実性伝播フレームワークを設計する。本フレームワークは, 直接モデリングと共形予測によりCODの不確かさを定量化し, この不確かさを運動予測および関連ステップに伝達する。
論文参考訳（メタデータ） (2023-03-25T03:32:01Z)
Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文参考訳（メタデータ） (2023-02-12T14:30:03Z)
Variational Voxel Pseudo Image Tracking [127.46919555100543]
不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
論文参考訳（メタデータ） (2023-02-12T13:34:50Z)
Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
論文参考訳（メタデータ） (2022-11-14T14:25:40Z)
CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文参考訳（メタデータ） (2021-10-04T17:59:31Z)
Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。