論文の概要: Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset
- arxiv url: http://arxiv.org/abs/2209.08763v1
- Date: Mon, 19 Sep 2022 05:06:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:40:06.513129
- Title: Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset
- Title（参考訳）: 分散型車両コーディネーション:バークレーのdeepdriveドローンデータセット
- Authors: Fangyu Wu, Dequan Wang, Minjune Hwang, Chenhui Hao, Jiawei Lu, Jiamu
Zhang, Christopher Chou, Trevor Darrell, Alexandre Bayen
- Abstract要約: 分散車両調整は、未整備の道路環境において有用である。
我々はバークレーのDeepDrive Droneデータセットを収集し、近くのドライバーが観察する暗黙の「社会的エチケット」を研究する。
このデータセットは、人間のドライバーが採用する分散マルチエージェント計画と、リモートセンシング設定におけるコンピュータビジョンの研究に主に関心がある。
- 参考スコア（独自算出の注目度）: 103.35624417260541
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decentralized multiagent planning has been an important field of research in
robotics. An interesting and impactful application in the field is
decentralized vehicle coordination in understructured road environments. For
example, in an intersection, it is useful yet difficult to deconflict multiple
vehicles of intersecting paths in absence of a central coordinator. We learn
from common sense that, for a vehicle to navigate through such understructured
environments, the driver must understand and conform to the implicit "social
etiquette" observed by nearby drivers. To study this implicit driving protocol,
we collect the Berkeley DeepDrive Drone dataset. The dataset contains 1) a set
of aerial videos recording understructured driving, 2) a collection of images
and annotations to train vehicle detection models, and 3) a kit of development
scripts for illustrating typical usages. We believe that the dataset is of
primary interest for studying decentralized multiagent planning employed by
human drivers and, of secondary interest, for computer vision in remote sensing
settings.
- Abstract（参考訳）: 分散マルチエージェント計画はロボット工学における重要な研究分野である。
この分野における興味深く影響力のある応用は、非構造道路環境における分散車両調整である。
例えば、交差点では、中央コーディネータが存在しない場合、交差する複数の車両を分離することは困難である。
我々は、車両がそのような非構造環境をナビゲートするためには、運転者は近くの運転者が観察する暗黙の「社会的礼儀」を理解し、従わなければならないという常識から学ぶ。
この暗黙の駆動プロトコルを研究するために、Berkeley DeepDrive Droneデータセットを収集します。
データセットには
1)非構造運転を記録した空中映像のセット
2)車両検出モデルの訓練のための画像とアノテーションの収集、
3) 典型的な使い方を図解するための開発スクリプトのキット。
このデータセットは、人間のドライバーが採用する分散マルチエージェント計画の研究や、リモートセンシング設定におけるコンピュータビジョンの二次的関心事に主に関心があると考えている。
関連論文リスト
- MSMA: Multi-agent Trajectory Prediction in Connected and Autonomous Vehicle Environment with Multi-source Data Integration [4.2371435508360085]
本研究では,コネクテッド・自律走行車(CAV)が中心的エージェントとなるシナリオに着目した。
我々の軌道予測タスクは、検出された周辺車両すべてを対象としている。
センサと通信技術の両方のマルチソースデータを効果的に統合するために,MSMAと呼ばれるディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-31T03:26:14Z) - Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。
TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
論文 参考訳（メタデータ） (2023-04-11T15:23:29Z) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳（メタデータ） (2022-10-13T05:56:20Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Collaborative 3D Object Detection for Automatic Vehicle Systems via
Learnable Communications [8.633120731620307]
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。
論文 参考訳（メタデータ） (2022-05-24T07:17:32Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Fully End-to-end Autonomous Driving with Semantic Depth Cloud Mapping
and Multi-Agent [2.512827436728378]
本稿では,エンド・ツー・エンドとマルチタスクの学習方法を用いて学習した新しいディープラーニングモデルを提案する。
このモデルは,CARLAシミュレータ上で,現実の環境を模倣するために,通常の状況と異なる天候のシナリオを用いて評価する。
論文 参考訳（メタデータ） (2022-04-12T03:57:01Z) - 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) - The NEOLIX Open Dataset for Autonomous Driving [1.4091801425319965]
自律走行領域におけるNEOLIXデータセットとその応用について述べる。
私たちのデータセットには、ポイントクラウドラベル付き約30,000フレームと、アノテーション付き600k以上の3Dバウンディングボックスが含まれています。
論文 参考訳（メタデータ） (2020-11-27T02:27:39Z) - 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。