論文の概要: Uncertainty-aware Perception Models for Off-road Autonomous Unmanned
Ground Vehicles
- arxiv url: http://arxiv.org/abs/2209.11115v1
- Date: Thu, 22 Sep 2022 15:59:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:06:06.199079
- Title: Uncertainty-aware Perception Models for Off-road Autonomous Unmanned
Ground Vehicles
- Title(参考訳): オフロード無人地上車両の不確実性認識モデル
- Authors: Zhaoyuan Yang, Yewteck Tan, Shiraj Sen, Johan Reimann, John
Karigiannis, Mohammed Yousefhussien, Nurali Virani
- Abstract要約: オフロード自律無人地上車両(UGV)は、遠隔地で重要な物資を供給するために軍用および商業用途のために開発されている。
現在のデータセットは、季節、場所、セマンティッククラス、および日時における多様性の欠如に対する、オフロード自律ナビゲーションのための知覚モデルのトレーニングに使用されています。
本研究では,複数のデータセットを組み合わせてセグメンテーションに基づく環境認識モデルを学習する方法について検討する。
我々は,不確実性を捉えるためにモデルをトレーニングすることで,モデルの性能を著しく向上させることができることを示した。
- 参考スコア(独自算出の注目度): 6.2574402913714575
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Off-road autonomous unmanned ground vehicles (UGVs) are being developed for
military and commercial use to deliver crucial supplies in remote locations,
help with mapping and surveillance, and to assist war-fighters in contested
environments. Due to complexity of the off-road environments and variability in
terrain, lighting conditions, diurnal and seasonal changes, the models used to
perceive the environment must handle a lot of input variability. Current
datasets used to train perception models for off-road autonomous navigation
lack of diversity in seasons, locations, semantic classes, as well as time of
day. We test the hypothesis that model trained on a single dataset may not
generalize to other off-road navigation datasets and new locations due to the
input distribution drift. Additionally, we investigate how to combine multiple
datasets to train a semantic segmentation-based environment perception model
and we show that training the model to capture uncertainty could improve the
model performance by a significant margin. We extend the Masksembles approach
for uncertainty quantification to the semantic segmentation task and compare it
with Monte Carlo Dropout and standard baselines. Finally, we test the approach
against data collected from a UGV platform in a new testing environment. We
show that the developed perception model with uncertainty quantification can be
feasibly deployed on an UGV to support online perception and navigation tasks.
- Abstract(参考訳): オフロード自律無人地上車両(UGV)は、遠隔地で重要な物資を供給し、マッピングと監視を支援し、競争環境における戦闘者を支援するために、軍用および商業用途のために開発されている。
オフロード環境の複雑さと地形、照明条件、昼と季節の変化のため、環境を知覚するために使用されるモデルは、多くの入力変数を扱う必要がある。
現在のデータセットは、季節、場所、セマンティッククラス、および日時における多様性の欠如のオフロード自律ナビゲーションのための知覚モデルをトレーニングするために使用されています。
1つのデータセットでトレーニングされたモデルは、入力分布のドリフトにより、他のオフロードナビゲーションデータセットや新しいロケーションに一般化できないという仮説をテストする。
さらに,複数のデータセットを組み合わせてセマンティックセグメンテーションに基づく環境認識モデルをトレーニングする方法を検討した。
我々は,不確実性定量化のためのMasksemblesアプローチをセマンティックセグメンテーションタスクに拡張し,モンテカルロ・ドロップアウトや標準ベースラインと比較する。
最後に、新たなテスト環境でugvプラットフォームから収集したデータに対するアプローチをテストする。
本研究では,不確実な定量化を伴う知覚モデルをUGV上に展開し,オンライン認識とナビゲーションタスクを支援することを実証する。
関連論文リスト
- AdaCropFollow: Self-Supervised Online Adaptation for Visual Under-Canopy Navigation [31.214318150001947]
アンダーキャノピー農業ロボットは、精密なモニタリング、スプレー、雑草、植物操作などの様々な応用を可能にする。
本稿では,視覚的基礎モデル,幾何学的事前,擬似ラベリングを用いて意味キーポイント表現を適応するための自己教師付きオンライン適応手法を提案する。
これにより、人間による介入を必要とせずに、畑や作物をまたがるアンダーキャノピーロボットの完全な自律的な行追尾が可能になる。
論文 参考訳(メタデータ) (2024-10-16T09:52:38Z) - Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。
エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。
クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
論文 参考訳(メタデータ) (2024-09-25T06:48:25Z) - Hard Cases Detection in Motion Prediction by Vision-Language Foundation Models [16.452638202694246]
本研究は、自動運転におけるハードケースの検出におけるビジョン・ランゲージ・ファンデーション・モデル(VLM)の可能性を探るものである。
設計したプロンプトで逐次画像フレームを供給し,課題のあるエージェントやシナリオを効果的に識別する,実現可能なパイプラインを提案する。
NuScenesデータセット上で、パイプラインを最先端の手法に組み込むことの有効性と可能性を示す。
論文 参考訳(メタデータ) (2024-05-31T16:35:41Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation [5.036362492608702]
本稿では,地形変動を正確に予測するグローバルモデル学習用メタラーニングフレームワークMETAVerseを提案する。
トラバーサビリティ予測ネットワークをトレーニングし、疎いLiDAR点雲から高密度で連続的なコストマップを生成する。
近年の交流体験を生かして,ネットワークをローカル環境に迅速に適応させるために,オンライン適応を行う。
論文 参考訳(メタデータ) (2023-07-26T06:58:19Z) - Safe Navigation in Unstructured Environments by Minimizing Uncertainty
in Control and Perception [5.46262127926284]
制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに課題をもたらす。
本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-26T11:24:03Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。
本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文 参考訳(メタデータ) (2022-10-03T22:04:00Z) - 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) - PSE-Match: A Viewpoint-free Place Recognition Method with Parallel
Semantic Embedding [9.265785042748158]
PSE-Matchは3次元ポイントクラウドモデルから分離されたセマンティック属性の並列意味解析に基づく視点自由場所認識手法である。
PSE-Matchは、分岐場所学習ネットワークを組み込んで、球面調和領域を通じて異なる意味的属性を並列にキャプチャする。
論文 参考訳(メタデータ) (2021-08-01T22:16:40Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。