論文の概要: A Cooperative Perception System Robust to Localization Errors

• arxiv url: http://arxiv.org/abs/2210.06289v2
• Date: Wed, 26 Apr 2023 00:13:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 18:17:45.133436
• Title: A Cooperative Perception System Robust to Localization Errors
• Title（参考訳）: 位置決め誤差にロバストな協調知覚システム
• Authors: Zhiying Song, Fuxi Wen, Hailiang Zhang, Jun Li
• Abstract要約: 我々はOptiMatchと呼ばれる分散オブジェクトレベルの協調認識システムを提案する。 検出された3Dバウンディングボックスと局所状態情報は、接続された車両間で共有される。 実験の結果,提案手法は最先端のベンチマーク融合方式よりも優れていた。
• 参考スコア（独自算出の注目度）: 8.65435011972241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative perception is challenging for safety-critical autonomous driving applications.The errors in the shared position and pose cause an inaccurate relative transform estimation and disrupt the robust mapping of the Ego vehicle. We propose a distributed object-level cooperative perception system called OptiMatch, in which the detected 3D bounding boxes and local state information are shared between the connected vehicles. To correct the noisy relative transform, the local measurements of both connected vehicles (bounding boxes) are utilized, and an optimal transport theory-based algorithm is developed to filter out those objects jointly detected by the vehicles along with their correspondence, constructing an associated co-visible set. A correction transform is estimated from the matched object pairs and further applied to the noisy relative transform, followed by global fusion and dynamic mapping. Experiment results show that robust performance is achieved for different levels of location and heading errors, and the proposed framework outperforms the state-of-the-art benchmark fusion schemes, including early, late, and intermediate fusion, on average precision by a large margin when location and/or heading errors occur.
• Abstract（参考訳）: 共同認識は安全クリティカルな自律運転アプリケーションにおいて困難であり,共有位置の誤差や原因は,不正確な相対変換推定を引き起こし,Ego車両のロバストマッピングを妨害する。 本稿では,検出された3次元境界ボックスと局所状態情報を連結車両間で共有するOptiMatchという分散オブジェクトレベルの協調認識システムを提案する。 ノイズの相対変換を補正するために,両連結車両(バウンディングボックス)の局所的測定を活用し,車両が検出する物体を対応づけてフィルタし,関連する共可視集合を構築する最適輸送理論に基づくアルゴリズムを開発した。 一致した物体対から補正変換を推定し、さらに雑音の相対変換に適用し、大域融合と動的マッピングを行う。 実験結果から, 位置および方向誤差の異なるレベルにおいてロバストな性能が達成され, 提案手法は, 位置および方向誤差発生時の平均マージンで, 早期, 後期, 中間融合を含む最先端のベンチマーク融合方式よりも高い性能を示した。

関連論文リスト

• RoCo:Robust Collaborative Perception By Iterative Object Matching and Pose Adjustment [9.817492112784674]
  複数の車両との協調自動運転は通常、複数のモードからのデータ融合を必要とする。 協調的な知覚では、モダリティに基づく物体検出の品質は、エージェント間の相対的なポーズ誤差に非常に敏感である。 反復的なオブジェクトマッチングとエージェントポーズ調整を行うための新しい教師なしフレームワークであるRoCoを提案する。
  論文  参考訳（メタデータ） (2024-08-01T03:29:33Z)
• Self-Localized Collaborative Perception [49.86110931859302]
  我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。 $mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。 $mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
  論文  参考訳（メタデータ） (2024-06-18T15:26:54Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• Self-supervised Adaptive Weighting for Cooperative Perception in V2V Communications [11.772899644895281]
  協調知覚は、単車知覚の欠点に対処するための効果的なアプローチである。 現在の協調核融合モデルは教師付きモデルに依存しており、任意のチャネル障害による動的性能劣化には対処しない。 チャネル歪みの悪影響を軽減するために, 中間核融合のための自己教師付き適応重み付けモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-16T06:21:09Z)
• Cooperative Perception with Learning-Based V2V communications [11.772899644895281]
  本研究は,コミュニケーションチャネル障害に対する協調認識会計の性能を解析する。 中間特性のロバスト性を活用するために, 新たなレイトフュージョン方式を提案する。 協調によって生じるデータサイズを圧縮するために、畳み込みニューラルネットワークベースのオートエンコーダを採用する。
  論文  参考訳（メタデータ） (2023-11-17T05:41:23Z)
• Poses as Queries: Image-to-LiDAR Map Localization with Transformers [5.704968411509063]
  商用化による高精度車両のローカライゼーションは、高レベルの自動運転タスクにとって重要な技術である。 このようなクロスモーダルセンサデータ間の対応を見出すことによる推定ポーズは困難である。 本稿では,トランスフォーマーをベースとした新しいニューラルネットワークを提案し,エンドツーエンドで2次元画像を3次元LiDARマップに登録する。
  論文  参考訳（メタデータ） (2023-05-07T14:57:58Z)
• ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
  粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。 これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。 種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-09-25T13:05:33Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)

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。