論文の概要: BCSSN: Bi-direction Compact Spatial Separable Network for Collision
Avoidance in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2303.06714v1
- Date: Sun, 12 Mar 2023 17:35:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 17:18:29.084148
- Title: BCSSN: Bi-direction Compact Spatial Separable Network for Collision
Avoidance in Autonomous Driving
- Title（参考訳）: BCSSN: 自律走行における衝突回避のための双方向小型空間分離型ネットワーク
- Authors: Haichuan Li, Liguo Zhou, Alois Knoll
- Abstract要約: ルールベースのシステム、決定木、マルコフ決定プロセス、ベイジアンネットワークは、交通条件の複雑さに対処し衝突を避けるために使われる一般的な手法の1つである。
ディープラーニングの出現に伴い、多くの研究者が衝突回避性能を向上させるためにCNNベースの手法に転換してきた。
そこで本研究では,CNN を用いた時系列画像の領域間の特徴相関関係の確立により,その制限を克服する手法を提案する。
- 参考スコア（独自算出の注目度）: 4.392212820170972
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Autonomous driving has been an active area of research and development, with
various strategies being explored for decision-making in autonomous vehicles.
Rule-based systems, decision trees, Markov decision processes, and Bayesian
networks have been some of the popular methods used to tackle the complexities
of traffic conditions and avoid collisions. However, with the emergence of deep
learning, many researchers have turned towards CNN-based methods to improve the
performance of collision avoidance. Despite the promising results achieved by
some CNN-based methods, the failure to establish correlations between
sequential images often leads to more collisions. In this paper, we propose a
CNN-based method that overcomes the limitation by establishing feature
correlations between regions in sequential images using variants of attention.
Our method combines the advantages of CNN in capturing regional features with a
bi-directional LSTM to enhance the relationship between different local areas.
Additionally, we use an encoder to improve computational efficiency. Our method
takes "Bird's Eye View" graphs generated from camera and LiDAR sensors as
input, simulates the position (x, y) and head offset angle (Yaw) to generate
future trajectories. Experiment results demonstrate that our proposed method
outperforms existing vision-based strategies, achieving an average of only 3.7
collisions per 1000 miles of driving distance on the L5kit test set. This
significantly improves the success rate of collision avoidance and provides a
promising solution for autonomous driving.
- Abstract（参考訳）: 自動運転は研究開発の活発な領域であり、自動運転車における意思決定のための様々な戦略が検討されている。
ルールベースのシステム、決定木、マルコフ決定プロセス、ベイズネットワークは、交通条件の複雑さに対処し、衝突を避けるために使われる一般的な方法である。
しかし、ディープラーニングの出現とともに、多くの研究者が衝突回避性能を改善するためにcnnベースの手法に目を向けている。
いくつかのcnnベースの方法によって有望な結果が得られたにもかかわらず、シーケンシャルな画像間の相関を確立することができないと、しばしばより多くの衝突を引き起こす。
本稿では,注意の変種を用いて逐次画像中の領域間の特徴相関を確立することにより,限界を克服するcnnに基づく手法を提案する。
本手法は,地域特性の把握におけるcnnの利点を双方向lstmと組み合わせ,地域間の関係性を高める。
さらに,エンコーダを用いて計算効率を向上させる。
本手法では,カメラとLiDARセンサから生成した"Bird's Eye View"グラフを入力として,位置 (x, y) と頭部オフセット角度 (Yaw) をシミュレートし,将来の軌道を生成する。
実験の結果,提案手法は従来のビジョンベース戦略を上回っており,l5kitテストセットの走行距離1000マイルあたり平均3.7回しか衝突しないことがわかった。
これは衝突回避の成功率を大幅に改善し、自動運転に有望な解決策を提供する。
関連論文リスト
- ContourCraft: Learning to Resolve Intersections in Neural Multi-Garment Simulations [70.38866232749886]
ニューラルネットワークシミュレーションにおける交差点処理のための学習ベースソリューションであるMonikerを提案する。
モニカーは、衝突の失敗、自己貫通体、または手動で設計された多層構造におけるエラーによって導入された交差点から頑健に回復する。
論文 参考訳（メタデータ） (2024-05-15T17:25:59Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Sequential Spatial Network for Collision Avoidance in Autonomous Driving [5.108647313751154]
我々は,CNNの利点を活かして,地域特徴を捉えつつ,注意の変動を利用して地域間の特徴相関を確立するアルゴリズムを開発した。
平均衝突回数は運転距離10000フレームあたり19.4であり、衝突回避の成功率を大幅に向上させる。
論文 参考訳（メタデータ） (2023-03-12T17:43:32Z) - NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。
提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
論文 参考訳（メタデータ） (2022-11-14T17:10:53Z) - Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。
我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。
本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
論文 参考訳（メタデータ） (2022-03-21T02:30:36Z) - Active Learning of Neural Collision Handler for Complex 3D Mesh
Deformations [68.0524382279567]
3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。
提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
論文 参考訳（メタデータ） (2021-10-08T04:08:31Z) - Safe Deep Q-Network for Autonomous Vehicles at Unsignalized Intersection [4.94950858749529]
本稿では,歩行者の群集を通りながら,信号のない交差点で左折しながら,安全なDRLアプローチを提案する。
提案手法では,2つの長期記憶モデルを用いて,環境の認識状態と歩行者の将来の軌跡を学習する。
エゴ車両と歩行者の将来の軌道に基づく将来の衝突予測アルゴリズムを用いて、システムが衝突を予測した場合の安全でない行動を隠蔽する。
論文 参考訳（メタデータ） (2021-06-08T17:48:56Z) - Pedestrian Collision Avoidance for Autonomous Vehicles at Unsignalized
Intersection Using Deep Q-Network [4.94950858749529]
本稿では,混み合った無人交差点における自律走行車(AV)ナビゲーションについて検討する。
我々は,報酬関数と状態表現を訓練した異なる深層強化学習手法の性能を比較する。
論文 参考訳（メタデータ） (2021-05-01T03:02:21Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。
我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。
その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文 参考訳（メタデータ） (2020-08-19T13:13:01Z) - VTGNet: A Vision-based Trajectory Generation Network for Autonomous
Vehicles in Urban Environments [26.558394047144006]
模倣学習に基づく不確実性を考慮した終端軌道生成手法を開発した。
様々な気象条件や照明条件下では,ネットワークは異なる都市環境下で確実にトラジェクトリを生成することができる。
提案手法は,SOTA(State-of-the-art-to-end Control)よりもクロスシーン/プラットフォーム駆動性が向上する。
論文 参考訳（メタデータ） (2020-04-27T06:17:55Z)
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。