論文の概要: FIR-based Future Trajectory Prediction in Nighttime Autonomous Driving

• arxiv url: http://arxiv.org/abs/2304.05345v1
• Date: Fri, 31 Mar 2023 06:20:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-16 22:15:14.673557
• Title: FIR-based Future Trajectory Prediction in Nighttime Autonomous Driving
• Title（参考訳）: 夜間自律運転におけるFIRによる将来の軌道予測
• Authors: Alireza Rahimpour, Navid Fallahinia, Devesh Upadhyay, Justin Miller
• Abstract要約: 低照度での鹿などの大型動物との衝突は、毎年かなりのコストと損傷を引き起こす。 本稿では,大型動物の将来の軌道予測のためのAIを用いた最初の手法を提案する。 本実験は, 有害な条件下でのフレームワークの有望な結果を示す。
• 参考スコア（独自算出の注目度）: 3.689539481706835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of the current collision avoidance systems in Autonomous Vehicles (AV) and Advanced Driver Assistance Systems (ADAS) can be drastically affected by low light and adverse weather conditions. Collisions with large animals such as deer in low light cause significant cost and damage every year. In this paper, we propose the first AI-based method for future trajectory prediction of large animals and mitigating the risk of collision with them in low light. In order to minimize false collision warnings, in our multi-step framework, first, the large animal is accurately detected and a preliminary risk level is predicted for it and low-risk animals are discarded. In the next stage, a multi-stream CONV-LSTM-based encoder-decoder framework is designed to predict the future trajectory of the potentially high-risk animals. The proposed model uses camera motion prediction as well as the local and global context of the scene to generate accurate predictions. Furthermore, this paper introduces a new dataset of FIR videos for large animal detection and risk estimation in real nighttime driving scenarios. Our experiments show promising results of the proposed framework in adverse conditions. Our code is available online.
• Abstract（参考訳）: 自律走行車(av)と先進運転支援システム(adas)における現在の衝突回避システムの性能は、低照度と悪天候によって大きく影響を受ける可能性がある。 低照度での鹿などの大型動物との衝突は、毎年かなりのコストと損傷を引き起こす。 本稿では,大型動物の将来の軌道予測のための最初のaiベース手法を提案し,低光下での衝突リスクを軽減した。 誤衝突警告を最小限に抑えるため,多段階の枠組みでは,まず大型動物を正確に検出し,それに対して予備リスクレベルを予測し,低リスク動物を廃棄する。 次の段階では、多ストリームのCONV-LSTMベースのエンコーダデコーダフレームワークが、潜在的にリスクの高い動物の将来の軌道を予測するように設計されている。 提案モデルでは,映像の局所的・グローバル的文脈だけでなく,カメラの動き予測を用いて正確な予測を行う。 さらに,本研究では,夜間運転シナリオにおける大型動物検出とリスク推定のための新しいFIRビデオデータセットを提案する。 本実験は, 悪条件下でのフレームワークの有望な結果を示す。 私たちのコードはオンラインで入手できる。

関連論文リスト

• Fast and Efficient Transformer-based Method for Bird's Eye View Instance Prediction [0.8458547573621331]
  本稿では,単純化されたパラダイムに基づく新しいBEVインスタンス予測アーキテクチャを提案する。 提案システムは,パラメータ数と推定時間を削減することを目的として,速度を優先する。 提案されたアーキテクチャの実装は、PyTorchバージョン2.1のパフォーマンス改善に最適化されている。
  論文  参考訳（メタデータ） (2024-11-11T10:35:23Z)
• Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios [25.16311876790003]
  本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。 安全クリティカルな軌道予測データセットと調整された評価指標を導入する。 その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
  論文  参考訳（メタデータ） (2024-07-18T13:00:01Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Exploring the Potential of Multi-Modal AI for Driving Hazard Prediction [18.285227911703977]
  本稿では,車載ダッシュカムが捉えた単一入力画像を用いて,差し迫った事故を予測するためのタスクとして定式化する。 この問題は、不確実な観測に基づいて将来の出来事を予測し、推論する必要がある。 この調査対象領域の研究を可能にするために、DHPRデータセットと呼ばれる新しいデータセットが作成される。
  論文  参考訳（メタデータ） (2023-10-07T03:16:30Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
  本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。 本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
  論文  参考訳（メタデータ） (2022-03-26T20:48:09Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning [30.59728753059457]
  交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。 現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。 本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-01T20:21:48Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。