論文の概要: CAROM Air -- Vehicle Localization and Traffic Scene Reconstruction from Aerial Videos

• arxiv url: http://arxiv.org/abs/2306.00075v1
• Date: Wed, 31 May 2023 18:00:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 20:05:49.072357
• Title: CAROM Air -- Vehicle Localization and Traffic Scene Reconstruction from Aerial Videos
• Title（参考訳）: CAROM Air - 航空映像からの車両位置と交通シーンの再構築
• Authors: Duo Lu, Eric Eaton, Matt Weg, Wei Wang, Steven Como, Jeffrey Wishart, Hongbin Yu, Yezhou Yang
• Abstract要約: ビデオからの道路交通シーンの再構築は、道路安全規制当局、都市計画者、研究者、自動運転技術開発者によって望まれている。 本稿では,交通シーンを自動的に再構成し,コンピュータで正確に再現できるように,航空映像を車両軌跡データに処理する手法を提案する。 平均して、車両のローカライゼーション誤差は約0.1mから0.3mで、120mで飛行する消費者向けドローンを使用する。 また、約100時間の空中映像から50の道路交通シーンのデータセットをコンパイルし、様々な下流交通分析アプリケーションを可能にし、さらなる道路交通関連研究を促進する。
• 参考スコア（独自算出の注目度）: 34.17146107124073
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Road traffic scene reconstruction from videos has been desirable by road safety regulators, city planners, researchers, and autonomous driving technology developers. However, it is expensive and unnecessary to cover every mile of the road with cameras mounted on the road infrastructure. This paper presents a method that can process aerial videos to vehicle trajectory data so that a traffic scene can be automatically reconstructed and accurately re-simulated using computers. On average, the vehicle localization error is about 0.1 m to 0.3 m using a consumer-grade drone flying at 120 meters. This project also compiles a dataset of 50 reconstructed road traffic scenes from about 100 hours of aerial videos to enable various downstream traffic analysis applications and facilitate further road traffic related research. The dataset is available at https://github.com/duolu/CAROM.
• Abstract（参考訳）: ビデオからの道路交通シーンの再構築は、道路安全規制当局、都市計画者、研究者、自動運転技術開発者によって望まれている。 しかし、道路インフラストラクチャーにカメラを設置して道路のすべてのマイルをカバーするのは高価で不要である。 本稿では,交通シーンを自動的に再構成し,コンピュータで正確に再現できるように,航空映像を車両軌跡データに処理する手法を提案する。 平均して、車両のローカライゼーション誤差は約0.1mから0.3mであり、120mで飛行する消費者向けドローンを使用する。 また、約100時間の空中映像から50の道路交通シーンのデータセットをコンパイルし、様々な下流交通分析アプリケーションを可能にし、さらなる道路交通関連研究を促進する。 データセットはhttps://github.com/duolu/CAROMで公開されている。

関連論文リスト

• Deep Learning Enhanced Road Traffic Analysis: Scalable Vehicle Detection and Velocity Estimation Using PlanetScope Imagery [38.22365259129059]
  本稿では,PlanetScope SuperDove衛星画像を用いて車両の速度を推定する手法を提案する。 本稿では,RGB帯における車両軌跡追跡のためのキーポイントR-CNNモデルを提案する。 ドローン比較の結果、衛星データの平均速度は112.85km/h、ドローン映像の平均速度は131.83km/hと過小評価されている。
  論文  参考訳（メタデータ） (2024-10-04T18:14:07Z)
• Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
  本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。 さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。 その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-15T00:51:48Z)
• Computer vision-based model for detecting turning lane features on Florida's public roadways [2.5849315636929475]
  本研究では,AIを用いた高解像度空中画像からフロリダ州の公道の道路特徴を検出する。 抽出された道路形状データは、事故や交通データと統合して、政策立案者や道路利用者に貴重な洞察を与えることができる。
  論文  参考訳（メタデータ） (2024-06-13T05:28:53Z)
• RoadRunner -- Learning Traversability Estimation for Autonomous Off-road Driving [13.101416329887755]
  我々は、カメラとLiDARセンサーの入力から直接地形変動を予測できるフレームワークであるRoadRunnerと、標高マップを提示する。 RoadRunnerは、センサ情報、不確実性の処理、コンテキスト情報による予測の生成を融合させることで、信頼性の高い自律ナビゲーションを可能にする。 我々は,非構造砂漠環境を通した複数の現実の運転シナリオにおいて,安全かつ信頼性の高いオフロードナビゲーションを実現する上で,ロードランナーの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T16:47:54Z)
• Vehicle Perception from Satellite [54.07157185000604]
  データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。 小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。 128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
  論文  参考訳（メタデータ） (2024-02-01T15:59:16Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
  近年,Bird's-Eye View (BEV) の知覚が注目されている。 自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。 本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
  論文  参考訳（メタデータ） (2023-01-11T18:39:34Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• iCurb: Imitation Learning-based Detection of Road Curbs using Aerial Images for Autonomous Driving [11.576868193291997]
  道路の縁石は自動運転に不可欠な能力です。 通常、道路の縁石は、ビデオカメラや3dlidarなどの車載センサーを使ってオンラインで検出される。 航空画像を用いた道路縁石のオフライン検出のための新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-31T14:40:31Z)

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。