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
- RoadRunner - Learning Traversability Estimation for Autonomous Off-road
Driving [13.918488267013558]
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) - Trip Planning for Autonomous Vehicles with Wireless Data Transfer Needs
Using Reinforcement Learning [7.23389716633927]
車両データ転送要求を満たすために,高帯域道路を優先する新しい強化学習ソリューションを提案する。
我々は、この手法をトラフィックを意識しないベースラインや帯域幅を意識しないベースラインと比較し、不均一なトラフィック下での処理性能を示す。
論文 参考訳(メタデータ) (2023-09-21T23:19:16Z) - 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) - A Computer Vision-assisted Approach to Automated Real-Time Road
Infrastructure Management [0.0]
そこで本研究では,車両ダッシュボード搭載スマートフォンカメラを用いて,道路災害をリアルタイムに検出・分類するための監視対象検出手法を提案する。
IEEEの2020 Global Road damage Detection (GRDC) Challengeに参加した121チームのトップ5にランクインした。
論文 参考訳(メタデータ) (2022-02-27T04:08:00Z) - Evaluating Computer Vision Techniques for Urban Mobility on Large-Scale,
Unconstrained Roads [25.29906312974705]
本稿では,道路安全の課題を大規模に解決するために,簡易な移動画像撮影装置を提案する。
道路上の不規則を識別するために,近年のコンピュータビジョン技術を用いている。
また、トラフィック違反を見つけるためのモバイルイメージングソリューションの適用性を実証する。
論文 参考訳(メタデータ) (2021-09-11T09:07:56Z) - 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。