論文の概要: Hardware Accelerators in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2308.06054v1
• Date: Fri, 11 Aug 2023 10:07:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 14:24:16.270388
• Title: Hardware Accelerators in Autonomous Driving
• Title（参考訳）: 自動運転におけるハードウェアアクセラレーター
• Authors: Ken Power, Shailendra Deva, Ting Wang, Julius Li, Ciar\'an Eising
• Abstract要約: ハードウェアアクセラレーターは、自動運転車がより高いレベルの自律性のためにパフォーマンス要件を満たすのを助ける特別な目的のコプロセッサである。 本稿では,MLアクセラレータの概要と,自律走行車におけるマシンビジョンの利用例を紹介する。
• 参考スコア（独自算出の注目度）: 5.317893030884531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computing platforms in autonomous vehicles record large amounts of data from many sensors, process the data through machine learning models, and make decisions to ensure the vehicle's safe operation. Fast, accurate, and reliable decision-making is critical. Traditional computer processors lack the power and flexibility needed for the perception and machine vision demands of advanced autonomous driving tasks. Hardware accelerators are special-purpose coprocessors that help autonomous vehicles meet performance requirements for higher levels of autonomy. This paper provides an overview of ML accelerators with examples of their use for machine vision in autonomous vehicles. We offer recommendations for researchers and practitioners and highlight a trajectory for ongoing and future research in this emerging field.
• Abstract（参考訳）: 自動運転車のコンピューティングプラットフォームは、多くのセンサーから大量のデータを記録し、機械学習モデルを通じてデータを処理し、車両の安全な運転を保証する決定を下す。 速く、正確で、信頼できる意思決定が重要です。 従来のコンピュータプロセッサは、高度な自律運転タスクの認識とマシンビジョン要求に必要なパワーと柔軟性を欠いている。 ハードウェアアクセラレータは、自動運転車がより高いレベルの自律性のために性能要件を満たすのを助ける特別な目的のコプロセッサである。 本稿では,MLアクセラレータの概要と,自律走行車におけるマシンビジョンの利用例を紹介する。 我々は、研究者や実践者に勧告を提供し、この新興分野における現在および将来の研究の軌跡を明らかにする。

関連論文リスト

• Performance Implications of Multi-Chiplet Neural Processing Units on Autonomous Driving Perception [12.416683044819955]
  本稿では,新しいチップレットベースのニューラル・プロセッシング・ユニットを用いて,制約のある自動車環境における車載AI知覚負荷を高速化する手法について検討する。 提案手法は, モノリシック加速器の設計に比べてスループットと処理エンジンの利用率が82%, 2.8倍向上することを実現する。
  論文  参考訳（メタデータ） (2024-11-24T22:59:11Z)
• Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
  我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。 その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
  論文  参考訳（メタデータ） (2024-09-24T14:58:27Z)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Are you a robot? Detecting Autonomous Vehicles from Behavior Analysis [6.422370188350147]
  本稿では,車両が自律的かどうかを判断するために,カメラ画像と状態情報を用いてアクティブな車両を監視するフレームワークを提案する。 基本的には、自動運転車を識別するための機械学習モデルを提供する道路上で取得したデータをシェアする車両間の協力に基づいて構築される。 実験により,ビデオクリップを80%の精度で解析することにより,2つの行動の識別が可能であることが確認された。
  論文  参考訳（メタデータ） (2024-03-14T17:00:29Z)
• Real-time Traffic Object Detection for Autonomous Driving [5.780326596446099]
  現代のコンピュータビジョン技術は、効率よりも精度を優先する傾向がある。 既存の物体検出器はリアルタイムには程遠い。 リアルタイム要件を取り入れた,より適切な代替案を提案する。
  論文  参考訳（メタデータ） (2024-01-31T19:12:56Z)
• Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
  このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。 高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。 また、解決を保障する科学的、技術的課題も検討している。
  論文  参考訳（メタデータ） (2023-12-06T10:46:53Z)
• Applications of Computer Vision in Autonomous Vehicles: Methods, Challenges and Future Directions [2.693342141713236]
  本稿では,過去10年間に出版されたコンピュータビジョンと自動運転に関する論文をレビューする。 特に、まず自律運転システムの開発について検討し、各国の主要自動車メーカーによって開発されたこれらのシステムを要約する。 そこで, 深度推定, 物体検出, 車線検出, 信号認識など, 自律運転におけるコンピュータビジョン応用の概要を概観する。
  論文  参考訳（メタデータ） (2023-11-15T16:41:18Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
  インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。 ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。 このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
  論文  参考訳（メタデータ） (2022-10-18T17:28:58Z)
• Vision-based Driver Assistance Systems: Survey, Taxonomy and Advances [0.2698840218255534]
  ビジョンに基づく高度な運転支援システムのリストを一貫した用語で調査し、分類学を提案します。 また,自律運転システムに向けて,アプリケーション開発のトップダウンビューを形式化するための抽象モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-26T13:53:00Z)

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。