論文の概要: Sensitivity analysis of AI-based algorithms for autonomous driving on optical wavefront aberrations induced by the windshield

• arxiv url: http://arxiv.org/abs/2308.11711v1
• Date: Sat, 19 Aug 2023 17:01:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 17:07:59.433418
• Title: Sensitivity analysis of AI-based algorithms for autonomous driving on optical wavefront aberrations induced by the windshield
• Title（参考訳）: フロントガラスによる光波面収差に対するAIに基づく自律走行アルゴリズムの感度解析
• Authors: Dominik Werner Wolf and Markus Ulrich and Nikhil Kapoor
• Abstract要約: 本稿では,異なるフロントガラス構成に対する2つの知覚モデルの感度を評価することにより,領域シフト問題について検討する。 以上の結果から,ウィンドシールドが導入した性能差は十分でなく,既存の光学的計測値が十分でない可能性が示唆された。
• 参考スコア（独自算出の注目度）: 4.542616945567623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving perception techniques are typically based on supervised machine learning models that are trained on real-world street data. A typical training process involves capturing images with a single car model and windshield configuration. However, deploying these trained models on different car types can lead to a domain shift, which can potentially hurt the neural networks performance and violate working ADAS requirements. To address this issue, this paper investigates the domain shift problem further by evaluating the sensitivity of two perception models to different windshield configurations. This is done by evaluating the dependencies between neural network benchmark metrics and optical merit functions by applying a Fourier optics based threat model. Our results show that there is a performance gap introduced by windshields and existing optical metrics used for posing requirements might not be sufficient.
• Abstract（参考訳）: 自律運転認識技術は通常、現実世界のストリートデータに基づいてトレーニングされた教師付き機械学習モデルに基づいている。 典型的なトレーニングプロセスでは、単一のカーモデルとフロントガラス構成で画像をキャプチャする。 しかし、これらのトレーニングされたモデルを異なる車種にデプロイすると、ドメインシフトが発生する可能性があるため、ニューラルネットワークのパフォーマンスが損なわれ、動作中のADAS要求に違反する可能性がある。 そこで本研究では,異なる風車構成に対する2つの知覚モデルの感度を評価することにより,ドメインシフトの問題をさらに検討する。 これは、フーリエ光学に基づく脅威モデルを適用することにより、ニューラルネットワークベンチマークメトリクスと光学的メリット関数の依存関係を評価することで実現される。 以上の結果から,ウインドシールドが導入する性能ギャップがあり,既存の光学的測定基準では十分ではない可能性が示唆された。

関連論文リスト

• Optical Flow Matters: an Empirical Comparative Study on Fusing Monocular Extracted Modalities for Better Steering [37.46760714516923]
  本研究は、単眼カメラからのマルチモーダル情報を利用して、自動運転車のステアリング予測を改善する新しいエンドツーエンド手法を提案する。 本稿では,RGB画像と深度補完情報や光フローデータとの融合に着目し,これらのモダリティを早期・ハイブリッド融合技術によって統合する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-18T09:36:24Z)
• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• RainSD: Rain Style Diversification Module for Image Synthesis Enhancement using Feature-Level Style Distribution [5.500457283114346]
  本稿では,実際の道路データセットBDD100Kから発生するセンサブロックを用いた道路合成データセットを提案する。 このデータセットを用いて、自律運転のための多様なマルチタスクネットワークの劣化を評価し、分析した。 深層ニューラルネットワークを用いた自動運転車の認識システムの性能劣化傾向を深く分析した。
  論文  参考訳（メタデータ） (2023-12-31T11:30:42Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Windscreen Optical Quality for AI Algorithms: Refractive Power and MTF not Sufficient [74.2843502619298]
  自動車の大量生産プロセスは、ウインドスクリーンの光学的品質を意味のある方法で特徴づける計測システムを必要とする。 本稿では, 産業で確立された主測度である屈折力が, ウインドスクリーンの関連する光学特性を捉えることができないことを実証する。 本稿では,ウインドスクリーンの光学的品質を決定するための新しい概念を提案し,この光学的品質とAIアルゴリズムの性能を関連付けるためにシミュレーションを利用する。
  論文  参考訳（メタデータ） (2023-05-23T20:41:04Z)
• CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous Driving Tasks [11.489187712465325]
  自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。 オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。 この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
  論文  参考訳（メタデータ） (2022-05-18T04:15:42Z)
• Bidirectional Interaction between Visual and Motor Generative Models using Predictive Coding and Active Inference [68.8204255655161]
  本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。 我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
  論文  参考訳（メタデータ） (2021-04-19T09:41:31Z)
• Improving Generalization of Transfer Learning Across Domains Using Spatio-Temporal Features in Autonomous Driving [45.655433907239804]
  車両シミュレーションは仮想世界で学習するために使用することができ、取得したスキルは現実世界のシナリオを扱うために転送することができる。 これらの視覚的要素は、運転中の人間の意思決定に直感的に重要です。 シーンから車両の動特性を表す時間的特徴を抽出するCNN+LSTM転送学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-15T03:26:06Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification [8.007800530105191]
  運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。 CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。 次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
  論文  参考訳（メタデータ） (2021-02-11T04:33:43Z)

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。