論文の概要: Towards Increasing the Robustness of Predictive Steering-Control Autonomous Navigation Systems Against Dash Cam Image Angle Perturbations Due to Pothole Encounters

• arxiv url: http://arxiv.org/abs/2310.03959v1
• Date: Fri, 6 Oct 2023 00:58:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-10 03:41:29.357171
• Title: Towards Increasing the Robustness of Predictive Steering-Control Autonomous Navigation Systems Against Dash Cam Image Angle Perturbations Due to Pothole Encounters
• Title（参考訳）: ポットホールによるダッシュカム画像の摂動に対する予測ステアリング制御自律ナビゲーションシステムのロバスト性向上に向けて
• Authors: Shivam Aarya (Johns Hopkins University)
• Abstract要約: 自動車メーカーは、自動運転車のための自動ナビゲーションとステアリング制御アルゴリズムを作成するために競争している。 これらの自律システムにポットホール回避を組み込む研究が進行中である。 ポットホールを打つときのカメラアングルの摂動は、予測されたステアリングアングルの誤差を引き起こす。 本稿では,このような角度摂動を補償し,ステアリング制御予測アルゴリズムの誤差を低減する新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle manufacturers are racing to create autonomous navigation and steering control algorithms for their vehicles. These software are made to handle various real-life scenarios such as obstacle avoidance and lane maneuvering. There is some ongoing research to incorporate pothole avoidance into these autonomous systems. However, there is very little research on the effect of hitting a pothole on the autonomous navigation software that uses cameras to make driving decisions. Perturbations in the camera angle when hitting a pothole can cause errors in the predicted steering angle. In this paper, we present a new model to compensate for such angle perturbations and reduce any errors in steering control prediction algorithms. We evaluate our model on perturbations of publicly available datasets and show our model can reduce the errors in the estimated steering angle from perturbed images to 2.3%, making autonomous steering control robust against the dash cam image angle perturbations induced when one wheel of a car goes over a pothole.
• Abstract（参考訳）: 自動車メーカーは、自動運転車のための自律的なナビゲーションと操舵制御アルゴリズムの開発を競い合っている。 これらのソフトウェアは、障害物回避や車線操作といった様々な現実シナリオを扱うために作られている。 これらの自律システムにポットホール回避を組み込む研究が進行中である。 しかし、カメラを使って運転判断を行う自律ナビゲーションソフトウェアに、穴をあける効果についてはほとんど研究されていない。 ポットホールに衝突する際のカメラ角の摂動は、予測されたステアリング角の誤差を引き起こす可能性がある。 本稿では,このような角度摂動を補償し,操舵制御予測アルゴリズムにおける誤差を低減できる新しいモデルを提案する。 公開データセットの摂動モデルを評価し,摂動画像から推定ステアリング角度の誤差を2.3%に低減し,一方の車輪がポットホールを通過する際に引き起こされるダッシュカム画像の摂動に対して自律的なステアリング制御を堅牢にすることを示した。

関連論文リスト

• Robust Autonomous Vehicle Pursuit without Expert Steering Labels [41.168074206046164]
  車両追尾用エゴ車両の左右方向と縦方向の動作制御の学習法を提案する。 制御される車両は事前に定義された経路を持たず、安全距離を維持しながら目標車両を追尾するように反応的に適応する。 我々は、CARLAシミュレーターを用いて、幅広い地形における我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-08-16T14:09:39Z)
• Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
  既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。 本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
  論文  参考訳（メタデータ） (2022-10-26T19:03:17Z)
• Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
  ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。 オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。 提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
  論文  参考訳（メタデータ） (2022-09-06T12:01:07Z)
• Lateral Ego-Vehicle Control without Supervision using Point Clouds [50.40632021583213]
  既存の視覚に基づく横方向の車両制御に対する教師付きアプローチは、RGB画像を適切な操舵コマンドに直接マッピングすることができる。 本稿では、横方向の車両制御のための、より堅牢でスケーラブルなモデルをトレーニングするためのフレームワークを提案する。 オンライン実験により,本手法の性能は教師付きモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-20T21:57:32Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Self-Supervised Steering Angle Prediction for Vehicle Control Using Visual Odometry [55.11913183006984]
  視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。 車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-20T16:29:01Z)
• Vehicle trajectory prediction in top-view image sequences based on deep learning method [1.181206257787103]
  周囲の車両の動きを推定し予測することは、自動車両と高度な安全システムにとって不可欠である。 道路の空中画像から得られた画像から学習した計算複雑性の低いモデルを提案する。 提案モデルでは, 対象車両とその周辺車両の移動履歴に関する画像を見るだけで, 自動車の将来の進路を予測できる。
  論文  参考訳（メタデータ） (2021-02-02T20:48:19Z)
• Computer Vision based Accident Detection for Autonomous Vehicles [0.0]
  ダッシュボードカメラを用いて車両事故を検出する自動運転支援システムを提案する。 このフレームワークは、ダッシュカム映像のカスタムデータセットでテストされ、誤報率を低く保ちながら、高い事故検出率を達成する。
  論文  参考訳（メタデータ） (2020-12-20T08:51:10Z)
• Practical Auto-Calibration for Spatial Scene-Understanding from Crowdsourced Dashcamera Videos [1.0499611180329804]
  本研究では,クラウドソースビデオからの単眼搭載カメラの自動キャリブレーションシステムを提案する。 提案したシステムの有効性を,KITTI生データ,Oxford RobotCar,クラウドソーシングしたD$2$-Cityデータセット上で確認した。
  論文  参考訳（メタデータ） (2020-12-15T15:38:17Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。