論文の概要: Applications of Computer Vision in Autonomous Vehicles: Methods,
Challenges and Future Directions
- arxiv url: http://arxiv.org/abs/2311.09093v2
- Date: Thu, 16 Nov 2023 04:12:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 11:24:53.863106
- Title: Applications of Computer Vision in Autonomous Vehicles: Methods,
Challenges and Future Directions
- Title(参考訳): 自律走行車におけるコンピュータビジョンの応用:手法,課題,今後の展開
- Authors: Xingshuai Dong and Massimiliano L. Cappuccio
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.1818269491041153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicle refers to a vehicle capable of perceiving its surrounding
environment and driving with little or no human driver input. The perception
system is a fundamental component which enables the autonomous vehicle to
collect data and extract relevant information from the environment to drive
safely. Benefit from the recent advances in computer vision, the perception
task can be achieved by using sensors, such as camera, LiDAR, radar, and
ultrasonic sensor. This paper reviews publications on computer vision and
autonomous driving that are published during the last ten years. In particular,
we first investigate the development of autonomous driving systems and
summarize these systems that are developed by the major automotive
manufacturers from different countries. Second, we investigate the sensors and
benchmark data sets that are commonly utilized for autonomous driving. Then, a
comprehensive overview of computer vision applications for autonomous driving
such as depth estimation, object detection, lane detection, and traffic sign
recognition are discussed. Additionally, we review public opinions and concerns
on autonomous vehicles. Based on the discussion, we analyze the current
technological challenges that autonomous vehicles meet with. Finally, we
present our insights and point out some promising directions for future
research. This paper will help the reader to understand autonomous vehicles
from the perspectives of academia and industry.
- Abstract(参考訳): 自律走行車(autonomous vehicle)とは、周囲の環境を感知し、人間の運転者の入力をほとんどあるいは全く必要としない車両を指す。
知覚システムは、自律車両がデータを収集し、環境から関連する情報を抽出して安全に運転できるようにする基本的な構成要素である。
コンピュータビジョンの最近の進歩に特化して、カメラ、LiDAR、レーダー、超音波センサーなどのセンサーを使用することで、知覚タスクを実現することができる。
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。
次に,自律運転によく利用されるセンサとベンチマークデータセットについて検討する。
次に, 深度推定, 物体検出, 車線検出, 交通信号認識などの自律運転におけるコンピュータビジョン応用の概要について述べる。
さらに、自動運転車に関する世論や懸念についても検討する。
この議論に基づいて、自動運転車が直面する現在の技術的課題を分析する。
最後に、我々の洞察を示し、今後の研究に有望な方向性を指摘する。
本論文は,学術・産業の観点から,自動運転車の理解を支援するものである。
関連論文リスト
- 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) - DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in
Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。
DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。
このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文 参考訳(メタデータ) (2024-01-08T03:06:02Z) - Towards Knowledge-driven Autonomous Driving [37.003908817857095]
本稿では,新しい知識駆動型自動運転技術について考察する。
我々の調査は、現在の自動運転システムの限界を浮き彫りにしている。
認知、一般化、生涯学習の能力を備えた知識駆動型手法は、これらの課題を克服するための有望な方法として浮上する。
論文 参考訳(メタデータ) (2023-12-07T14:17:17Z) - Open-sourced Data Ecosystem in Autonomous Driving: the Present and
Future [131.69699438604533]
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) - LLM4Drive: A Survey of Large Language Models for Autonomous Driving [67.843551583229]
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) - Data and Knowledge for Overtaking Scenarios in Autonomous Driving [0.0]
オーバーテイク・エクササイズは、運転において最も重要な行動の1つである。
文献で利用できる作業量にもかかわらず、ほんの少しの操作しか処理できない。
この研究は、この領域に寄与し、新たな合成データセットを提示する。
論文 参考訳(メタデータ) (2023-05-30T21:27:05Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳(メタデータ) (2023-03-08T00:48:32Z) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳(メタデータ) (2022-10-13T05:56:20Z) - 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。
本稿では,自律運転における3次元物体検出技術の進歩を概観する。
論文 参考訳(メタデータ) (2022-06-19T19:43:11Z) - Explainable Artificial Intelligence for Autonomous Driving: A
Comprehensive Overview and Field Guide for Future Research Directions [11.259749697686697]
この研究は、自動運転車のための説明可能な人工知能(XAI)アプローチの開発に包括的な光を当てている。
まず、最先端の自動運転車産業における説明について、現状のギャップを概観する。
第2に,本分野における説明書・説明書の分類について述べる。
第3に,エンド・ツー・エンドの自動運転システムのアーキテクチャの枠組みを提案する。
論文 参考訳(メタデータ) (2021-12-21T22:51:37Z) - Explainability of vision-based autonomous driving systems: Review and
challenges [33.720369945541805]
説明可能性の必要性は運転で強く、安全クリティカルなアプリケーションです。
この調査は、コンピュータビジョン、ディープラーニング、自動運転、説明可能なAI(X-AI)など、いくつかの研究分野から貢献を集めています。
論文 参考訳(メタデータ) (2021-01-13T19:09:38Z)
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。