論文の概要: WATonoBus: Field-Tested All-Weather Autonomous Shuttle Technology
- arxiv url: http://arxiv.org/abs/2312.00938v2
- Date: Wed, 14 Aug 2024 20:21:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 19:14:56.650285
- Title: WATonoBus: Field-Tested All-Weather Autonomous Shuttle Technology
- Title（参考訳）: WATonoBus:フィールドテストによる全重量自律型シャトル技術
- Authors: Neel P. Bhatt, Ruihe Zhang, Minghao Ning, Ahmad Reza Alghooneh, Joseph Sun, Pouya Panahandeh, Ehsan Mohammadbagher, Ted Ecclestone, Ben MacCallum, Ehsan Hashemi, Amir Khajepour,
- Abstract要約: 全天候の自動運転車の運用は、知覚や意思決定から経路計画や制御までモジュールを包含する、重大な課題を生んでいる。
認識レベルを越えた悪天候を考慮したマルチモジュール・モジュールシステムアーキテクチャを提案する。
提案手法は,悪天候に対処し,手術中に観測されたエッジケースから貴重な知見を提供する。
- 参考スコア（独自算出の注目度）: 8.815412946998475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: All-weather autonomous vehicle operation poses significant challenges, encompassing modules from perception and decision-making to path planning and control. The complexity arises from the need to address adverse weather conditions such as rain, snow, and fog across the autonomy stack. Conventional model-based single-module approaches often lack holistic integration with upstream or downstream tasks. We tackle this problem by proposing a multi-module and modular system architecture with considerations for adverse weather across the perception level, through features such as snow covered curb detection, to decision-making and safety monitoring. Through daily weekday service on the WATonoBus platform for almost two years, we demonstrate that our proposed approach is capable of addressing adverse weather conditions and provide valuable insights from edge cases observed during operation.
- Abstract（参考訳）: 全天候の自動運転車の運用は、知覚や意思決定から経路計画や制御までモジュールを包含する、重大な課題を生んでいる。
この複雑さは、降雨、雪、霧などの悪天候に自律的なスタックを越えて対処する必要があることから生じる。
従来のモデルベースのシングルモジュールアプローチは、アップストリームやダウンストリームのタスクと全体的な統合を欠いていることが多い。
本稿では,積雪抑制検出,意思決定,安全監視といった特徴を通じて,認識レベルを越えた悪天候を考慮したマルチモジュール・モジュールシステムアーキテクチャを提案する。
WATonoBusプラットフォーム上で約2年間の平日サービスを通じて,我々の提案手法は悪天候に対処し,手術中に観察されたエッジケースから貴重な知見を提供することができることを示した。
関連論文リスト
- WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
第1次一般気象基礎モデル(WeatherGFM)を紹介する。
気象理解タスクの幅広い範囲を統一的な方法で解決する。
我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
論文 参考訳（メタデータ） (2024-11-08T09:14:19Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Real-Time Environment Condition Classification for Autonomous Vehicles [3.8514288339458718]
我々は、屋外の天気と危険な道路状況を特定するために、ディープラーニングモデルを訓練する。
我々は、最先端の悪天候データセットに改良された分類とラベル階層を導入することで、これを実現する。
我々は、単一のRGBフレームから環境条件を分類するためのディープラーニングモデルであるRECNetを訓練する。
論文 参考訳（メタデータ） (2024-05-29T17:29:55Z) - 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) - Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control [4.23755398158039]
本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。
提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。
シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-01T06:09:49Z) - QML for Argoverse 2 Motion Forecasting Challenge [7.785370190832619]
本稿では,Argoverse 2 Motion Forecasting Challenge 2022の3位にランクインした,効果的で効率的なソリューションを提案する。
実世界のオンボードアプリケーションでは、モーション予測モデルの正確性とレイテンシが不可欠である。
論文 参考訳（メタデータ） (2022-07-13T23:25:30Z) - SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain
Adaptation [152.60469768559878]
ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。
曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。
私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
論文 参考訳（メタデータ） (2022-06-16T17:59:52Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - ZeroScatter: Domain Transfer for Long Distance Imaging and Vision
through Scattering Media [26.401067775059154]
我々は、悪天候下で撮影されたRGBのみのキャプチャーを、晴れた昼間のシーンに変換するドメイン転送手法ZeroScatterを提案する。
提案手法は実世界キャプチャーを用いて評価し,提案手法は制御霧室測定において既存の単分子脱散乱法を2.8dBPSNRで上回る性能を示した。
論文 参考訳（メタデータ） (2021-02-11T04:41:17Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z) - Probabilistic End-to-End Vehicle Navigation in Complex Dynamic
Environments with Multimodal Sensor Fusion [16.018962965273495]
全日と全天候のナビゲーションは、自動運転にとって重要な機能である。
本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。
その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
論文 参考訳（メタデータ） (2020-05-05T03:48:10Z)
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。