Fugu-MT 論文翻訳(概要): TADAP: Trajectory-Aided Drivable area Auto-labeling with Pre-trained self-supervised features in winter driving conditions

論文の概要: TADAP: Trajectory-Aided Drivable area Auto-labeling with Pre-trained self-supervised features in winter driving conditions

arxiv url: http://arxiv.org/abs/2312.12954v1
Date: Wed, 20 Dec 2023 11:51:49 GMT
ステータス: 処理完了
システム内更新日: 2023-12-21 15:52:13.220544
Title: TADAP: Trajectory-Aided Drivable area Auto-labeling with Pre-trained self-supervised features in winter driving conditions
Title（参考訳）: TADAP:冬期運転条件下での訓練済み自己監督機能付き軌道支援乾燥地域自動ラベル
Authors: Eerik Alamikkotervo, Risto Ojala, Alvari Sepp\"anen, Kari Tammi
Abstract要約: 事前学習型自己監督機能(TADAP)を用いたトラジェクティブ・エイド・ドライビング・エリアの自動ラベリングについて述べる。 TADAPラベルでトレーニングされた予測モデルは、ユニオンとの交差を+9.6改善した。
参考スコア（独自算出の注目度）: 1.4993021283916008
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Detection of the drivable area in all conditions is crucial for autonomous driving and advanced driver assistance systems. However, the amount of labeled data in adverse driving conditions is limited, especially in winter, and supervised methods generalize poorly to conditions outside the training distribution. For easy adaption to all conditions, the need for human annotation should be removed from the learning process. In this paper, Trajectory-Aided Drivable area Auto-labeling with Pre-trained self-supervised features (TADAP) is presented for automated annotation of the drivable area in winter driving conditions. A sample of the drivable area is extracted based on the trajectory estimate from the global navigation satellite system. Similarity with the sample area is determined based on pre-trained self-supervised visual features. Image areas similar to the sample area are considered to be drivable. These TADAP labels were evaluated with a novel winter-driving dataset, collected in varying driving scenes. A prediction model trained with the TADAP labels achieved a +9.6 improvement in intersection over union compared to the previous state-of-the-art of self-supervised drivable area detection.
Abstract（参考訳）: 自律運転や高度な運転支援システムでは,あらゆる条件下でのドライブル領域の検出が不可欠である。しかし, 悪運転条件におけるラベル付きデータの量は, 特に冬季は限られており, 教師あり手法はトレーニング分布外の条件に適さない。すべての条件に容易に適応するためには、人間のアノテーションを学習プロセスから取り除く必要がある。本稿では, 冬期運転時の乾燥領域の自動アノテーションとして, 事前学習型自己監督機能付き自動ラベル付け(TADAP)を提案する。地球航法衛星システムからの軌道推定に基づいて、乾燥可能な領域のサンプルを抽出する。予め訓練された自己教師付き視覚特徴に基づいてサンプル領域との類似性を決定する。試料領域に類似した画像領域は乾燥可能と考えられる。これらのTADPラベルは、様々な運転シーンで収集された新しい冬運転データセットで評価された。 TADAPラベルでトレーニングされた予測モデルは、以前の自己管理可能な領域検出の最先端技術と比較して、結合上の交差を+9.6改善した。

関連論文リスト

QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving [33.609780917199394]
自動運転車は環境を理解して適切な行動を決定する必要がある。従来のシステムは、シーン内のエージェントを見つけるためにオブジェクト検出に依存していた。我々は、最初に占有する時間的自律性を知覚するカスケードモジュールから遠ざかる、統一的で解釈可能で効率的な自律フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-01T21:11:43Z)
DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文参考訳（メタデータ） (2024-03-25T17:59:01Z)
BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文参考訳（メタデータ） (2023-12-11T13:27:51Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
論文参考訳（メタデータ） (2023-04-21T08:50:52Z)
Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。適応過程を監督する信頼性のある信号はターゲット領域に存在しない。この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文参考訳（メタデータ） (2023-03-27T15:07:55Z)
Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task [0.0]
ステアリングホイール角情報を利用して道路領域のセマンティックセグメンテーションを改善するCNNに基づく手法を提案する。本稿では,自律運転のための2つの挑戦的データセットに対する提案手法の有効性を示す。
論文参考訳（メタデータ） (2022-12-19T13:25:09Z)
Uncertainty-aware Perception Models for Off-road Autonomous Unmanned Ground Vehicles [6.2574402913714575]
オフロード自律無人地上車両(UGV)は、遠隔地で重要な物資を供給するために軍用および商業用途のために開発されている。現在のデータセットは、季節、場所、セマンティッククラス、および日時における多様性の欠如に対する、オフロード自律ナビゲーションのための知覚モデルのトレーニングに使用されています。本研究では,複数のデータセットを組み合わせてセグメンテーションに基づく環境認識モデルを学習する方法について検討する。我々は,不確実性を捉えるためにモデルをトレーニングすることで,モデルの性能を著しく向上させることができることを示した。
論文参考訳（メタデータ） (2022-09-22T15:59:33Z)
Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文参考訳（メタデータ） (2022-07-05T16:33:20Z)
A Benchmark for Spray from Nearby Cutting Vehicles [7.767933159959353]
本論文は噴霧による乱れの検査方法について述べる。噴霧による乱れを評価するための評価スキームとともに、新しい軽量噴霧装置を導入している。密閉車両の一般的なシナリオでは、歪みが最大4秒までの知覚スタックに深刻な影響を与えていることが分かる。
論文参考訳（メタデータ） (2021-08-24T15:40:09Z)
Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。