Fugu-MT 論文翻訳(概要): Review of the Learning-based Camera and Lidar Simulation Methods for Autonomous Driving Systems

論文の概要: Review of the Learning-based Camera and Lidar Simulation Methods for Autonomous Driving Systems

arxiv url: http://arxiv.org/abs/2402.10079v1
Date: Mon, 29 Jan 2024 16:56:17 GMT
ステータス: 処理完了
システム内更新日: 2024-02-18 12:37:58.197829
Title: Review of the Learning-based Camera and Lidar Simulation Methods for Autonomous Driving Systems
Title（参考訳）: 自律走行システムのための学習型カメラとライダーシミュレーション手法の検討
Authors: Hamed Haghighi, Xiaomeng Wang, Hao Jing, and Mehrdad Dianati
Abstract要約: 本稿では,学習に基づくセンサシミュレーション手法と検証手法の現状について概説する。これは、カメラとライダーの2種類の知覚センサーに焦点を当てている。
参考スコア（独自算出の注目度）: 7.90336803821407
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Perception sensors, particularly camera and Lidar, are key elements of Autonomous Driving Systems (ADS) that enable them to comprehend their surroundings for informed driving and control decisions. Therefore, developing realistic camera and Lidar simulation methods, also known as camera and Lidar models, is of paramount importance to effectively conduct simulation-based testing for ADS. Moreover, the rise of deep learning-based perception models has propelled the prevalence of perception sensor models as valuable tools for synthesising diverse training datasets. The traditional sensor simulation methods rely on computationally expensive physics-based algorithms, specifically in complex systems such as ADS. Hence, the current potential resides in learning-based models, driven by the success of deep generative models in synthesising high-dimensional data. This paper reviews the current state-of-the-art in learning-based sensor simulation methods and validation approaches, focusing on two main types of perception sensors: cameras and Lidars. This review covers two categories of learning-based approaches, namely raw-data-based and object-based models. Raw-data-based methods are explained concerning the employed learning strategy, while object-based models are categorised based on the type of error considered. Finally, the paper illustrates commonly used validation techniques for evaluating perception sensor models and highlights the existing research gaps in the area.
Abstract（参考訳）: 知覚センサー、特にカメラとライダーは、自律運転システム(ADS)の重要な要素であり、周囲を理解して、情報的な運転と制御の決定を可能にする。したがって、現実的なカメラとライダーシミュレーション手法の開発は、ADSのシミュレーションベースの試験を効果的に行う上で最重要となる。さらに、深層学習に基づく知覚モデルの台頭は、多様なトレーニングデータセットを合成するための貴重なツールとして、知覚センサモデルの普及を促している。従来のセンサシミュレーション手法は計算コストの高い物理アルゴリズム、特にADSのような複雑なシステムに依存している。したがって、現在のポテンシャルは、高次元データの合成における深層生成モデルの成功により、学習ベースモデルに存在している。本稿では,カメラとライダーの2種類の知覚センサに焦点をあて,学習に基づくセンサシミュレーション手法と検証手法の現状について概説する。本稿では,学習ベースアプローチの2つのカテゴリ,すなわち生データベースモデルとオブジェクトベースモデルについて概説する。実データに基づく手法は採用した学習戦略に関して説明され、オブジェクトベースのモデルは考慮されたエラーの種類に基づいて分類される。最後に,知覚センサモデルの評価に一般的な検証手法を示し,その領域における既存の研究ギャップを浮き彫りにする。

関連論文リスト

Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
論文参考訳（メタデータ） (2024-07-17T11:17:20Z)
InfRS: Incremental Few-Shot Object Detection in Remote Sensing Images [11.916941756499435]
本稿では,リモートセンシング画像におけるインクリメンタルな数ショット物体検出の複雑な課題について検討する。本稿では,新しい授業の漸進的な学習を促進するために,InfRSと呼ばれる先駆的な微調整技術を導入する。我々はワッサーシュタイン距離に基づく原型校正戦略を開発し、破滅的な忘れ問題を軽減する。
論文参考訳（メタデータ） (2024-05-18T13:39:50Z)
Physics Sensor Based Deep Learning Fall Detection System [0.9128828609564524]
我々は,組込みセンサを用いたデータ受信装置を備えたTSFallDetectというシステムを構築した。我々は、慣性およびフィルム圧力センサによって収集されたデータに基づいて、この降下動作予測問題に対処するために、シーケンシャルな深層学習手法を利用する。
論文参考訳（メタデータ） (2024-02-29T07:50:06Z)
A Unified Generative Framework for Realistic Lidar Simulation in Autonomous Driving Systems [10.036860459686526]
Lidarは、Autonomous Driving Systemsの知覚センサーの中で広く使われているセンサーである。深層生成モデルは、現実的な感覚データを合成するための有望な解決策として現れてきた。本稿では,Lidarシミュレーションの忠実度を高めるための統一的な生成フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-25T21:55:00Z)
PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文参考訳（メタデータ） (2023-09-13T17:55:11Z)
Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文参考訳（メタデータ） (2023-09-01T19:29:53Z)
Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文参考訳（メタデータ） (2023-06-13T12:43:59Z)
Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。ディープラーニングだけでは、多くの分野で最先端の結果が得られています。しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文参考訳（メタデータ） (2022-03-28T20:29:50Z)
Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文参考訳（メタデータ） (2020-12-15T16:29:49Z)
Improving Robot Dual-System Motor Learning with Intrinsically Motivated Meta-Control and Latent-Space Experience Imagination [17.356402088852423]
本稿では,メタコントローラがモデルベースとモデルフリーの判断をオンラインに調停する,新しいデュアルシステムモーター学習手法を提案する。シミュレーションと実世界における視覚に基づくロボットグリップ学習におけるベースラインと最先端の手法に対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2020-04-19T12:14:46Z)

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。