Fugu-MT 論文翻訳(概要): PLoc: A New Evaluation Criterion Based on Physical Location for Autonomous Driving Datasets

論文の概要: PLoc: A New Evaluation Criterion Based on Physical Location for Autonomous Driving Datasets

arxiv url: http://arxiv.org/abs/2403.19893v1
Date: Fri, 29 Mar 2024 00:28:26 GMT
ステータス: 処理完了
システム内更新日: 2024-04-01 16:54:17.843475
Title: PLoc: A New Evaluation Criterion Based on Physical Location for Autonomous Driving Datasets
Title（参考訳）: PLOC: 自律運転データセットの物理的位置に基づく新しい評価基準
Authors: Ruining Yang, Yuqi Peng,
Abstract要約: 本稿では,PLOCと呼ばれる物理位置情報に基づく新しい評価基準を提案する。自動運転車のシナリオにおける歩行者の物理的な位置が、貴重な安全関連情報を提供できることを認識することで、従来の基準の限界を超越している。提案したPLOC基準に基づいて,様々な物体検出モデルの性能を評価する。
参考スコア（独自算出の注目度）: 0.552480439325792
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous driving has garnered significant attention as a key research area within artificial intelligence. In the context of autonomous driving scenarios, the varying physical locations of objects correspond to different levels of danger. However, conventional evaluation criteria for automatic driving object detection often overlook the crucial aspect of an object's physical location, leading to evaluation results that may not accurately reflect the genuine threat posed by the object to the autonomous driving vehicle. To enhance the safety of autonomous driving, this paper introduces a novel evaluation criterion based on physical location information, termed PLoc. This criterion transcends the limitations of traditional criteria by acknowledging that the physical location of pedestrians in autonomous driving scenarios can provide valuable safety-related information. Furthermore, this paper presents a newly re-annotated dataset (ApolloScape-R) derived from ApolloScape. ApolloScape-R involves the relabeling of pedestrians based on the significance of their physical location. The dataset is utilized to assess the performance of various object detection models under the proposed PLoc criterion. Experimental results demonstrate that the average accuracy of all object detection models in identifying a person situated in the travel lane of an autonomous vehicle is lower than that for a person on a sidewalk. The dataset is publicly available at https://github.com/lnyrlyed/ApolloScape-R.git
Abstract（参考訳）: 自律運転は人工知能の重要な研究領域として大きな注目を集めている。自律運転のシナリオでは、物体の様々な物理的位置は、異なるレベルの危険に対応する。しかし、従来の自動走行物体検出評価基準は、物体の物理的位置の重要な側面を見落とし、物体が自律走行車両にもたらす真の脅威を正確に反映しないような評価結果をもたらすことが多い。自律運転の安全性を高めるため,PLOCと呼ばれる物理的位置情報に基づく新しい評価基準を提案する。この基準は、自動運転車のシナリオにおける歩行者の物理的な位置が、貴重な安全関連情報を提供できることを認識することで、従来の基準の限界を超越している。さらに,ApolloScape-R(ApolloScape-R)から得られた新たなアノテートデータセットを提案する。 ApolloScape-R は、その物理的な位置の意義に基づいた歩行者の退避を伴っている。提案したPLOC基準に基づいて,様々な物体検出モデルの性能を評価する。実験により、自動運転車の走行車線に位置する人物を特定する際の物体検出モデルの平均精度が、歩道にいる人よりも低いことが示された。データセットはhttps://github.com/lnyrlyed/ApolloScape-R.gitで公開されている。

関連論文リスト

Pedestrian motion prediction evaluation for urban autonomous driving [0.0]
我々は、従来の動き予測指標の妥当性を決定するために、提供されたオープンソースソリューションを用いて、選択した出版物を解析する。この視点は、既存の最先端の歩行者運動予測問題の現実的なパフォーマンスを探している、自動運転やロボット工学の潜在的なエンジニアにとって価値があるだろう。
論文参考訳（メタデータ） (2024-10-22T10:06:50Z)
Fairness in Autonomous Driving: Towards Understanding Confounding Factors in Object Detection under Challenging Weather [7.736445799116692]
本研究では,最先端の変圧器を用いた物体検出装置において,歩行者の公正さを実証的に分析する。古典的メトリクスに加えて,オブジェクト検出の様々な複雑な特性を測定するために,新しい確率ベースのメトリクスを導入する。筆者らによる定量的分析では、現場の人口分布、天気の重大さ、歩行者のAV接近など、これまで見過ごされていた直感的な要因が、物体検出性能にどのように影響しているかを明らかにした。
論文参考訳（メタデータ） (2024-05-31T22:35:10Z)
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)
Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
論文参考訳（メタデータ） (2023-12-05T11:32:31Z)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文参考訳（メタデータ） (2023-04-03T17:37:00Z)
CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文参考訳（メタデータ） (2022-03-15T08:32:56Z)
Dynamic and Static Object Detection Considering Fusion Regions and Point-wise Features [7.41540085468436]
本稿では,自動運転車の前方における静的・動的物体の検出手法を提案する。われわれのアプローチは、検出された物体から、その位置、速度、方向などの他の特徴を得ることもできる。提案手法の性能を示すために,ベンチマークデータセットと,自律プラットフォームから得られた実世界のデータを用いて評価する。
論文参考訳（メタデータ） (2021-07-27T09:42:18Z)
Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文参考訳（メタデータ） (2021-04-22T12:47:37Z)
Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文参考訳（メタデータ） (2020-09-23T14:56:19Z)

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。