Fugu-MT 論文翻訳(概要): Accurate Training Data for Occupancy Map Prediction in Automated Driving Using Evidence Theory

論文の概要: Accurate Training Data for Occupancy Map Prediction in Automated Driving Using Evidence Theory

arxiv url: http://arxiv.org/abs/2405.10575v1
Date: Fri, 17 May 2024 07:00:58 GMT
ステータス: 処理完了
システム内更新日: 2024-05-20 16:52:18.068299
Title: Accurate Training Data for Occupancy Map Prediction in Automated Driving Using Evidence Theory
Title（参考訳）: エビデンス理論を用いた自動運転時の運転地図予測のための正確なトレーニングデータ
Authors: Jonas Kälble, Sascha Wirges, Maxim Tatarchenko, Eddy Ilg,
Abstract要約: 我々は,LiDARスキャンを占有格子マップに変換する手法が極めて低品質であることを示す。次に、より正確な再構築をもたらすエビデンス理論を用いた新しいアプローチを提案する。改良された占有マップを用いて、最先端の占有率予測法を訓練し、nuScenes 上で MAE を25%改善することを示した。
参考スコア（独自算出の注目度）: 4.837623051835053
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated driving fundamentally requires knowledge about the surrounding geometry of the scene. Modern approaches use only captured images to predict occupancy maps that represent the geometry. Training these approaches requires accurate data that may be acquired with the help of LiDAR scanners. We show that the techniques used for current benchmarks and training datasets to convert LiDAR scans into occupancy grid maps yield very low quality, and subsequently present a novel approach using evidence theory that yields more accurate reconstructions. We demonstrate that these are superior by a large margin, both qualitatively and quantitatively, and that we additionally obtain meaningful uncertainty estimates. When converting the occupancy maps back to depth estimates and comparing them with the raw LiDAR measurements, our method yields a MAE improvement of 30% to 52% on nuScenes and 53% on Waymo over other occupancy ground-truth data. Finally, we use the improved occupancy maps to train a state-of-the-art occupancy prediction method and demonstrate that it improves the MAE by 25% on nuScenes.
Abstract（参考訳）: 自動走行には、周囲の地形に関する知識が基本的に必要である。現代のアプローチでは、捕獲された画像のみを使用して、幾何学を表す占有マップを予測している。これらのアプローチのトレーニングには、LiDARスキャナーの助けを借りて取得できる正確なデータが必要である。我々は,現在のベンチマークやトレーニングデータセットでLiDARスキャンを占有格子マップに変換する手法が極めて低品質であることを示し,その結果,より正確な再構成を行うエビデンス理論を用いた新しいアプローチを提案する。これらは質的にも量的にも大きなマージンで優れており、また有意義な不確実性の推定値も得られている。本手法では, 積算地図を深度推定に変換し, 生のLiDAR値と比較すると, ヌステンスでは30%から52%, Waymoでは53%のMAE改善が得られた。最後に, 改良された占有マップを用いて, 最先端の占有予測法を訓練し, nuScenes上でのMAEの25%向上を実証した。

関連論文リスト

TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文参考訳（メタデータ） (2024-11-22T06:13:42Z)
ET-Former: Efficient Triplane Deformable Attention for 3D Semantic Scene Completion From Monocular Camera [53.20087549782785]
本稿では,単一単眼カメラを用いたセマンティックシーン補完のための新しいエンドツーエンドアルゴリズムET-Formerを紹介する。本手法は,単一のRGB観測からセマンティック占有マップを生成すると同時に,セマンティック予測のための不確実性推定を行う。
論文参考訳（メタデータ） (2024-10-14T19:14:49Z)
Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
論文参考訳（メタデータ） (2024-10-07T09:19:20Z)
Producing and Leveraging Online Map Uncertainty in Trajectory Prediction [30.190497345299004]
我々は、現在最先端のオンラインマップ推定手法を拡張し、不確実性をさらに見積もる。その結果,不確実性の導入によってトレーニングの収束が最大50%速くなり,予測性能が最大15%向上することがわかった。
論文参考訳（メタデータ） (2024-03-25T05:58:33Z)
OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
論文参考訳（メタデータ） (2023-12-14T18:58:52Z)
Enhancing Mapless Trajectory Prediction through Knowledge Distillation [19.626383744807068]
ハイデフィニションマップ(HDマップ)は、アノテーションの高コストや、広く使われることを制限する法律の制限に悩まされる可能性がある。本稿では,マルチモーダルな予測軌道の整合性と実際の道路トポロジの整合性を改善する問題に取り組む。我々の解は、一般的な軌道予測ネットワークに対して一般化可能であり、余分な計算負担を伴わない。
論文参考訳（メタデータ） (2023-06-25T09:05:48Z)
PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文参考訳（メタデータ） (2022-04-21T23:01:21Z)
MEST: Accurate and Fast Memory-Economic Sparse Training Framework on the Edge [72.16021611888165]
本稿では,エッジデバイス上での高精度かつ高速な実行を目的とした,メモリ・エコノミクス・スパース・トレーニング(MEST)フレームワークを提案する。提案されているMESTフレームワークは、Elastic Mutation (EM)とSoft Memory Bound (&S)による拡張で構成されている。以上の結果から,スペーサマスクの動的探索においても,忘れられない例をその場で特定できることが示唆された。
論文参考訳（メタデータ） (2021-10-26T21:15:17Z)
Updating Street Maps using Changes Detected in Satellite Imagery [28.25061267734934]
本稿では,衛星画像の進行を経時的に反映し,精度を大幅に向上させる手法を提案する。我々のアプローチはまず、異なるタイミングで撮影した衛星画像を比較して、視覚的に変化した物理的道路網の一部を特定する。変更に基づくアプローチは,マップ更新エラー率を4倍に削減することを示す。
論文参考訳（メタデータ） (2021-10-13T02:50:26Z)
SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文参考訳（メタデータ） (2021-02-19T11:56:44Z)

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。