論文の概要: Real-Time Environment Condition Classification for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2405.19305v1
- Date: Wed, 29 May 2024 17:29:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 16:02:26.448304
- Title: Real-Time Environment Condition Classification for Autonomous Vehicles
- Title(参考訳): 自動車のリアルタイム環境条件分類
- Authors: Marco Introvigne, Andrea Ramazzina, Stefanie Walz, Dominik Scheuble, Mario Bijelic,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.8514288339458718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current autonomous driving technologies are being rolled out in geo-fenced areas with well-defined operation conditions such as time of operation, area, weather conditions and road conditions. In this way, challenging conditions as adverse weather, slippery road or densely-populated city centers can be excluded. In order to lift the geo-fenced restriction and allow a more dynamic availability of autonomous driving functions, it is necessary for the vehicle to autonomously perform an environment condition assessment in real time to identify when the system cannot operate safely and either stop operation or require the resting passenger to take control. In particular, adverse-weather challenges are a fundamental limitation as sensor performance degenerates quickly, prohibiting the use of sensors such as cameras to locate and monitor road signs, pedestrians or other vehicles. To address this issue, we train a deep learning model to identify outdoor weather and dangerous road conditions, enabling a quick reaction to new situations and environments. We achieve this by introducing an improved taxonomy and label hierarchy for a state-of-the-art adverse-weather dataset, relabelling it with a novel semi-automated labeling pipeline. Using the novel proposed dataset and hierarchy, we train RECNet, a deep learning model for the classification of environment conditions from a single RGB frame. We outperform baseline models by relative 16% in F1- Score, while maintaining a real-time capable performance of 20 Hz.
- Abstract(参考訳): 現在の自動運転技術は、運行時間、地域、気象条件、道路条件など、明確に定義された運転条件を持つジオフェンスエリアで展開されている。
このように、悪天候、滑りやすい道路、人口密集した都市の中心といった厳しい条件を排除できる。
ジオフェンス制限を解除し、自律運転機能のよりダイナミックな利用を可能にするためには、システムが安全に動作できないか、運転を停止するか、または乗客の制御を必要とするかを、車両がリアルタイムに環境条件評価を行う必要がある。
特に悪天候の課題は、センサーの性能が急速に低下し、道路標識や歩行者、その他の車両の位置や監視にカメラのようなセンサーを使用することが禁止されるため、基本的な制限である。
この問題に対処するために、我々は、屋外の天気と危険な道路状況を特定するためのディープラーニングモデルを訓練し、新しい状況や環境への迅速な反応を可能にする。
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し、それを新しい半自動ラベリングパイプラインで再現することで実現した。
提案したデータセットと階層構造を用いて,単一のRGBフレームから環境条件を分類するディープラーニングモデルであるRECNetを訓練する。
F1-Scoreでは,20Hzのリアルタイム能動性能を維持しながら,ベースラインモデルを比較的16%上回った。
関連論文リスト
- TADAP: Trajectory-Aided Drivable area Auto-labeling with Pre-trained
self-supervised features in winter driving conditions [1.4993021283916008]
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。
論文 参考訳(メタデータ) (2023-12-20T11:51:49Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳(メタデータ) (2023-06-23T07:01:10Z) - 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) - Learning High-Speed Flight in the Wild [101.33104268902208]
複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。
鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。
現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
論文 参考訳(メタデータ) (2021-10-11T09:43:11Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Robustness of Object Detectors in Degrading Weather Conditions [7.91378990016322]
自律走行のための最先端の物体検出システムは、晴天条件下で有望な結果を達成する。
これらのシステムは、雨や霧、雪などの気象条件の悪化に対処する必要がある。
ほとんどのアプローチは、晴天のシーンのみからなるKITTIデータセットでのみ評価される。
論文 参考訳(メタデータ) (2021-06-16T13:56:07Z) - Worsening Perception: Real-time Degradation of Autonomous Vehicle
Perception Performance for Simulation of Adverse Weather Conditions [47.529411576737644]
本研究では,自律走行車両における簡易かつ軽量な画像強調システムの利用の可能性を検討する。
最小限の調整で、プロトタイプシステムは、カメラレンズ上の水滴と退色光条件の両方の効果を複製することができます。
論文 参考訳(メタデータ) (2021-03-03T23:49:02Z) - Autonomous Off-road Navigation over Extreme Terrains with
Perceptually-challenging Conditions [7.514178230130502]
移動性ストレス要素を用いた知覚困難環境におけるレジリエント自律計算の枠組みを提案する。
リアルタイムに堅牢なマルチファイアリティトラバーサビリティ推定を生成するための高速設定アルゴリズムを提案する。
提案手法は、スキッドステアや追尾ロボット、高速RCカー、脚ロボットなど、複数の物理的システムに展開された。
論文 参考訳(メタデータ) (2021-01-26T22:13:01Z) - 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。