論文の概要: Development of Occupancy Prediction Algorithm for Underground Parking Lots

• arxiv url: http://arxiv.org/abs/2409.00923v1
• Date: Mon, 2 Sep 2024 03:31:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 08:21:03.080530
• Title: Development of Occupancy Prediction Algorithm for Underground Parking Lots
• Title（参考訳）: 地下駐車場の稼働予測アルゴリズムの開発
• Authors: Shijie Wang,
• Abstract要約: 本研究の目的は,地下などの悪環境下での自律運転が直面する認識課題に対処することである。 包括的なBEV認識フレームワークは、薄暗い、挑戦的な自律運転環境において、ニューラルネットワークモデルの精度を高めるように設計されている。
• 参考スコア（独自算出の注目度）: 12.668082907335322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The core objective of this study is to address the perception challenges faced by autonomous driving in adverse environments like basements. Initially, this paper commences with data collection in an underground garage. A simulated underground garage model is established within the CARLA simulation environment, and SemanticKITTI format occupancy ground truth data is collected in this simulated setting. Subsequently, the study integrates a Transformer-based Occupancy Network model to complete the occupancy grid prediction task within this scenario. A comprehensive BEV perception framework is designed to enhance the accuracy of neural network models in dimly lit, challenging autonomous driving environments. Finally, experiments validate the accuracy of the proposed solution's perception performance in basement scenarios. The proposed solution is tested on our self-constructed underground garage dataset, SUSTech-COE-ParkingLot, yielding satisfactory results.
• Abstract（参考訳）: 本研究の中心となる目的は,地下などの悪環境下での自律運転が直面する認識課題に対処することである。 当初,本論文は地下のガレージでデータ収集を開始している。 CARLAシミュレーション環境内にシミュレーションされた地下ガレージモデルを構築し、このシミュレーション環境でセマンティックキティフォーマットの接地真実データを収集する。 その後、トランスフォーマーベースのOccupancy Networkモデルを統合し、このシナリオ内での占有グリッド予測タスクを完了させる。 包括的なBEV認識フレームワークは、薄暗い、挑戦的な自律運転環境において、ニューラルネットワークモデルの精度を高めるように設計されている。 最後に,提案手法の地下シナリオにおける知覚性能の精度を検証する実験を行った。 提案手法は自作の地下ガレージデータセットであるSUSTech-COE-ParkingLotでテストし,良好な結果を得た。

関連論文リスト

• Acceleration method for generating perception failure scenarios based on editing Markov process [0.0]
  本研究では, 地下駐車場環境に合わせて, 認識障害シナリオを高速化する手法を提案する。 この方法は、認識障害シナリオの密度の高いインテリジェントなテスト環境を生成する。 認識障害シナリオデータ内のマルコフプロセスを編集し、トレーニングデータ内の臨界情報の密度を増大させる。
  論文  参考訳（メタデータ） (2024-07-01T05:33:48Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Beyond the Frontier: Predicting Unseen Walls from Occupancy Grids by Learning from Floor Plans [3.432284729311483]
  本研究では,360deg LIDARセンサの軌跡に沿って集積された占有格子上に2次元の線分を配置し,部分観測環境の見えない壁面を予測する課題に取り組む。 大学キャンパスからのオフィススケールフロアプランのコレクションにおいて、ランダムにサンプリングされたウェイポイントのセット間で仮想ロボットをナビゲートすることにより、そのような占有グリッドとその対象壁セグメントのデータセットを収集する。 行セグメント予測タスクを自己回帰シーケンス予測タスクとして定式化し、データセット上で注目ベースのディープネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2024-06-13T14:22:59Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Dynamics-Aware Spatiotemporal Occupancy Prediction in Urban Environments [37.00873004170998]
  本稿では,ディープネットワークアーキテクチャを用いて2つの機能を統合するフレームワークを提案する。 本手法は実世界のOpenデータセット上で検証され,ベースライン法よりも高い予測精度を示す。
  論文  参考訳（メタデータ） (2022-09-27T06:12:34Z)
• 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)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• 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)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• Applying Semantic Segmentation to Autonomous Cars in the Snowy Environment [0.0]
  本稿では,自動運転技術のバックボーンを形成する雪環境における環境認識に焦点を当てた。 目的のために、セマンティックセグメンテーションは、車両が自律的に駆動されている間にオブジェクトを分類するために使用される。 我々は、自身のデータセット上でFCN(Fully Convolutional Networks)をトレーニングし、実験結果を提示する。
  論文  参考訳（メタデータ） (2020-07-25T07:07:23Z)

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。