Fugu-MT 論文翻訳(概要): Developing, Analyzing, and Evaluating Self-Drive Algorithms Using Drive-by-Wire Electric Vehicles

論文の概要: Developing, Analyzing, and Evaluating Self-Drive Algorithms Using Drive-by-Wire Electric Vehicles

arxiv url: http://arxiv.org/abs/2409.03114v1
Date: Wed, 4 Sep 2024 22:39:02 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 22:44:13.285744
Title: Developing, Analyzing, and Evaluating Self-Drive Algorithms Using Drive-by-Wire Electric Vehicles
Title（参考訳）: ワイヤバイワイヤ電気自動車を用いた自己駆動アルゴリズムの開発・解析・評価
Authors: Beñat Froemming-Aldanondo, Tatiana Rastoskueva, Michael Evans, Marcial Machado, Anna Vadella, Rickey Johnson, Luis Escamilla, Milan Jostes, Devson Butani, Ryan Kaddis, Chan-Jin Chung, Joshua Siegel,
Abstract要約: このプロジェクトは主にレーン追従プログラムの開発と評価に重点を置いていた。アルゴリズムはまずシミュレーターでテストされ、次に実際の車両に駆動・バイ・ワイヤシステムが搭載された。その結果、最も信頼性の高い2つのアプローチは、両方の車線を検知し、教師なし学習を用いてそれらを分離することを示した。
参考スコア（独自算出の注目度）: 0.3179433314782644
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reliable lane-following algorithms are essential for safe and effective autonomous driving. This project was primarily focused on developing and evaluating different lane-following programs to find the most reliable algorithm for a Vehicle to Everything (V2X) project. The algorithms were first tested on a simulator and then with real vehicles equipped with a drive-by-wire system using ROS (Robot Operating System). Their performance was assessed through reliability, comfort, speed, and adaptability metrics. The results show that the two most reliable approaches detect both lane lines and use unsupervised learning to separate them. These approaches proved to be robust in various driving scenarios, making them suitable candidates for integration into the V2X project.
Abstract（参考訳）: 信頼性の高い車線追従アルゴリズムは安全かつ効果的な自動運転に不可欠である。このプロジェクトは主に、V2Xプロジェクトの最も信頼性の高いアルゴリズムを見つけるために、異なるレーン追従プログラムを開発し評価することに焦点を当てた。アルゴリズムはまずシミュレータ上でテストされ、次にROS(Robot Operating System)を使用した実車に搭載された。彼らのパフォーマンスは、信頼性、快適さ、スピード、適応性の測定を通じて評価された。その結果、最も信頼性の高い2つのアプローチは、両方の車線を検知し、教師なし学習を用いてそれらを分離することを示した。これらのアプローチは様々な駆動シナリオにおいて堅牢であることが証明され、V2Xプロジェクトへの統合に適した候補となった。

関連論文リスト

V2V-LLM: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multi-Modal Large Language Models [31.537045261401666]
車両間通信(V2V)は提案されているが、検出と追跡に重点を置く傾向にある。本稿では,Large Language Models (LLM) を協調自律運転に組み込む新しい問題設定を提案する。また,LLMを用いて複数の連結自動運転車の知覚情報を融合するV2V-LLM法を提案する。
論文参考訳（メタデータ） (2025-02-14T08:05:41Z)
LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing [0.8356765961526956]
本稿では,Team PoliMOVEの自律レースカーに搭載されたLiDARに基づく知覚アルゴリズムについて述べる。実験の結果,アルゴリズムの性能,ロバスト性,計算効率,自律レースアプリケーションに適していることが示された。
論文参考訳（メタデータ） (2025-01-24T14:01:51Z)
Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文参考訳（メタデータ） (2024-07-09T04:56:11Z)
Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文参考訳（メタデータ） (2024-06-06T09:12:30Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data [6.849144123909844]
本論文は,E2E運転のための自己教師付き模倣学習(SSIL)として,最初の完全自己教師型学習フレームワークを提案する。提案したSSILフレームワークは、コマンドデータを使用せずにE2E駆動ネットワークを学習できる。 3つの異なるベンチマークデータセットを用いた数値実験により,提案したSSILフレームワークは,教師付き学習と同等のE2E駆動精度を達成できることを示した。
論文参考訳（メタデータ） (2023-08-28T06:17:15Z)
Evaluation of Pedestrian Safety in a High-Fidelity Simulation Environment Framework [21.456269382916062]
本稿では,自動運転のための歩行者安全評価手法を提案する。歩行者の安全に重要な特徴を組み込んだ高忠実度シミュレーションフレームワークを構築した。提案手法とフレームワークは、異なる自律運転アルゴリズムにアクセスできる。
論文参考訳（メタデータ） (2022-10-17T03:53:50Z)
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文参考訳（メタデータ） (2022-05-04T17:55:12Z)
An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
本稿では,インテリジェントな自動運転トラックシステムについて紹介する。提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
論文参考訳（メタデータ） (2021-12-31T04:54:13Z)
Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
論文参考訳（メタデータ） (2020-08-21T20:36:21Z)
Multi-lane Detection Using Instance Segmentation and Attentive Voting [0.0]
本稿では,精度と速度の両面で技術手法の状態を上回り,マルチレーン検出のための新しい手法を提案する。 54.53 fps(平均)で走行する車線分割精度99.87%を得ることができる。
論文参考訳（メタデータ） (2020-01-01T16:48:42Z)

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。