論文の概要: Evaluating Low-Resource Lane Following Algorithms for Compute-Constrained Automated Vehicles

• arxiv url: http://arxiv.org/abs/2409.03114v2
• Date: Sun, 02 Mar 2025 15:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-04 13:04:12.588068
• Title: Evaluating Low-Resource Lane Following Algorithms for Compute-Constrained Automated Vehicles
• Title（参考訳）: 計算制約付き自動走行車における低リソースレーン追従アルゴリズムの評価
• 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: 限られた計算資源を持つ車両におけるリアルタイム運転のための低リソースレーン追従アルゴリズムを5つ評価した。 トップパフォーマンス手法は、教師なし学習を用いて、1フレームあたり10ミリ秒未満の処理時間でレーン線を検出し、分離した。 発見は、自動運転車技術のアクセシビリティと信頼性を高めるための効率的な車線検出アプローチの可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.3179433314782644
• License:
• Abstract: Reliable lane-following is essential for automated and assisted driving, yet existing solutions often rely on models that require extensive computational resources, limiting their deployment in compute-constrained vehicles. We evaluate five low-resource lane-following algorithms designed for real-time operation on vehicles with limited computing resources. Performance was assessed through simulation and deployment on real drive-by-wire electric vehicles, with evaluation metrics including reliability, comfort, speed, and adaptability. The top-performing methods used unsupervised learning to detect and separate lane lines with processing time under 10 ms per frame, outperforming compute-intensive and poor generalizing deep learning approaches. These approaches demonstrated robustness across lighting conditions, road textures, and lane geometries. The findings highlight the potential for efficient lane detection approaches to enhance the accessibility and reliability of autonomous vehicle technologies. Reducing computing requirements enables lane keeping to be widely deployed in vehicles as part of lower-level automation, including active safety systems.
• Abstract（参考訳）: 信頼性の高い車線追従は自動運転と補助運転に不可欠であるが、既存のソリューションはしばしば計算資源を必要とするモデルに依存しており、計算に制約のある車両への配備を制限している。 限られた計算資源を持つ車両におけるリアルタイム運転のための低リソースレーン追従アルゴリズムを5つ評価した。 信頼性,快適性,速度,適応性などの評価指標を備えた実走行用電気自動車の性能評価を行った。 トップパフォーマンスの手法は、教師なし学習を用いて、1フレームあたり10ミリ秒未満の処理時間でレーン線を検出し、分離し、計算集約的かつ一般化されていないディープラーニングアプローチより優れていた。 これらのアプローチは、照明条件、道路テクスチャ、レーンジオメトリーをまたいだ堅牢性を示した。 この結果は、自動運転車技術のアクセシビリティと信頼性を高めるための効率的な車線検出アプローチの可能性を強調している。 コンピューティング要件の削減は、アクティブな安全システムを含む低レベルの自動化の一環として、車線維持を車両に広く展開することを可能にする。

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。