Fugu-MT 論文翻訳(概要): A Computer Vision Approach for Autonomous Cars to Drive Safe at Construction Zone

論文の概要: A Computer Vision Approach for Autonomous Cars to Drive Safe at Construction Zone

arxiv url: http://arxiv.org/abs/2409.15809v1
Date: Tue, 24 Sep 2024 07:11:00 GMT
ステータス: 処理完了
システム内更新日: 2024-09-26 08:41:18.857540
Title: A Computer Vision Approach for Autonomous Cars to Drive Safe at Construction Zone
Title（参考訳）: 自律走行車の安全運転のためのコンピュータビジョンアプローチ
Authors: Abu Shad Ahammed, Md Shahi Amran Hossain, Roman Obermaisser,
Abstract要約: 自律運転システム(ADS)を搭載した車は、適応クルーズ制御、衝突警報、自動駐車など、様々な最先端機能を備えている。本稿では,多様なドリフト条件下で構築ゾーンや機能で動作可能なコンピュータビジョン技術を利用した,革新的で高精度な道路障害物検出モデルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To build a smarter and safer city, a secure, efficient, and sustainable transportation system is a key requirement. The autonomous driving system (ADS) plays an important role in the development of smart transportation and is considered one of the major challenges facing the automotive sector in recent decades. A car equipped with an autonomous driving system (ADS) comes with various cutting-edge functionalities such as adaptive cruise control, collision alerts, automated parking, and more. A primary area of research within ADAS involves identifying road obstacles in construction zones regardless of the driving environment. This paper presents an innovative and highly accurate road obstacle detection model utilizing computer vision technology that can be activated in construction zones and functions under diverse drift conditions, ultimately contributing to build a safer road transportation system. The model developed with the YOLO framework achieved a mean average precision exceeding 94\% and demonstrated an inference time of 1.6 milliseconds on the validation dataset, underscoring the robustness of the methodology applied to mitigate hazards and risks for autonomous vehicles.
Abstract（参考訳）: よりスマートで安全な都市を構築するためには、安全で効率的で持続可能な輸送システムが重要な要件である。自律運転システム(ADS)はスマート交通の発展において重要な役割を担い、近年自動車部門が直面している大きな課題の1つと考えられている。自律運転システム(ADS)を搭載した車は、適応クルーズ制御、衝突警報、自動駐車など、様々な最先端機能を備えている。 ADASにおける主な研究領域は、運転環境に関わらず、建設ゾーン内の道路障害物を特定することである。本稿では,多様なドリフト条件下で構築ゾーンや機能で活性化可能なコンピュータビジョン技術を利用した,革新的で高精度な道路障害物検出モデルを提案し,最終的にはより安全な道路交通システムの構築に寄与する。 YOLOフレームワークを用いて開発されたモデルでは, 平均精度が94 %を超え, 検証データセット上で1.6ミリ秒の推定時間を実証し, 自動運転車のハザードやリスクを軽減する手法の堅牢性を実証した。

関連論文リスト

Passenger hazard perception based on EEG signals for highly automated driving vehicles [23.322910031715583]
本研究は,乗用車間相互作用の神経機構を解明し,乗用車認知モデル(PCM)と乗用車脳波復号戦略(PEDS)の開発に繋がるものである。 Central to PEDSは、空間的および時間的脳波データパターンをキャプチャする新しい畳み込みリカレントニューラルネットワーク(CRNN)である。我々の研究は、事前観測された脳波データの予測能力、危険シナリオの検出の強化、より安全な自動運転車のためのネットワーク駆動型フレームワークの提供を強調した。
論文参考訳（メタデータ） (2024-08-29T07:32:30Z)
Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
RCP-RF: A Comprehensive Road-car-pedestrian Risk Management Framework based on Driving Risk Potential Field [1.625213292350038]
本研究では,コネクテッド・アンド・オートマチック・ビークル(CAV)環境下での電位場理論に基づく総合運転リスク管理フレームワークRCP-RFを提案する。既存のアルゴリズムと異なり,エゴ車と障害物車と歩行者係数の移動傾向は,提案手法において正当に考慮されている。実世界のデータセットNGSIMおよび実AVプラットフォーム上での最先端手法に対する提案手法の優位性を検証する実証的研究を行った。
論文参考訳（メタデータ） (2023-05-04T01:54:37Z)
Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。両センサと融合に関する概念と特徴を提示する。本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文参考訳（メタデータ） (2023-03-08T00:48:32Z)
Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文参考訳（メタデータ） (2022-07-05T16:33:20Z)
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)
Collaborative Driving: Learning- Aided Joint Topology Formulation and Beamforming [24.54541437306899]
mmWave/THz帯における運転トポロジと車両ネットワークの定式化を共同で制御する新しいフレームワークである協調自律運転を構想する。 Swarmインテリジェンスシステムとして、コラボレーティブな運転方式は、単一車両インテリジェンスに基づく既存の自律運転パターンを越えている。我々は、mmWave/THz-based vehicle-to-vehicle (V2V) 通信において、2つの有望なアプローチを示す。
論文参考訳（メタデータ） (2022-03-18T12:50:35Z)
Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文参考訳（メタデータ） (2022-03-04T16:14:33Z)
Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles [11.463476667274051]
運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。本稿では,RAILアルゴリズムを提案する。提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
論文参考訳（メタデータ） (2021-12-26T23:42:49Z)
A Review of Autonomous Road Vehicle Integrated Approaches to an Emergency Obstacle Avoidance Maneuver [0.0]
本原稿は緊急障害物回避操作(EOAM)に不可欠なシステムに焦点を当てている。高速道路での走行のニュアンスを考慮しつつ、関連する各システムの最先端を識別する。
論文参考訳（メタデータ） (2021-05-20T01:11:26Z)
A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文参考訳（メタデータ） (2020-10-23T18:07:48Z)

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。