Fugu-MT 論文翻訳(概要): TinyLidarNet: 2D LiDAR-based End-to-End Deep Learning Model for F1TENTH Autonomous Racing

論文の概要: TinyLidarNet: 2D LiDAR-based End-to-End Deep Learning Model for F1TENTH Autonomous Racing

arxiv url: http://arxiv.org/abs/2410.07447v1
Date: Wed, 9 Oct 2024 21:28:33 GMT
ステータス: 処理完了
システム内更新日: 2024-10-31 17:06:37.646556
Title: TinyLidarNet: 2D LiDAR-based End-to-End Deep Learning Model for F1TENTH Autonomous Racing
Title（参考訳）: TinyLidarNet:F1TENTH自律レースのための2次元LiDARに基づくエンドツーエンドディープラーニングモデル
Authors: Mohammed Misbah Zarrar, Qitao Weng, Bakhbyergyen Yerjan, Ahmet Soyyigit, Heechul Yun,
Abstract要約: 自動運転車のための軽量2D LiDARベースのエンドツーエンドディープラーニングモデルであるTinyLidarNetを紹介した。ティニーライダーネットを使用したF1TENTH車両は、12回目のF1TENTH自律グランプリで3位を獲得した。
参考スコア（独自算出の注目度）: 1.8874331450711404
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Prior research has demonstrated the effectiveness of end-to-end deep learning for robotic navigation, where the control signals are directly derived from raw sensory data. However, the majority of existing end-to-end navigation solutions are predominantly camera-based. In this paper, we introduce TinyLidarNet, a lightweight 2D LiDAR-based end-to-end deep learning model for autonomous racing. An F1TENTH vehicle using TinyLidarNet won 3rd place in the 12th F1TENTH Autonomous Grand Prix competition, demonstrating its competitive performance. We systematically analyze its performance on untrained tracks and computing requirements for real-time processing. We find that TinyLidarNet's 1D Convolutional Neural Network (CNN) based architecture significantly outperforms widely used Multi-Layer Perceptron (MLP) based architecture. In addition, we show that it can be processed in real-time on low-end micro-controller units (MCUs).
Abstract（参考訳）: 従来の研究では、制御信号が生の知覚データから直接導出されるロボットナビゲーションにおいて、エンドツーエンドのディープラーニングの有効性が実証されている。しかし、既存のエンドツーエンドナビゲーションソリューションの大部分は、主にカメラベースである。本稿では,2次元LiDARに基づく自律走行のためのエンドツーエンドディープラーニングモデルであるTinyLidarNetを紹介する。ティニーリダーネットを使用したF1TENTH車両は、12回目のF1TENTH自律グランプリで3位となり、その競争性能を誇った。トレーニングされていないトラック上でのパフォーマンスとリアルタイム処理の計算要求を系統的に解析する。 TinyLidarNetの1D Convolutional Neural Network (CNN) ベースのアーキテクチャは、広く使われているMulti-Layer Perceptron (MLP) ベースのアーキテクチャよりも大幅に優れていることがわかった。さらに,ローエンドマイクロコントローラユニット (MCU) 上でリアルタイムに処理可能であることを示す。

関連論文リスト

NaviSplit: Dynamic Multi-Branch Split DNNs for Efficient Distributed Autonomous Navigation [1.7477924189297296]
NaviSplitは、分散された動的マルチブランチニューラルネットワークを組み込んだ軽量ナビゲーションフレームワークの最初の例である。本実装では,ロバストなシミュレータであるMicrosoft AirSimを用いて,ドローンが捉えた単眼RGB画像から2次元深度マップを抽出する。以上の結果から,NaviSplit深度モデルでは72～81%の抽出精度が得られた。
論文参考訳（メタデータ） (2024-06-18T22:25:09Z)
Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。 RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
論文参考訳（メタデータ） (2023-12-18T18:16:30Z)
Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
論文参考訳（メタデータ） (2023-10-24T21:57:59Z)
DeepPicarMicro: Applying TinyML to Autonomous Cyber Physical Systems [2.2667044691227636]
本稿では、Raspberry Pi Pico MCU上で畳み込みニューラルネットワーク(CNN)を動作させる、小型の自動運転RCカーテストベッドであるDeepPicarMicroを紹介する。我々は、よく知られたPilotNet CNNアーキテクチャに適合させるために、最先端のDNN最適化を適用した。システムの精度、レイテンシ、制御性能の興味深い関係を観察する。
論文参考訳（メタデータ） (2022-08-23T21:58:53Z)
A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
論文参考訳（メタデータ） (2021-08-30T06:09:02Z)
Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文参考訳（メタデータ） (2021-05-20T17:52:37Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Temporal LiDAR Frame Prediction for Autonomous Driving [1.3706331473063877]
将来のLiDARフレームを予測するための新しいニューラルネットワークアーキテクチャのクラスを提案する。この応用の根底にある真実は、単にシーケンスの次のフレームであるので、自制的な方法でモデルを訓練することができる。
論文参考訳（メタデータ） (2020-12-17T06:19:59Z)
A Follow-the-Leader Strategy using Hierarchical Deep Neural Networks with Grouped Convolutions [0.0]
リーダのタスクは階層型ディープニューラルネットワーク(DNN)のエンドツーエンド駆動モデルを用いて実装される。モデルはインテリジェンス・プロセッシング・ユニット(IPU)で訓練され、その微粒な計算能力を活用する。歩行者を追跡する車両の記録が作成され、ウェブで公開されている。
論文参考訳（メタデータ） (2020-11-04T16:04:42Z)
Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。