論文の概要: Rethinking the Role of Infrastructure in Collaborative Perception
- arxiv url: http://arxiv.org/abs/2410.11259v1
- Date: Tue, 15 Oct 2024 04:30:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:02:20.770296
- Title: Rethinking the Role of Infrastructure in Collaborative Perception
- Title（参考訳）: 協調的知覚におけるインフラの役割の再考
- Authors: Hyunchul Bae, Minhee Kang, Minwoo Song, Heejin Ahn,
- Abstract要約: コラボレーティブ・パーセプション(Collaborative Perception、CP)とは、エゴエージェントが周囲の車両やインフラからセンサー情報を受信し、融合させ、その知覚能力を高めるプロセスである。
センサを備えたインフラの必要性を評価するため、CPにおけるインフラデータの役割を広範囲かつ定量的に分析することは重要であるが、未調査のままである。
その結果,インフラデータの導入により3次元検出精度は最大10.87%向上し,赤外線中心CPは車中心CPに比べて42.53%向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Collaborative Perception (CP) is a process in which an ego agent receives and fuses sensor information from surrounding vehicles and infrastructure to enhance its perception capability. To evaluate the need for infrastructure equipped with sensors, extensive and quantitative analysis of the role of infrastructure data in CP is crucial, yet remains underexplored. To address this gap, we first quantitatively assess the importance of infrastructure data in existing vehicle-centric CP, where the ego agent is a vehicle. Furthermore, we compare vehicle-centric CP with infra-centric CP, where the ego agent is now the infrastructure, to evaluate the effectiveness of each approach. Our results demonstrate that incorporating infrastructure data improves 3D detection accuracy by up to 10.87%, and infra-centric CP shows enhanced noise robustness and increases accuracy by up to 42.53% compared with vehicle-centric CP.
- Abstract（参考訳）: コラボレーティブ・パーセプション(Collaborative Perception、CP)とは、エゴエージェントが周囲の車両やインフラからセンサー情報を受信し、融合させ、その知覚能力を高めるプロセスである。
センサを備えたインフラの必要性を評価するため、CPにおけるインフラデータの役割を広範囲かつ定量的に分析することは重要であるが、未調査のままである。
このギャップに対処するために、我々はまず、エゴエージェントが車両である既存の車両中心CPにおけるインフラデータの重要性を定量的に評価する。
さらに,車両中心のCPと,現在Egoエージェントが基盤となっている赤外線中心のCPを比較し,それぞれのアプローチの有効性を評価する。
その結果,インフラデータの導入により3次元検出精度は最大10.87%向上し,赤外線中心CPは車中心CPに比べて42.53%向上した。
関連論文リスト
- Direct-CP: Directed Collaborative Perception for Connected and Autonomous Vehicles via Proactive Attention [7.582576346284436]
提案するDirect-CPは,特定の方向でCPを改善することを目的とした,プロアクティブで方向対応のCPシステムである。
我々のキーとなる考え方は、エゴ車両が関心のある方向を積極的に信号し、その注意を調整し、局所的な方向CP性能を向上させることである。
本手法は,3次元物体検出作業における最先端手法よりも,関心方向における局所的知覚精度19.8%,全体的知覚精度2.5%を達成している。
論文 参考訳（メタデータ） (2024-09-13T13:53:52Z) - Infrastructure-Assisted Collaborative Perception in Automated Valet Parking: A Safety Perspective [11.405406875019175]
協調知覚は、連結車両の視野を広げるために適用することができる。
インフラ支援型AVPシステムのためのBEV機能に基づくCPネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-03-22T12:11:06Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳（メタデータ） (2023-10-08T21:32:30Z) - SKoPe3D: A Synthetic Dataset for Vehicle Keypoint Perception in 3D from
Traffic Monitoring Cameras [26.457695296042903]
道路側から見たユニークな合成車両キーポイントデータセットであるSKoPe3Dを提案する。
SKoPe3Dには150万以上の車両インスタンスと490万のキーポイントがある。
実験では、データセットの適用性と、合成データと実世界のデータ間の知識伝達の可能性を強調した。
論文 参考訳（メタデータ） (2023-09-04T02:57:30Z) - Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset [103.35624417260541]
分散車両調整は、未整備の道路環境において有用である。
我々はバークレーのDeepDrive Droneデータセットを収集し、近くのドライバーが観察する暗黙の「社会的エチケット」を研究する。
このデータセットは、人間のドライバーが採用する分散マルチエージェント計画と、リモートセンシング設定におけるコンピュータビジョンの研究に主に関心がある。
論文 参考訳（メタデータ） (2022-09-19T05:06:57Z) - Collaborative 3D Object Detection for Automatic Vehicle Systems via
Learnable Communications [8.633120731620307]
本稿では,3つのコンポーネントから構成される新しい3次元オブジェクト検出フレームワークを提案する。
実験結果と帯域使用量分析により,本手法は通信コストと計算コストを削減できることを示した。
論文 参考訳（メタデータ） (2022-05-24T07:17:32Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Keypoints-Based Deep Feature Fusion for Cooperative Vehicle Detection of
Autonomous Driving [2.6543018470131283]
本稿では,FPV-RCNNと呼ばれる,効率的なキーポイントに基づく深い特徴融合フレームワークを提案する。
鳥眼視(BEV)キーポイントの核融合と比較すると、FPV-RCNNは検出精度を約14%向上させる。
また,提案手法はCPMのサイズを0.3KB以下に削減し,従来のBEV機能マップの約50倍の小型化を実現した。
論文 参考訳（メタデータ） (2021-09-23T19:41:02Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。
車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。
その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文 参考訳（メタデータ） (2020-12-07T02:09:15Z) - Automotive Radar Interference Mitigation with Unfolded Robust PCA based
on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。
自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。
干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文 参考訳（メタデータ） (2020-10-14T09:41:06Z)
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。