論文の概要: Online Collision Risk Estimation via Monocular Depth-Aware Object Detectors and Fuzzy Inference

• arxiv url: http://arxiv.org/abs/2411.08060v1
• Date: Sat, 09 Nov 2024 20:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 19:25:16.132606
• Title: Online Collision Risk Estimation via Monocular Depth-Aware Object Detectors and Fuzzy Inference
• Title（参考訳）: 単眼深度認識物体検出器とファジィ推論によるオンライン衝突リスク推定
• Authors: Brian Hsuan-Cheng Liao, Yingjie Xu, Chih-Hong Cheng, Hasan Esen, Alois Knoll,
• Abstract要約: このフレームワークは、異なるアルゴリズムによって生成される予測を2つ受け取り、不整合とファジィ推論による衝突リスクを関連付ける。 IoU(Intersection-over-Union)と深度差測定(deep discrepancy measure)に基づいて,2組の予測の不一致が3次元物体検出器の安全性関連誤差と強く相関していることを実験的に検証した。
• 参考スコア（独自算出の注目度）: 6.856508678236828
• License:
• Abstract: This paper presents a monitoring framework that infers the level of autonomous vehicle (AV) collision risk based on its object detector's performance using only monocular camera images. Essentially, the framework takes two sets of predictions produced by different algorithms and associates their inconsistencies with the collision risk via fuzzy inference. The first set of predictions is obtained through retrieving safety-critical 2.5D objects from a depth map, and the second set comes from the AV's 3D object detector. We experimentally validate that, based on Intersection-over-Union (IoU) and a depth discrepancy measure, the inconsistencies between the two sets of predictions strongly correlate to the safety-related error of the 3D object detector against ground truths. This correlation allows us to construct a fuzzy inference system and map the inconsistency measures to an existing collision risk indicator. In particular, we apply various knowledge- and data-driven techniques and find using particle swarm optimization that learns general fuzzy rules gives the best mapping result. Lastly, we validate our monitor's capability to produce relevant risk estimates with the large-scale nuScenes dataset and show it can safeguard an AV in closed-loop simulations.
• Abstract（参考訳）: 本稿では、単眼カメラ画像のみを用いて、対象検出器の性能に基づいて、自律走行車(AV)衝突リスクのレベルを推定する監視フレームワークを提案する。 基本的に、このフレームワークは異なるアルゴリズムによって生成される予測を2つ受け取り、不整合とファジィ推論による衝突リスクを関連付ける。 第1の予測は、深度マップから安全クリティカルな2.5Dオブジェクトを取得し、第2のセットはAVの3Dオブジェクト検出器から得られる。 IoU(Intersection-over-Union)と深度差測定(deep discrepancy measure)に基づいて,2つの予測間の矛盾は,地中真実に対する3次元物体検出装置の安全性に関する誤差と強く相関していることを確認した。 この相関により,ファジィ推論システムを構築し,不整合度を既存の衝突リスク指標にマッピングすることができる。 特に、様々な知識およびデータ駆動手法を適用し、一般的なファジィ規則を学習する粒子群最適化を用いることで、最良のマッピング結果が得られる。 最後に、大規模なnuScenesデータセットを用いて、関連するリスク推定を生成するモニタの能力を検証するとともに、クローズドループシミュレーションにおいてAVを保護できることを示す。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• Illicit item detection in X-ray images for security applications [7.519872646378835]
  X線画像におけるコントラバンドアイテムの自動検出は、公共の安全を著しく向上させる。 ディープニューラルネットワーク(DNN)に依存する現代のコンピュータビジョンアルゴリズムは、このタスクを遂行できることを証明している。 本稿では,X線解析領域におけるそのようなアルゴリズムの2倍の改良を提案する。
  論文  参考訳（メタデータ） (2023-05-03T07:28:05Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations [68.0524382279567]
  3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
  論文  参考訳（メタデータ） (2021-10-08T04:08:31Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of Multimodal Data with Adversarial Defense [0.3867363075280543]
  本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。 提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
  論文  参考訳（メタデータ） (2020-07-17T20:03:02Z)
• MonoPair: Monocular 3D Object Detection Using Pairwise Spatial Relationships [11.149904308044356]
  そこで本研究では,一対のサンプルの関係を考慮し,モノラルな3次元物体検出を改良する手法を提案する。 具体的には,近接する物体対の物体位置と3次元距離の不確実性を考慮した予測を行う。 実験により,提案手法は,最先端の競合他社よりも広いマージンで性能を向上し,KITTI 3D検出ベンチマークで最高の性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-03-01T15:37:48Z)

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。